【技术实现步骤摘要】
基于深度聚类区块链实体关联关系评估方法、系统及装置
[0001]本专利技术涉及区块链
,具体涉及一种基于深度聚类区块链实体关联关系评估方法。
技术背景
[0002]近年来,具有去中心化、不可篡改等特点的区块链技术快速发展,在众多领域中应用广泛。相应地,区块链安全与监管已成为国内外关注焦点。
[0003]区块链生态中,账号、交易、链群等相互关联的实体数量庞大、关系复杂,类型划分和行为相似性检测存在困难。目前仍然缺乏能够准确进行特征识别的专家规则。另一方面,在分类任务中较为有效的监督学习方法难以应用。当前缺乏标记完成的训练集,人工赋予区块链实体数据标签的过程工作量大、效率较低。因此亟需一种准确高效的方法进行区块链实体关联关系构建。
技术实现思路
[0004]为了解决上述问题,本专利技术提供了一种基于深度聚类区块链实体关联关系评估方法。深度聚类是一种将表征学习和聚类技术相结合的方法。其具体包括如下步骤:
[0005](1)提取区块信息,将描述实体的数据转化为矩阵的形式,并随机为每一个实体分配一个伪标签;
[0006](2)对矩阵进行数据增强后输入特征提取网络,输出特征信息;
[0007](3)将特征信息映射到子空间,进行对比学习,并更新特征提取网络的参数;
[0008](4)计算并更新每个实体的伪标签,并更新特征提取网络的参数;
[0009](5)重复执行步骤(2)
‑
(4)的训练过程,随后依据伪标签对实体进行分类,并计算实体间行为相似 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度聚类区块链实体关联关系评估方法,其特征在于,包括以下步骤:提取区块信息,将获取到的实体的相关数据转化为第一矩阵,并随机为每一个实体分配一个伪标签,所述实体包括区块链网络上的账号、交易账号及链群,所述实体的相关数据包括区块链网络上的账号信息、交易数据及链群信息;对所述第一矩阵进行数据增强处理,并输入至特征提取网络,得到特征信息;将所述特征信息映射到子空间,进行对比学习,并更新特征提取网络的参数;基于子空间中的特征向量计算并更新每个实体的伪标签,并更新特征提取网络的参数;重复更新特征提取网络的参数的步骤,直到特征提取网络的参数收敛,得到构建的关联模型;依据所述伪标签对实体进行分类,并得到实体间行为相似度。2.根据权利要求1所述的基于深度聚类区块链实体关联关系评估方法,其特征在于,所述对所述第一矩阵进行数据增强并输入特征提取网络,得到特征信息,包括以下步骤:所述特征提取网络包括卷积层和transformer编码器;基于不同的数据增强方式T
a
和T
b
对所述第一矩阵进行操作,生成x
a,i
=T
a
(X
i
),x
b,i
=T
b
(X
i
),i∈[n],其中,X
i
表示实体,n为实体的数量,i表示实体的索引,x
a,i
,x
b,i
表示同一实体分别经过两种数据增强方式后形成的不同向量;对x
a
,x
b
进行嵌入操作,使用轻量型堆叠卷积将其转化为第二矩阵;将所述第二矩阵输入至transformer编码器,得到特征信息h
a
,h
b
。3.根据权利要求2所述的基于深度聚类区块链实体关联关系评估方法,其特征在于,所述轻量型堆叠卷积使用4个3
×
3大小、步长为2的卷积,每个卷积后跟随批量归一化和线性整流函数,最后经过一个1
×
1,步长为1的卷积。4.根据权利要求1所述的基于深度聚类区块链实体关联关系评估方法,其特征在于,所述将所述特征信息映射到子空间,进行对比学习,并更新特征提取网络的参数,包括以下步骤:对特征信息分别执行两次线性变换、批量归一化、线性整流函数,将其线性映射到子空间z
a
,z
b
;进行对比学习,增强由相同实体产生的{z
a,i
,z
b,i
}之间的相似性,降低不同实体产生的{z
a,i
,z
b,j
,i≠j}之间的相似性,其中相似性定义为其中,p,q表示两个具有相同维度的特征向量,使用损失函数有相同维度的特征向量,使用损失函数得到损失值作为优化目标,并使用Adam作为优化器更新特征提取网络的参数。5.根据权利要求1所述的基于深度聚类区块链实体关联关系评估方法,其特征在于,所述基于子空间中的特征向量计...
【专利技术属性】
技术研发人员:黄步添,周芃旸,张舟洋,何钦铭,刘振广,梁逸敏,
申请(专利权)人:杭州云象网络技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。