基于自监督深度图学习的以太坊钓鱼欺诈行为检测方法技术

本发明专利技术涉及一种基于自监督深度图学习的以太坊钓鱼欺诈行为检测方法，属于自监督深度图学习技术领域。数据建图：基于获取的以太坊数据，进行自动信息提取，合并到原本不具有可用属性的节点上，得到具有节点特征的交易图。模型准备：设置空间性自监督前置任务，构建模型和训练任务，用于挖掘和表示图中节点属性信息和拓扑结构信息。模型训练：设置训练规模和收敛条件，得到优化后的用于检测的训练模型。该模型能够对以太坊上新的交易图进行检测，应对以太坊规模不断变化、交易图不断演化和节点标签数目不足等问题。标签数目不足等问题。标签数目不足等问题。

【技术实现步骤摘要】
基于自监督深度图学习的以太坊钓鱼欺诈行为检测方法


[0001]本专利技术涉及一种基于自监督深度图学习的以太坊钓鱼欺诈行为检测方法，属于自监督深度图学习


技术介绍

[0002]以太坊作为当今世界最受欢迎的可扩展区块链之一，充分挖掘了智能合约的潜力，并基于智能合约创建了大量的去中心化金融应用（DeFi），吸引了广泛的关注和资金。图1展示了智能合约的创建流程，智能合约可以在没有任何中心化实体的情况下自动管理和批准交易过程，保证交易信任和透明度的同时，消除了原本交易过程中的延迟和费用。据估计，以太坊目前总市值已达两千亿美元，但是其蓬勃发展也使得数以百万的用户面临恶意攻击的风险，诸如网络钓鱼诈骗、勒索用户资金等。这些攻击行为仅靠软件安全或者智能合约分析等传统方法也很难防御，因此，从以太坊交易行为的层面进行智能分析显得格外重要。
[0003]现有的基于智能分析的钓鱼欺诈行为检测方法主要有两类。第一类主要采用浅层学习模型，例如依靠特征工程的传统机器学习方法、或者像DeepWalk，Node2Vec一样基于随机游走的网络嵌入方法等。第二类主要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督深度图学习的以太坊钓鱼欺诈行为检测方法，其特征在于：包括如下步骤：步骤1：数据建图：基于获取的以太坊数据，进行自动信息提取，合并到原本不具有可用属性的节点上，得到具有节点特征的交易图；步骤2：模型准备：设置空间性自监督前置任务，构建模型和训练任务，用于挖掘和表示图中节点属性信息和拓扑结构信息；步骤3：模型训练：设置训练规模和收敛条件，得到优化后的用于检测的训练模型。2.根据权利要求1所述的基于自监督深度图学习的以太坊钓鱼欺诈行为检测方法，其特征在于：所述步骤1的具体步骤为：步骤1.1：收集用于训练的以太坊交易数据，并过滤掉其中失败和交易值为0的交易数据；步骤1.2：将步骤1.1得到的交易数据按照区块号或者时间戳分为S份，每一份交易数据进一步划分为交易数目相近的S片；步骤1.3：根据交易图节点属性，计算每片交易数据中的节点特征向量，构建一对一的以太坊交易图。3.根据权利要求2所述的基于自监督深度图学习的以太坊钓鱼欺诈行为检测方法，其特征在于：所述步骤2的具体步骤为：步骤2.1：设置模型参数，选择直推式或归纳式学习；步骤2.2：如果选择直推式学习则依次输入每份交易数据前S
‑
2片形成的交易图用于模型训练，并在第S
‑
1片交易图上评价模型训练成果；如果选择归纳式学习则依次输入前S
‑
1片交易图用于模型训练，并在第S片交易图上评价模型训练成果。4.根据权利要求3所述的基于自监督深度图学习的以太坊钓鱼欺诈行为检测方法，其特征在于：所述步骤3的具体步骤为：分别在S份...

【专利技术属性】
技术研发人员：许封元，吴昊，李书城，王润川，
申请(专利权)人：南京大学，
类型：发明
国别省市：