基于网络嵌入的以太坊钓鱼账号检测方法、设备和介质技术

本发明专利技术涉及一种基于网络嵌入的以太坊钓鱼账号检测方法。该方法利用以太坊数据中标记的钓鱼账号信息和账号的历史交易记录，构造一个带有账号交易时间与金额信息的大型交易网络；使用基于有偏随机游走的网络嵌入算法提取网络中所有账号的特征；提取的所有账号的特征输入到机器学习分类器中训练，对钓鱼账号与非钓鱼账号进行分类，实现对钓鱼账号的检测。本发明专利技术提出的交易网络，在交易边上引入了额外的权重，该权重的引用使得节点在构建后的交易网络中游走时

【技术实现步骤摘要】
基于网络嵌入的以太坊钓鱼账号检测方法、设备和介质


[0001]本专利技术涉及区块链交易安全领域，尤其涉及一种基于网络嵌入的以太坊钓鱼账号检测方法、设备和介质。

技术介绍

[0002]以太坊作为第一个支持智能合约的区块链平台一直都倍受欢迎，可是由于以太坊匿名性的特点，用户在交易的过程中只知道对方账户的交易地址，不知道账户身份信息，这就促使了网络犯罪时有发生。据Chainalysis团队报道，自2017年以来，网络钓鱼诈骗的数量占以太坊所有网络犯罪的50％以上，最具代表性的例子是在2018年发生的国际象棋组织“蜜蜂令牌”事件，诈骗者在25小时内诈骗了大约100万美元。
[0003]对以太坊钓鱼账号检测的关键在于对账户特征的提取，传统的以太坊网络钓鱼检测依赖于手工提取账户的特征，仅仅通过手工特征工程难以提取到有效特征。利用网络嵌入技术可以将高维的向量空间用低维的向量空间进行表示，与传统的特征提取方法相比，使用网络嵌入算法提取交易网络的隐含特征是一种更高效的方法。

技术实现思路

[0004]为解决上述问题，本专利技术充分利用区块链的开放透明性，利用以太坊账户的交易记录作为钓鱼检测数据源，通过构建交易网络并使用网络嵌入算法提取交易网络的隐含特征，提高了钓鱼账号识别的准确性。
[0005]为实现上述目的，本专利技术的技术方案如下：
[0006]一种基于网络嵌入的以太坊钓鱼账号检测方法，包括以下步骤：
[0007]S1、从以太坊数据浏览器平台获取标记的钓鱼账号地址信息以及同等数量的未标记的正常账号地址信息，访问以太坊区块浏览器Etherscan的API获取账号的历史交易记录，通过K阶采样方法获取目标账号的局部特征；
[0008]S2、构造一个带有账号交易时间与金额信息的大型交易网络；
[0009]S3、使用基于有偏随机游走的网络嵌入算法bias2vec提取网络中所有账号的特征；
[0010]S4、将提取的所有账号的特征输入到机器学习分类器中训练，对钓鱼账号与非钓鱼账号进行分类，实现对钓鱼账号的检测。
[0011]步骤S2的具体过程如下：
[0012](1)首先将交易网络定义为G＝(V，E)，其中V表示节点集，E代表边集，而节点表示账号，边表示账号交易的信息；根据交易的时间与数量信息对每条边分配如下权重：节点之间的交易金额w，节点之间的交易时间戳t，目标节点所有一级源节点的交易金额加权平均值目标节点所有一级源节点的时间戳加权平均值
[0013](2)以上述权重定义任意边为一个六元组：u、v分别代表源节点与目标节点；
[0014](3)目标节点所有一级源节点的交易金额加权平均值与时间戳加权平均值的计算和分配过程如下：
[0015]假设目标节点v1的所有一级源节点为u、u1、u2，节点v2的所有一级源节点为u、u3、u4，在每条交易边上都有两个交易信息，交易金额A(u,v)以及交易时间戳T(u,v)；利用下述公式求得节点v1的所有一级源节点的交易金额加权平均值以及一级源节点的交易时间戳加权平均值
[0016][0017][0018](4)将引入到向节点v1发出交易的所有节点的交易边上，引进的权重如下：
[0019][0020][0021](5)同理，对其它所有节点执行(1)
‑
(4)步骤，就完成对整个交易网络的构建。
[0022]步骤S3中整个网络嵌入过程由随机游走生成器和skip
‑
gram模型组成。
[0023]所述随机游走生成器的计算过程如下：
[0024]首先求出只考虑数量的影响时节点向邻域游走的概率，计算如下：
[0025][0026][0027]其中，A(u,v)表示节点u和v之间交易的原始总金额值，表示节点u和v之间在交易网络构建时引进的金额；
[0028]然后求出只考虑时间的影响时节点向邻域游走时的概率，计算如下：
[0029][0030][0031]其中T(u,v)表示节点u和v之间交易的原始时间，表示节点u和v之间在交易网络构建时引进的时间；
[0032](3)使用参数α平衡数量与时间的影响，使用参数β平衡原始交易金额与时间以及引进的交易金额与时间的影响，计算过程为：
[0033][0034][0035][0036]其中平衡参数0≤α≤1，0≤β≤1。
[0037]所述skip
‑
gram模型是一个三层神经网络模型，包括输入层、隐藏层和输出层，该模型训练过程是：
[0038]首先利用节点在交易网络随机行走过程中获得的游走序列训练神经网络模型
[0039]然后将从模型中学到的隐藏层参数作为交易网络中的节点向量；
[0040]最后通过最大化观察节点的邻域的概率来学习节点表示。
[0041]步骤S4中机器学习分类器为AdaBoost、Bayes、Logistic Regression、Random Forest、SVM、lightGBM和XGBoost。
[0042]一种电子设备，包括至少一个处理器及与处理器通信连接的存储器，所述存储器存储有可被至少一个处理器执行的程序，当所述程序被所述处理器执行时，能实现上述检测方法。
[0043]一种计算机可读存储介质，存储有计算机程序，当所述程序被处理器执行时，能实现上述检测方法。
[0044]本专利技术的有益效果：
[0045]1、本专利技术提出了一种新的交易网络建模方式，根据节点的所有一级源节点，在交易边上引入了额外的权重，该权重的引用使得节点在构建后的交易网络中游走时，能够充分利用邻居节点的特征，并深度挖掘交易网络中节点的隐含特征，从而提高以太坊的钓鱼账号的识别能力。
[0046]2、本专利技术改进了现有的网络嵌入算法，引入了平衡参数α与β来平衡交易边上交易金额与交易时间段的影响，其中参数α平衡数量与时间的影响，参数β平衡原始交易金额和时间以及引进的交易金额和时间的影响，通过调节α与β我们可以获得交易边最优权重比，并实现最佳检测效果。
[0047]3、本专利技术在改进网络嵌入算法下，实验中所有分类器对以太坊账号的综合分类效果都有所提高，其中XGBoost的检测精度达到0.892，lightGBM的F1
‑
score达到0.893，这进一步证实改进后网络嵌入算法的可行性。
附图说明
[0048]图1是本专利技术方法的流程示意图；
[0049]图2是构建的交易网络子图。
具体实施方式
[0050]下面结合附图和实施例对本专利技术的方案进行详细说明。
[0051]一种基于网络嵌入的以太坊钓鱼账户检测方法，如图1所示，包括以下步骤：
[0052]S1、从以太坊数据浏览器平台获取标记的钓鱼账号地址信息以及同等数量的未标记的正常账号地址信息，访问以太坊区块浏览器Etherscan的API获取账号的历史交易记录，通过K阶采样方法获取目标账号的局部特征，K...

【技术保护点】

【技术特征摘要】
1.一种基于网络嵌入的以太坊钓鱼账号检测方法，其特征在于包括以下步骤：S1、从以太坊数据浏览器平台获取标记的钓鱼账号地址信息以及同等数量的未标记的正常账号地址信息，访问以太坊区块浏览器Etherscan的API获取账号的历史交易记录，通过K阶采样方法获取目标账号的局部特征；S2、构造一个带有账号交易时间与金额信息的大型交易网络；S3、使用基于有偏随机游走的网络嵌入算法bias2vec提取网络中所有账号的特征；S4、将提取的所有账号的特征输入到机器学习分类器中训练，对钓鱼账号与非钓鱼账号进行分类，实现对钓鱼账号的检测。2.根据权利要求1所述的基于网络嵌入的以太坊钓鱼账号检测方法，其特征在于：步骤S2的具体过程如下：(1)首先将交易网络定义为G＝(V，E)，其中V表示节点集，E代表边集，而节点表示账号，边表示账号交易的信息；根据交易的时间与数量信息对每条边分配如下权重：节点之间的交易金额w，节点之间的交易时间戳t，目标节点所有一级源节点的交易金额加权平均值目标节点所有一级源节点的时间戳加权平均值(2)以上述权重定义任意边为一个六元组：u、v分别代表源节点与目标节点；(3)目标节点所有一级源节点的交易金额加权平均值与时间戳加权平均值的计算和分配过程如下：假设目标节点v1的所有一级源节点为u、u1、u2，节点v2的所有一级源节点为u、u3、u4，在每条交易边上都有两个交易信息，交易金额A(u,v)以及交易时间戳T(u,v)；利用下述公式求得节点v1的所有一级源节点的交易金额加权平均值以及一级源节点的交易时间戳加权平均值间戳加权平均值间戳加权平均值(4)将引入到向节点v1发出交易的所有节点的交易边上，引进的权重如下：如下：(5)同理，对其它所有节点执行(1)
‑
(4)步骤，就完成对整个交易网络的构建。3.根据权利要求1所述的基于网络嵌入的以太坊钓鱼账号检测方法，其特征在于：步骤S3中整个网络嵌入过程由随机游走生成器和skip
‑
gram模型组成。4.根据权利...

【专利技术属性】
技术研发人员：秦继伟，罗锦涛，
申请(专利权)人：新疆大学，
类型：发明
国别省市：