基于自编码器和双向长短时记忆网络的加密货币交易追踪方法技术

本发明专利技术公开了基于自编码器和双向长短时记忆网络的加密货币交易追踪方法，实现对交易网络中未来有可能出现的交易预测，达到交易追踪的目的；该预测模型可以自动学习高维非线性的网络结构，并且可以学习时间特征捕捉网络的时变特性，通过微调网络结构可以使模型适应不同尺度的网络；解决了现有方法存在的不足，提出了一种通用模型；实验结果表明该方法能够取得较好的结果。得较好的结果。得较好的结果。

【技术实现步骤摘要】
基于自编码器和双向长短时记忆网络的加密货币交易追踪方法


[0001]本专利技术利用基于自编码器(AE)双向长短时记忆网络(Bi
‑
LSTM)结合的模型预测以太坊加密货币的交易，实现加密货币的交易追踪。本专利技术涉及区块链交易监管领域以及深度学习模型方法


技术介绍

[0002]区块链技术已经进入工程化发展期，作为一个极具潜力的新兴技术，在金融，互联网等领域得到了广泛应用。为构建健康的区块链生态系统，对加密货币交易进行有效监管已经成为国家相关执法部门重点关注的问题。因此，本专利技术的研究成果具有广阔的应用前景。
[0003]加密货币交易因为其匿名性特点，吸引许多犯罪分子利用其进行诈骗、洗钱、非法交易等网络犯罪行为。交易追踪是打击区块链交易系统中金融犯罪的一类重要技术。可以帮助监管机构发现欺诈行为和团伙，跟踪受污染的资金，追回被盗的加密货币。阻止犯罪分子将非法所得在交易所进行交易和套现，消除非法资金的匿名性流动，帮助交易所更好保护守法用户的权利。此外，交易追踪还可以帮助普通投资者检查资金是否收到可疑路径的污染，使他们远离污染资金和可疑实体。
[0004]传统用于加密货币交易追踪的方法，如基于启发式方法和污染分析，是当前应用最多的方法，但是也存在各自的不足。其中基于启发式的方法不仅需要大量的专家经验，而且还面临算法容易被隐私增强技术攻击的问题。针对特定场景设计，无法有效的适用于各种不同区块链交易场景。也有研究提出基于静态网络链接预测的方法，将交易记录构建为交易网络，实现加密货币的交易追踪，然而现实世界中，交易网路是动态演化的，只关注某一时刻的网络不能分析网络的演化性，例如，预测两个账户未来发生交易的可能性。因此，寻找不过分依赖专家经验，可以有效分析网络演化过程，适用于不同区块链平台的通用的方法是很有必要的。
[0005]本专利技术设计了一种基于自编码器(AE)和双向长短时记忆网络(Bi
‑
LSTM)结合的模型交易预测方法，通过构建神经网络模型，利用模型预测的方法实现对账户之间未来交易的预测。

技术实现思路

[0006]本专利技术提供了一种基于自编码器(AE)和双向长短时记忆网络(Bi
‑
LSTM)结合的以太坊加密货币交易追踪模型。通过构建神经网络模型，预测未来有可能产生的交易。自编码器结构可以自动学习网络的特征表示，双向长短时记忆网络结构利用时间特性可以学习网络动态演化过程，解决现有方法中存在的问题。此外，还可以通过调整模型结构参数，可以使模型适用不同尺度的网络，提高模型预测的效果。
[0007]本专利技术采用了如下的技术方案及实现步骤：
[0008]基于自编码器(AE)和双向长短时记忆网络(Bi
‑
LSTM)结合的以太坊加密货币交易追踪模型设计，包括以下步骤：
[0009](1)获取一段时间的以太坊交易数据流，随机确定一些目标账户，获取目标账户的K阶子图。将获得的交易数据按照一定时间细粒度划分，将划分后的数据样本分为训练集和测试集，进行数据预处理。数据预处理部分，将划分好的数据以邻接矩阵的形式表示加密货币交易网络。
[0010](2)设计模型的损失函数，防止出现因为网络的稀疏性造成模型不会收敛到预期范围或者过拟合现象。总体损失函数由两部分组成：
[0011][0012]其中是正则化项，防止模型过拟合，α是平衡参数，表示模型设计的总体损失函数，表示修正后的平均平方损失函数，平均平方损失函数用来衡量加密货币交易网络的预测结果和交易网络真实结果的相似度，由于构建的加密货币交易网络中非零元素数量远少于零元素，为了更适合我们的模型，需要对平均平方损失函数进行修正，修正后表示如下：
[0013][0014]公式中A
t
代表以邻接矩阵表示的t时刻加密货币交易网络结构，是模型的预测输出，表示t时刻加密货币交易网络结构的预测值，
⊙
是哈达玛积，P是惩罚矩阵，可对非零矩阵施加更大惩罚，表示对向量元素的平方和再开方运算。
[0015]的表示如下：
[0016][0017]其中是编码层的第k层权重，是解码层的第k层权重，W
i(l)
，W
c(l)
，分别是第l层Bi
‑
LSTM层中遗忘门，更新门，记忆细胞，输出门中的权重。
[0018](3)设计用于加密货币交易预测的网络结构，网络由编码层，Bi
‑
LSTM层，解码层三部分组成。模型输入为时间序列数据S，输入序列S由{A1,A2,...,A
t
‑1}组成，输入序列中A代表邻接矩阵，矩阵中元素A
i,j
＝1表示加密货币交易中账户i和账户j之间存在交易，反之A
i,j
＝0表示账户之间不存在交易。模型解码层的输出为t时刻加密货币网络结构的预测值
[0019]根据不同数据大小确定网络的输入维度，利用自编码器的编码部分，对输入序列S的数据进行编码，得到数据低纬向量表示。根据输入维度大小选择所需编码器的层数和每层编码器所需要的隐藏层数量，并且选择编码器的激活函数。
[0020][0021][0022][0023]其中表示对输入序列s
i
的第k层编码嵌入，s
i
表示输入序列S中第i个数据，表示第k层编码器的权重，表示第k层编码器的偏置，ReLU表示激活函数加速编码器的收敛。编码器层分别处理输入序列中的每一项，之后按时间顺序连接所有项。
[0024]将得到的低纬向量表示输入Bi
‑
LSTM网络，Bi
‑
LSTM层的输出得到更新后低维向量表示H，H表示要预测的交易网络结构的特征，将用作解码器部分的输入。Bi
‑
LSTM网络由前向LSTM和后向LSTM组合而成，单向LSTM的计算功能是：
[0025][0026][0027][0028][0029][0030]h
t
＝o
t
*tanh(C
t
)
ꢀꢀꢀꢀꢀꢀ
(12)
[0031]其中f
t
表示遗忘门的输 出，决定是否要用到上一时刻学到的信息；i
t
为更新门，表示记忆细胞，二者产生需要更新的新信息；C
t
公表式表示丢掉不需要的信息，添加新信息的过程；o
t
表示输出门，h
t
为t时刻的状态，o
t
和h
t
决定模型最后的输出；W
f
，W
i
，W
C
，W
o
分别表示遗忘门，更新门，记忆细胞，输出门中的权重，b
f
，b
i
，b
c
，b
o
分别表示遗忘门，更新门，记忆细胞，输出门中的偏置。
[0032]将更新后的低维本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自编码器和双向长短时记忆网络的加密货币交易追踪方法，其特征在于，包括以下步骤：(1)获取一段时间的以太坊交易数据流，随机确定一些目标账户，获取目标账户的K阶子图；将获得加密货币交易数据按照一定时间细粒度划分，将划分后的数据样本分为训练集和测试集，进行数据预处理；数据预处理部分，将划分好的数据以邻接矩阵的形式表示加密货币交易网络；(2)设计模型的损失函数，总体损失函数由两部分组成：其中是正则化项，防止模型过拟合；α是平衡参数；表示模型设计的总体损失函数；表示修正后的平均平方损失函数；对平均平方损失函数进行修正，修正后表示如下：公式中A
t
代表以邻接矩阵表示的t时刻加密货币交易网络结构，是模型的预测输出，表示t时刻加密货币交易网络结构的预测值，
⊙
是哈达玛积，P是惩罚矩阵，可对非零矩阵施加更大惩罚，表示对向量元素的平方和再开方运算；的表示如下：其中是编码层的第k层权重，是解码层的第k层权重，W
i(l)
，分别是第l层Bi
‑
LSTM层中遗忘门、更新门、记忆细胞、输出门中的权重；(3)设计用于加密货币交易预测的网络结构，网络由编码层、Bi
‑
LSTM层、解码层三部分组成；模型输入为时间序列数据S，输入序列S由{A1,A2,...,A
t
‑1}组成输入序列中A代表邻接矩阵，矩阵中元素A
i,j
＝1表示加密货币交易中账户i和账户j之间存在交易，A
i,j
＝0表示账户之间不存在交易；模型解码层的输出为t时刻加密货币网络结构的预测值根据不同数据大小确定网络的输入维度，利用自编码器的编码部分，对输入序列S的数据进行编码，得到交易网络数据低纬向量表示；根据输入维度大小选择所需编码器的层数和每层编码器所需要的隐藏层数量，并且选择编码器的激活函数；和每层编码器所需要的隐藏层数量，并且选择编码器的激活函数；和每层编码器所需要的隐藏层数量，并且选择编码器的激活函数；其中表示对输入序列s
i
的第k层编码嵌入，s
i
表示输入序列S中第i个数据，
表示第k层编码器的权重，表示第k层编码器的偏置，ReLU表示激活函数加速编码器的收敛；编码器层分别处理输入序列中的每一项，之后按时间顺序连接所有项；将得到的低纬向量表示输入Bi
‑
LSTM网络，得到更新后低维向量表示H，H表示要预测的加密货币交易网络结构的特征，将用作解码器...

【专利技术属性】
技术研发人员：黄静，丁金飞，韩红桂，公备，牛裕茸，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：