一种基于强化图卷积网络和时空循环门的比特币反洗钱方法技术

一种基于强化图卷积网络和时空循环门的比特币反洗钱方法，其步骤为：1、采集比特币交易账单数据，构建数据集；2、对采集到的比特币交易账单数据进行预处理；3、构建包含比特币交易账单和交易关系的交易图；4、将预处理好的数据集划分为训练集和测试集，将训练集数据输入强化图卷积和时空循环门的神经网络，获得每个比特币交易账单与标签类别之间的关系；5、根据比特币交易账单与标签类别之间的关系，获得比特币交易账单的预测分类结果。本发明专利技术通过上述结构，能够提高比特币反洗钱检测的准确率和性能，进而能够提高整个交易过程的安全性。进而能够提高整个交易过程的安全性。进而能够提高整个交易过程的安全性。

【技术实现步骤摘要】
一种基于强化图卷积网络和时空循环门的比特币反洗钱方法


[0001]本专利技术属于比特币交易数据监视领域，具体涉及一种基于强化图卷积网络和时空循环门的比特币反洗钱方法。

技术介绍

[0002]比特币作为区块链领域的主要虚拟货币，相比于传统的信用货币，具有更高的安全性。但是，由于其信任构建不依靠单一中心组织，且用户交易以匿名形式进行，使得比特币的整个交易过程无法对用户的真实身份进行核验，也给从事洗钱犯罪的不法分子以便利。为了更好地打击比特币洗钱活动，比特币领域已经提出很多种方法来检测交易过程中的非法洗钱活动。
[0003]现有的基于比特币交易图的反洗钱方法主要分为三类：监督学习、无监督学习和半监督学习。
[0004]基于半监督学习方法的图卷积神经网络(GCN)是运用最为广泛比特币交易图的反洗钱方法，但该方法存在检测精度较低和稳定性较差的问题。为了更好地提升反洗钱检测的性能研究者们提出了Evovle
‑
GCN的方法进行反洗钱检测，其基本原理是利用长短期记忆网络对时间信息进行编码，从而学习比特币交易图上的时序信息。但长短期记忆网络的门结构很难保留比特币交易图在拓扑结构上的长期依赖关系，从而降低了检测结果的精度和准确率。
[0005]因此，如何更好地保留比特币交易图的时空信息，从而提高检测结果的精度和准确率，该问题是当前比特币反洗钱方法迫切需要解决的技术问题。

技术实现思路

[0006]为解决现有比特币反洗钱方法的不足，本专利技术提供了一种基于强化图卷积网络和时空循环门的比特币反洗钱方法，能够完整的将比特币交易账单和交易关系表示出来，构成一个完整的比特币交易图，高效并准确地提取整个交易图的空间信息以及时序信息，进而准确高效地检测比特币交易图中的非法交易账单。
[0007]本专利技术是通过以下技术方案实现的：一种基于强化图卷积网络和时空循环门的比特币反洗钱方法，其步骤为：
[0008]步骤1采集比特币交易账单数据，构建数据集；
[0009]从比特币官方公开的历史交易账单中采集比特币交易的历史账单数据，提取能够反应交易特点的基本交易信息数据，并将基本交易信息的部分数据被标签为洗钱和非洗钱，数据集由多个时间步长组成，每个时间步长都代表过去三个小时在比特币区块链中的交易集合，且每个时间步长都与一笔交易的连通图关联。
[0010]步骤2对采集到的比特币交易账单数据进行预处理；对所得到的基本交易信息数据进行特征数据类型转换，再对转换后的数据进行标准化处理，得到预处理后的比特币交易账单数据。
[0011]步骤2
‑
1数据类型转换：对与比特币洗钱操作有关的高风险特征进行特征提取，将与比特币洗钱操作有关的高风险特征所对应的值进行数据清洗、空缺值填充；
[0012]步骤2
‑
2数据标准化处理：将与比特币洗钱操作有关的高风险特征中的离散型特征所对应的数据，采用One
‑
Hot重新编码；将与比特币洗钱操作有关的高风险特征中的连续型特征对应的数据，用L2
‑
范数标准化方法将数据按照比例缩放，去除量纲影响。
[0013]步骤3构建包含比特币交易账单和交易关系的交易图；
[0014]采用预处理之后的比特币交易账单数据，在时刻t时，以比特币交易账单为节点，交易之间的支付边表示从支付源到支付目标的支付流，构成时刻t的比特币交易图G
t
；计算获得的比特币交易图的邻接矩阵A
t
和度矩阵得到比特币交易图G
t
的拉普拉斯矩阵，将比特币交易图G
t
的拉普拉斯矩阵进行正则化处理，得到矩阵
[0015]步骤4将预处理好的数据集划分为训练集和测试集，将训练集数据输入强化图卷积和时空循环门的神经网络，获得每个比特币交易账单与标签类别之间的关系；
[0016]将预处理好的数据集划分为训练集和测试集，将训练集数据按照时间步长顺序输入强化图卷积和时空循环门的神经网络，进一步提取比特币交易图的时空特征；在时刻t，将比特币交易图G
t
的邻接矩阵A
t
、特征矩阵X
t
以及前一时刻t
‑
1的状态输入到基于强化图卷积和时空循环门的神经网络，使用具有不同尺寸卷积核的强化图卷积操作提取交易图的拓扑信息，得到卷积结果为
Gt
*X
t
，双层结构强化图卷积采用ReLU作为激活函数；
[0017]利用时空循环重置门对
Gt
*X
t
和前一时刻t
‑
1的状态进行处理，丢弃相关程度低于设定值的时序依赖关系后得到对进行强化图卷积和对角化操作，得到运算结果最后通过计算候选隐含层状态
[0018]利用时空循环更新门对
Gt
*X
t
和前一时刻t
‑
1的状态进行处理，丢弃相关程度低于设定值的时序依赖关系后得到接着对进行强化图卷积和对角化操作，得到运算结果
[0019]最后通过计算时刻t时的隐含层状态将时刻t时隐藏状态经过线性层和激活函数之后获得最终分类结果T
t
。
[0020]步骤5根据比特币交易账单与标签类别之间的关系，获得比特币交易账单的预测分类结果；
[0021]正向传播得到预测结果和损失函数，采用期望交叉熵函数作为损失函数，损失函数定义为数据集中所有带标签节点上的期望交叉熵误差：
[0022][0023]其中，Y
L
是标签样本的集合，Y
k
表示标签的值；为了优化状态编码网络，使用具有自适应矩估计的反向传播算法更新网络参数，最小化损失函数，使用期望交叉熵反向传播进行参数更新，期望交叉熵的值越小，说明预测的结果越准确；
[0024]最终，比特币交易账单的预测分类结果分为两类，一类是非法交易，另一类是合法交易。
[0025]本专利技术创造的有益效果是：
[0026]1、本方法由于利用具有不同尺寸卷积核的强化图卷积网络，可以全面地捕获比特
币交易图的拓扑信息并生成特征向量，提升空间信息提取能力。
[0027]2、本方法由于利用时空循环门结构，在传统门结构中引入图卷积运算，可以提取比特币交易图多个时空维度的依赖信息。
[0028]3、本方法利用国际主流的数据集进行了对比实验，在评价指标召回率、精度、F1得分上取得了较佳的表现，与目前主流的反洗钱方法相比具有较优的性能。
附图说明
[0029]图1为本专利技术的流程框图；
[0030]图2为强化图卷积网络和时空循环门结构图。
具体实施方式
[0031]下面结合附图对本专利技术的具体实施方式和效果做进一步详细的描述。
[0032]参照图1，基于强化图卷积网络和时空循环门的比特币反洗钱方法包括如下步骤：
[0033]步骤1采集比特币交易账单数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于强化图卷积网络和时空循环门的比特币反洗钱方法，其特征在于，其步骤为：步骤1采集比特币交易账单数据，构建数据集；步骤2对采集到的比特币交易账单数据进行预处理；步骤3构建包含比特币交易账单和交易关系的交易图；步骤4将预处理好的数据集划分为训练集和测试集，将训练集数据输入强化图卷积和时空循环门的神经网络，获得每个比特币交易账单与标签类别之间的关系；步骤5根据比特币交易账单与标签类别之间的关系，获得比特币交易账单的预测分类结果。2.根据权利要求1所述的一种基于强化图卷积网络和时空循环门的比特币反洗钱方法，其特征在于，所述的步骤1中，具体方法为：从比特币官方公开的历史交易账单中采集比特币交易的历史账单数据，提取能够反应交易特点的基本交易信息数据，并将基本交易信息的部分数据被标签为洗钱交易和非洗钱交易，数据集由多个时间步长组成，每个时间步长都代表过去三个小时在比特币区块链中的交易集合，且每个时间步长都与一笔交易的连通图关联。3.根据权利要求1所述的一种基于强化图卷积网络和时空循环门的比特币反洗钱方法，其特征在于，所述的步骤2中，具体方法为：对所得到的基本交易信息数据进行特征数据类型转换，再对转换后的数据进行标准化处理，得到预处理后的比特币交易账单数据。4.根据权利要求3所述的一种基于强化图卷积网络和时空循环门的比特币反洗钱方法，其特征在于，所述的步骤2中，具体方法为：步骤2
‑
1数据类型转换：对与比特币洗钱操作有关的高风险特征进行特征提取，将与比特币洗钱操作有关的高风险特征所对应的值进行数据清洗、空缺值填充；步骤2
‑
2数据标准化处理：将与比特币洗钱操作有关的高风险特征中的离散型特征所对应的数据，采用One
‑
Hot重新编码；将与比特币洗钱操作有关的高风险特征中的连续型特征对应的数据，用L2
‑
范数标准化方法将数据按照比例缩放，去除量纲影响。5.根据权利要求1所述的一种基于强化图卷积网络和时空循环门的比特币反洗钱方法，其特征在于，所述的步骤3中，具体方法为：采用预处理之后的比特币交易账单数据，在时刻t时，以比特币交易账单为节点，交易之间的支付边表示从支付源到支付目标的支付流，构成时刻t的比特币交易图G
...

【专利技术属性】
技术研发人员：任秀丽，夏鑫，
申请(专利权)人：辽宁大学，
类型：发明
国别省市：