System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及网络安全,尤其涉及一种非同质化通证网站风险检测方法及系统。
技术介绍
1、nft是非同质化通证(non-fungible token),它是一种新型的数字资产,这些数字资产具有多重价值和属性,以虚拟商品的形式存在。nft基于区块链技术,可以用于表示独特的数字物品,例如艺术作品、收藏品、游戏道具、电影、歌曲以及知识产权物品等。每个nft都有一个独特的标识符,表示其独特性和所有权。
2、nft物品可以通过nft交易平台进行销售、购买或者展示,例如,用户可以在nft交易网站上填写想要售卖的nft物品的来源、类型以及交易价格,从而将nft物品在nft交易网站上架售卖,其他用户即可在nft交易网站上查阅到nft物品的售卖信息,并可以点击支付,完成nft物品的交易。
3、监管平台可以监控交易平台中商品订单的交易走向,对于普通商品来说,这些商品均为统一定价,因此,监管平台可以仅根据销售网站的交易情况对销售网站进行风险检测评级,以使用户知晓该网站的交易安全性。但是,由于nft物品的特殊性质,卖家可以自行定价并上架销售,对于同一nft物品可存在多种不同的定价,从而增加监管平台的监控难度,降低nft交易平台的风险检测准确性。
技术实现思路
1、为了提高对nft交易平台的风险检测准确性,第一方面,本申请的部分实施例提供一种非同质化通证网站风险检测方法,所述方法包括:
2、获取目标网站的网站信息,所述目标网站为被执行风险检测的网站;
3、根据网站语
4、根据词语分类标签将所述文本语料库中的文本数据划分为第一文本词典、第二文本词典和第三文本词典,其中,所述第一文本词典为正向词语词典,所述第二文本词典为负向词语词典,所述第三文本词典为中立词语词典;
5、将所述第一文本词典、所述第二文本词典和所述第三文本词典输入至加权模型,计算第一权重、第二权重和第三权重;
6、将所述第一权重、所述第二权重和所述第三权重输入至图模型,通过所述图模型计算网站风险系数;
7、如果所述网站风险系数大于风险预警阈值,则生成网站预警信息。
8、在一些实施例中,将所述第一权重、所述第二权重和所述第三权重输入至图模型的步骤前,还包括:
9、将训练数据输入至所述加权模型,通过所述加权模型获得训练权重,所述训练数据为所述文本语料库中带有风险系数标签的网站语料;
10、根据至少两种特征向量构建图模型,所述特征向量根据所述训练数据和所述训练权重生成;
11、对所述特征向量社群划分,根据社群划分的结果得到网站社群;
12、通过所述图模型对所述网站社群执行风险评分,根据风险评分的结果得到所述训练数据的训练风险系数;
13、计算所述训练风险系数与所述网站风险系数之间的系数损失;
14、如果所述系数损失大于或等于所述损失阈值,则更新所述图模型的模型参数,对所述图模型执行迭代训练;
15、如果所述系数损失小于所述损失阈值,输出所述图模型。
16、在一些实施例中,所述根据至少两种特征向量构建图模型的步骤,包括:
17、获取至少两种所述特征向量;
18、计算每两种所述特征向量之间的相似度;
19、根据所述特征向量建立图模型节点;
20、根据所述相似度生成边向量,并根据所述边向量连接所述图模型节点,得到所述图模型。
21、在一些实施例中,对所述特征向量执行社群划分的步骤,包括:
22、获取所述图模型节点的第一模块度;
23、将至少两个所述图模型节点合并,生成第一社群;
24、计算所述第一社群的第二模块度;
25、如果所述第一模块度小于所述第二模块度,则输出所述第一社群;
26、根据至少两个已输出的所述第一社群生成社群网络,以及,对所述社群网络迭代训练,得到社群划分的结果。
27、在一些实施例中,通过所述图模型对所述网站社群执行风险评分的步骤,包括:
28、将所述特征向量对应的文本数据的权重和输入所述图模型,计算第一风险分数,所述权重和为所述特征向量中第一文本词典的权重、第二文本词典的权重和第三文本词典的权重之和;
29、如果所述第一风险分数大于第一风险阈值,则将训练节点标记为风险节点,所述训练节点为根据所述训练数据的特征向量生成的图模型节点;
30、根据所述风险节点的数量得到风险评分结果,所述风险评分结果与所述风险节点的数量呈正比例关系。
31、在一些实施例中,通过所述图模型计算网站风险系数的步骤,包括:
32、根据所述网站信息获取网站指标以及交易信息,所述交易信息包括交易商品信息和交易行为信息;
33、根据所述交易商品信息和交易行为信息生成交易指标;
34、根据所述网站指标和所述交易指标生成异常行为判定指标,所述异常行为判定指标用于指示所述图模型根据所述第一权重、所述第二权重和所述第三权重计算网站风险系数;
35、根据所述异常行为判定指标调整所述第一权重、所述第二权重和所述第三权重;
36、根据调整后的所述第一权重、所述第二权重和所述第三权重构建风险评分体系;
37、根据所述风险评分体系更新所述图模型的风险检测规则,所述风险检测规则为所述图模型计算网站风险系数的判定规则;
38、根据所述风险检测规则计算所述网站风险系数。
39、在一些实施例中,通过所述加权模型获得训练权重的步骤,包括:
40、通过所述加权模型计算所述训练数据中关键词的词频,所述关键词为所述第一文本词典、所述第二文本词典或所述第三文本词典中的词语;
41、如果所述词频小于频率阈值,则获取训练数据中包含所述关键词的数据数量;
42、根据训练数据的总数和所述关键词的数据数量计算所述关键词的权重值。
43、在一些实施例中,根据网站语料建立文本语料库的步骤前,还包括:
44、在所述信息检索平台中输入所述网站信息,获取网站媒资;
45、筛除所述网站媒资中的无效媒资数据,得到文本数据,所述无效媒资数据为非文本格式的网站媒资;
46、对所述文本数据执行预处理,所述预处理包括分词处理和词干提取处理;
47、对依次执行所述分词处理和所述词干提取处理后的文本数据标注词语分类标签,得到所述网站语料,所述网站语料包括标注有所述词语分类标签的文本数据。
48、在一些实施例中,计算第一权重、第二权重和第三权重的步骤后,还包括:
49、通过所述加权模型计算目标词语的词语权重,所述词语权重为所述目标词语在所述网站语料中的权重,所述目标词语为所述第一文本词典、所述第二文本词典和所述第三文本词典中的词语;
50、获取所述目标词语的词本文档来自技高网...
【技术保护点】
1.一种非同质化通证网站风险检测方法,其特征在于,包括:
2.根据权利要求1所述的非同质化通证网站风险检测方法,其特征在于,将所述第一权重、所述第二权重和所述第三权重输入至图模型的步骤前,还包括:
3.根据权利要求2所述的非同质化通证网站风险检测方法,其特征在于,所述根据至少两种特征向量构建图模型的步骤,包括:
4.根据权利要求3所述的非同质化通证网站风险检测方法,其特征在于,对所述特征向量执行社群划分的步骤,包括:
5.根据权利要求2所述的非同质化通证网站风险检测方法,其特征在于,通过所述图模型对所述网站社群执行风险评分的步骤,包括:
6.根据权利要求1所述的非同质化通证网站风险检测方法,其特征在于,通过所述图模型计算网站风险系数的步骤,包括:
7.根据权利要求2所述的非同质化通证网站风险检测方法,其特征在于,通过所述加权模型获得训练权重的步骤,包括:
8.根据权利要求1所述的非同质化通证网站风险检测方法,其特征在于,根据网站语料建立文本语料库的步骤前,还包括:
9.根据权利要求1所
10.一种非同质化通证网站风险检测系统,其特征在于,所述系统包括存储模块和处理器,其中,所述存储模块存储有加权模型,所述处理器被配置为:
...【技术特征摘要】
1.一种非同质化通证网站风险检测方法,其特征在于,包括:
2.根据权利要求1所述的非同质化通证网站风险检测方法,其特征在于,将所述第一权重、所述第二权重和所述第三权重输入至图模型的步骤前,还包括:
3.根据权利要求2所述的非同质化通证网站风险检测方法,其特征在于,所述根据至少两种特征向量构建图模型的步骤,包括:
4.根据权利要求3所述的非同质化通证网站风险检测方法,其特征在于,对所述特征向量执行社群划分的步骤,包括:
5.根据权利要求2所述的非同质化通证网站风险检测方法,其特征在于,通过所述图模型对所述网站社群执行风险评分的步骤,包括:
6.根据权利要求...
【专利技术属性】
技术研发人员:郭海凤,徐小磊,林绅文,王云龙,罗健夫,张羽兮,
申请(专利权)人:哈尔滨工业大学,
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。