【技术实现步骤摘要】
本专利技术涉及钓鱼节点检测，特别是涉及一种基于图对比学习的以太坊网络钓鱼节点检测方法及系统。
技术介绍
1、以太坊是支持智能合约的第二大区块链交易平台，其核心在于去中心化的区块链计算网络。随着以太坊的普及，以太坊的安全问题也日益严峻，其中，网络钓鱼节点诈骗占比最高，造成了巨大的经济损失。事实上，网络钓鱼节点诈骗已成为以太坊交易安全的主要威胁，据以太坊区块链浏览器的数据显示，以太坊的地址(即节点)总数已超过5亿个，而带有网络钓鱼标签的地址仅有5701个，这种严重的数据不平衡问题给网络钓鱼节点检测带来了巨大挑战。
2、目前的检测方法主要集中在对原始数据进行处理，比如对原始数据进行过采样或欠采样，然而这种方式会破坏原始数据的分布，导致可能会引入冗余信息或者丢失重要信息。
3、基于此，亟需一种不改变原始数据分布的新型的检测技术。
技术实现思路
1、本专利技术的目的是提供一种基于图对比学习的以太坊网络钓鱼节点检测方法及系统，有效的解决了由于数据不平衡导致的少量钓鱼节点特征学习不足的问题，从而在不破坏原始数据分布的情况下完成钓鱼节点检测，提高对以太坊网络钓鱼节点的检测性能。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于图对比学习的以太坊网络钓鱼节点检测方法，包括：
4、分别对目标交易图中的每个节点进行统计，得到每一所述节点的统计特征；所述目标交易图为有向图，所述目标交易图的一个节点为以太坊的一个地址，所述目标交易图的一
5、以所述目标交易图和每一所述节点的统计特征作为输入，利用结构特征提取模型进行特征提取，得到每一所述节点的结构特征；
6、对于每一所述节点，按照时间先后顺序对所述节点的交易量进行排序，得到所述节点的交易序列；以所述节点的交易序列作为输入，利用交易特征提取模型进行特征提取，得到所述节点的交易特征；
7、对于每一所述节点，对所述节点的统计特征、所述节点的结构特征和所述节点的交易特征进行拼接，得到所述节点的拼接特征；以每一所述节点的拼接特征作为输入，利用训练好的分类器进行分类，得到每一所述节点的类型；所述类型包括正常节点和钓鱼节点。
8、在一些实施例中，在分别对目标交易图中的每个节点进行统计之前，还包括：
9、获取以太坊在设定时间段内的所有交易记录；所述交易记录包括以太坊的两个地址之间的交易量；
10、依据所有所述交易记录进行建图，得到总交易图；
11、采用随机游走算法对所述总交易图进行采样，得到目标交易图。
12、在一些实施例中，所述统计特征包括所述节点的入度、出度、总度、转入交易量、转出交易量、总交易量、相邻节点总数和交易频率。
13、在一些实施例中，所述结构特征提取模型为图对比学习模型；所述图对比学习模型包括依次连接的数据增强模块、图卷积网络编码器和投影头；所述数据增强模块包括特征丢弃单元和边缘扰动单元。
14、在一些实施例中，以所述目标交易图和每一所述节点的统计特征作为输入，利用结构特征提取模型进行特征提取，得到每一所述节点的结构特征，具体包括：
15、步骤1：获取所述目标交易图的邻接矩阵，所述邻接矩阵和每一所述节点的统计特征组成原始输入图；
16、步骤2：以所述原始输入图作为输入，利用特征丢弃单元和边缘扰动单元进行数据增强，得到增强后输入图；
17、步骤3：分别以所述原始输入图和所述增强后输入图作为输入，利用图卷积网络编码器进行特征提取，得到所述原始输入图对应的原始特征和所述增强后输入图对应的增强特征；分别以所述原始特征和所述增强特征作为输入，利用投影头进行非线性变换，得到所述原始特征对应的原始变换特征和所述增强特征对应的增强变换特征；
18、步骤4：以所述原始变换特征和所述增强变换特征作为输入，利用损失函数计算得到损失值；
19、步骤5：判断是否达到迭代终止条件；若是，则重复步骤2，以所述增强后输入图作为输入，利用图卷积网络编码器进行特征提取，得到所述增强后输入图对应的增强特征，基于所述增强特征确定每一所述节点的结构特征；若否，则基于所述损失值调整特征丢弃单元和边缘扰动单元，并以调整后的特征丢弃单元和调整后的边缘扰动单元作为下一迭代的特征丢弃单元和边缘扰动单元，返回步骤2。
20、在一些实施例中，所述特征丢弃单元按照第一规则进行数据增强；所述第一规则包括统计特征中每一特征的丢弃概率；所述边缘扰动单元按照第二规则进行数据增强；所述第二规则包括邻接矩阵的边集合中每一条有向边的删除概率。
21、在一些实施例中，所述图卷积网络编码器包括若干个依次连接的传播转换层；所述传播转换层包括传播层和转换层。
22、在一些实施例中，所述损失函数包括：
23、
24、其中，τ为损失值；n为节点的总个数；gi为原始变换特征中第i个节点的特征；g′i为增强变换特征中第i个节点的特征；gj为增强变换特征中第j个节点的特征。
25、在一些实施例中，所述交易特征提取模型为时间序列模型；所述训练好的分类器为lightgbm分类器。
26、一种基于图对比学习的以太坊网络钓鱼节点检测系统，包括：
27、统计特征获取模块，用于分别对目标交易图中的每个节点进行统计，得到每一所述节点的统计特征；所述目标交易图为有向图，所述目标交易图的一个节点为以太坊的一个地址，所述目标交易图的一条有向边为以太坊的两个地址之间的一条交易记录；
28、结构特征获取模块，用于以所述目标交易图和每一所述节点的统计特征作为输入，利用结构特征提取模型进行特征提取，得到每一所述节点的结构特征；
29、交易特征获取模块，用于对于每一所述节点，按照时间先后顺序对所述节点的交易量进行排序，得到所述节点的交易序列；以所述节点的交易序列作为输入，利用交易特征提取模型进行特征提取，得到所述节点的交易特征；
30、节点分类模块，用于对于每一所述节点，对所述节点的统计特征、所述节点的结构特征和所述节点的交易特征进行拼接，得到所述节点的拼接特征；以每一所述节点的拼接特征作为输入，利用训练好的分类器进行分类，得到每一所述节点的类型；所述类型包括正常节点和钓鱼节点。
31、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
32、本专利技术用于提供一种基于图对比学习的以太坊网络钓鱼节点检测方法及系统，先分别对目标交易图中的每个节点进行统计，得到每一节点的统计特征，再以目标交易图和每一节点的统计特征作为输入，利用结构特征提取模型进行特征提取，得到每一节点的结构特征，然后按照时间先后顺序对节点的交易量进行排序，得到节点的交易序列，以节点的交易序列作为输入，利用交易特征提取模型进行特征提取，得到每一节点的交易特征，最后对节点的统计特征、结构特征和交易特征进行拼接本文档来自技高网...
【技术保护点】
1.一种基于图对比学习的以太坊网络钓鱼节点检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于图对比学习的以太坊网络钓鱼节点检测方法，其特征在于，在分别对目标交易图中的每个节点进行统计之前，还包括：
3.根据权利要求1所述的一种基于图对比学习的以太坊网络钓鱼节点检测方法，其特征在于，所述统计特征包括所述节点的入度、出度、总度、转入交易量、转出交易量、总交易量、相邻节点总数和交易频率。
4.根据权利要求1所述的一种基于图对比学习的以太坊网络钓鱼节点检测方法，其特征在于，所述结构特征提取模型为图对比学习模型；所述图对比学习模型包括依次连接的数据增强模块、图卷积网络编码器和投影头；所述数据增强模块包括特征丢弃单元和边缘扰动单元。
5.根据权利要求4所述的一种基于图对比学习的以太坊网络钓鱼节点检测方法，其特征在于，以所述目标交易图和每一所述节点的统计特征作为输入，利用结构特征提取模型进行特征提取，得到每一所述节点的结构特征，具体包括：
6.根据权利要求5所述的一种基于图对比学习的以太坊网络钓鱼节点检测方法，其特征在于，
7.根据权利要求4所述的一种基于图对比学习的以太坊网络钓鱼节点检测方法，其特征在于，所述图卷积网络编码器包括若干个依次连接的传播转换层；所述传播转换层包括传播层和转换层。
8.根据权利要求5所述的一种基于图对比学习的以太坊网络钓鱼节点检测方法，其特征在于，所述损失函数包括：
9.根据权利要求1所述的一种基于图对比学习的以太坊网络钓鱼节点检测方法，其特征在于，所述交易特征提取模型为时间序列模型；所述训练好的分类器为LightGBM分类器。
10.一种基于图对比学习的以太坊网络钓鱼节点检测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于图对比学习的以太坊网络钓鱼节点检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于图对比学习的以太坊网络钓鱼节点检测方法，其特征在于，在分别对目标交易图中的每个节点进行统计之前，还包括：
3.根据权利要求1所述的一种基于图对比学习的以太坊网络钓鱼节点检测方法，其特征在于，所述统计特征包括所述节点的入度、出度、总度、转入交易量、转出交易量、总交易量、相邻节点总数和交易频率。
4.根据权利要求1所述的一种基于图对比学习的以太坊网络钓鱼节点检测方法，其特征在于，所述结构特征提取模型为图对比学习模型；所述图对比学习模型包括依次连接的数据增强模块、图卷积网络编码器和投影头；所述数据增强模块包括特征丢弃单元和边缘扰动单元。
5.根据权利要求4所述的一种基于图对比学习的以太坊网络钓鱼节点检测方法，其特征在于，以所述目标交易图和每一所述节点的统计特征作为输入，利用结构特征提取模型进行特征提取，得到每一所述节点...
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。