CN110135846A - 一种区块链节点的行为序列自动分类方法 - Google Patents
一种区块链节点的行为序列自动分类方法 Download PDFInfo
- Publication number
- CN110135846A CN110135846A CN201910412249.6A CN201910412249A CN110135846A CN 110135846 A CN110135846 A CN 110135846A CN 201910412249 A CN201910412249 A CN 201910412249A CN 110135846 A CN110135846 A CN 110135846A
- Authority
- CN
- China
- Prior art keywords
- behavior sequence
- block chain
- nodes
- behavior
- chain node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/389—Keeping log of transactions for guaranteeing non-repudiation of a transaction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种区块链节点的行为序列自动分类方法,其采用基于堆栈LSTM和Attention机制的神经网络模型,输入区块链节点的行为时间序列,如在不同时间段内交易金额、交易次数、广播次数等构成的多模时间序列,输出为目标区块链节点的行为抖动性或安全性判别结果。该节点行为序列分类的有益效果为:首先,通过节点行为序列分类可以对区块链网络提供更深入的分析和理解;其次,可以选择有代表性的行为序列作为行为模板,然后利用行为模板来识别非常规的行为序列,即不符合其相应模板的行为类别。
Description
技术领域
本发明属于区块链技术领域,具体涉及一种区块链节点的行为序列自动分类方法。
背景技术
区块链技术席卷全球,其最大的影响体现在金融领域;区块链本质上是由所有对等点(例如参与交易的所有个人或机构)构成的安全不可篡改的共享账本网络系统;区块链账本是一个仅支持追加的数据结构,它存储区块链网络中曾经发生的所有交易,区块链网络中的所有对等点都共识一组有序的区块,每个区块均包含多个交易事务;因此,可以将区块链视为所有对等点共享的有序事务日志。与传统的集中式数据库相比,区块链有其独特的技术优势;首先,在区块链网络中不存在权利集中的中心化对等点(节点),所有对等方通常在查询、发送交易事务和参与交易共识方面具有同等的权利,每个对等点各自维护一个记录网络中曾经发生的每笔交易的账本,所有节点的多方备份账本保证了当部分节点出现故障或行为异常时,共享总账不受影响,极大地解决了传统中心化系统的脆弱性问题;其次,基于加密的算法保证了区块链网络中的所有区块不能被修改,使得区块链交易账本不可被人为篡改。鉴于这些优势,区块链有潜力建立新的金融服务基础设施,重塑加密货币、清算、交易等众多领域。
比特币的成功展示了区块链技术如何能够创造一种加密货币;最近,区块链应用已经走得更远,例如区块链技术已经在股票交易、金融合同防伪存证、清算和医学数据共享等领域得到了广泛的应用;然而,区块链也面临着自身的问题和挑战。通常区块链中有大量对等点,特别是对于公链;在公链中,世界上任何实体都可以加入并成为对等点,一些不法节点可能会试图在网络中采用非法行为进行牟利,而大多数节点的行为是合法的,人工审查所有的节点行为的方法因需消耗大量的时间和金钱成本而变得不太可行;
采用传统的分类方法,如k近邻法、决策树法、支持向量机法和神经网络法,在区块链环境下的分类效果并不理想。
基于k近邻的方法计算实例与所有标记实例之间的距离,如果一个实例x的k个最近的邻居大部分被标记为来自类i,那么这个实例x被预测为来自类i;基于k近邻的方法简单易行,但问题在于很难预先选取一个最优的k值,且该方法因其线性分类能力导致分类精准度低。
基于决策树的方法采用了一种分割技术,递归地将一组实例划分到不同的子集,实例从根节点开始划分,每个实例根据其特征值进入一个子节点,这个划分过程重复进行,直到实例到达根节点为止;基于决策树的方法实质为预先编码一系列规则,分类面粗糙,分类效果较差。
支持向量机的工作原理是寻找最优分类超平面,以最大限度地扩大类别之间的差距;换言之,支持向量机试图在分类的超平面和它两边的实例之间创建尽可能大的距离,该算法使用二次规划来求解支持向量,求解二次规划将涉及n阶矩阵的计算(n为样本的个数),因而对大规模训练样本难以实施;同时,支持向量机更多针对二分类问题,因而解决多分类问题存在困难。
基于神经网络的方法通常利用多层深层网络结构进行分类,神经网络通常采用反向传播算法进行训练,利用神经网络的优点是可以提供非线性的分类边界;然而,目前专门针对区块链节点时间序列数据进行分类的神经网络仍无相关研究。
发明内容
鉴于上述,本发明提供了一种区块链节点的行为序列自动分类方法,是一种基于堆栈LSTM、可端到端训练的区块链节点行为序列分类方法,自动将所有区块链节点的行为序列特征进行分类,分类结果有利于恶性节点的识别。
一种区块链节点的行为序列自动分类方法,包括如下步骤
(1)选取需分析的区块链节点的行为特征,构建该行为特征的时间序列并为节点行为序列贴上相应的类别标签,即根据时间序列信息人工对节点行为序列进行贴标分类(例如该行为序列属于A正常行为、B类攻击行为、C类异常行为等);
(2)创建基于堆栈LSTM(Long Short-Term Memory,长短期记忆网络)可端到端训练的网络模型,实现非线性的节点分类边界;
(3)将贴有标签的节点行为序列作为输入对上述网络模型进行训练;
(4)待网络模型训练完成后,将待判别的节点行为序列输入至模型中,从而输出得到该节点行为序列对应的类别。
进一步地,所述步骤(1)的具体实现过程如下:
1.1选取区块链节点的行为特征(如交易金额、交易次数(频率)或广播次数等),根据所选的行为特征给定节点的行为序列;
1.2在同一时间段内,根据节点特性将所有区块链节点分成若干个不同的类别,节点由其行为序列表示,构建区块链节点关于行为特征的时间序列(例如按周或月统计形成统计曲线);
1.3人工对构建好的时间序列进行分析,根据时间序列信息为节点的行为序列贴上类别标签;例如目标为判别行为序列的抖动性,则将所有区块链节点的行为序列分类到若干个不同的抖动等级,为每个行为序列贴上相应的等级标签。用以为步骤(3)提供训练数据的来源。
所述行为序列为同一时间段内节点活动的时间序列数据组成的一个有序向量。
进一步地,所述步骤(2)中的网络模型由非线性编码器、递归层和译码器三部分组成,所述非线性编码器包括全连接层和ReLU激活函数,用于执行非线性特征变换;所述递归层由多个连续的LSTM层堆栈叠加而成,用于实现上下文时间建模;所述解码器包括Attention模式和线性解码器,线性解码器由两个全连接层和柔性最大值传输函数Softmax层组成,用于实现对行为序列的分类结果译码输出。
进一步地,所述步骤(3)的具体实现过程如下:
3.1将贴有标签的节点行为序列输入网络模型中;
3.2利用非线性编码器,其由两个全连接层组成,每个全连接层后使用ReLU激活函数,实现对行为序列的非线性特征变换;
3.3使变换后的行为序列进入递归层,利用多个连续的LSTM层的堆栈叠加对非线性特征变换后的行为序列进行上下文建模;
3.4利用译码器中Attention模式和线性解码器对建模后的上下文进行分类,从而与类别标签进行比较,根据比较得到的误差通过随机梯度下降法及反向传播算法对模型参数进行迭代更新,从而得到最优的模型参数。
进一步地,所述Attention模式与LSTM最近状态结合,自动调整LSTM各最近状态的权重,线性解码器采用两个全连接层,利用柔性最大值传输函数Softmax层获取不同类标签的概率,在得到Softmax层的概率后,使用标准交叉熵作为损失函数,用以指导模型参数的迭代更新,模型输出的类标签概率向量即包含了输入量属于各个类的概率;比如一共三个类,属于第一类的概率是0.7,属于第二类的是0.1,属于第三个类的概率是0.2。
进一步地,所述步骤(4)的具体实现方式为:向训练完成的网络模型中输入待判别的节点行为序列,调用最优模型参数,计算分析节点行为序列的各类别概率,选出其中最高概率并输出对应的类别,以实现区块链节点行为序列自动分类。
本发明区块链节点行为序列自动分类方法采用基于堆栈LSTM和Attention机制的神经网络模型,输入区块链节点的行为时间序列,如在不同时间段内交易金额、交易次数、广播次数等构成的多模时间序列,输出为目标区块链节点的行为抖动性或安全性判别结果。该节点行为序列分类的有益效果为:首先,通过节点行为序列分类可以对区块链网络提供更深入的分析和理解;其次,可以选择有代表性的行为序列作为行为模板,然后利用行为模板来识别非常规的行为序列,即不符合其相应模板的行为类别。
附图说明
图1为本发明节点行为序列分类器神经网络的体系结构示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本发明区块链节点行为序列自动分类方法,包括如下步骤:
(1)选取需分析的区块链节点的行为特征,例如交易金额、交易次数、广播次数等,构建区块链节点在该行为特征的时间序列(例如按周或月统计形成统计曲线);进而,人工对提取好的时间序列进行分析,并贴标。
例如目标为判别行为序列的抖动性,则将所有区块链节点行为序列分类到若干个不同的抖动等级,为每个行为序列贴上相应时间序列标签,具体如下:
为区块链网络的节点提取给定行为序列s=<s1;s2;…;sn>,以及节点类别c预定义类标签{yi}c i=1,目的是正确预测行为序列s的类标签。每个节点由一个行为序列表示,该行为序列是一个有序向量;行为序列由从节点最近几个月的活动中提取的时间序列数据组成。由于在许多应用程序中,事务量通常是节点最重要的特性,因此提取事务量来代表节点。
对于类标签,根据最近三个月的交易金额的抖动级别来设置m类。本实施例中将节点分为3类(m=3),其中第一类对应于所有具有稳定事务历史的节点,第二类由具有中等抖动事务历史的节点组成,第三类是具有高抖动事务历史的节点。虽然在本实例中所有的节点都被划分为3个类,但在实际操作中,事务曲线可以划分为3个以上的抖动级别,相应的节点可以划分为3个以上的类别(m>3)。
(2)创建如图1所示的基于堆栈LSTM可端到端训练的网络模型,利用神经网络的动机来自于观察到神经网络可以实现非线性的分类边界。其中S-LSTM代表k个堆叠的LSTM层,随着层数的增高,提取到与判别分类标签更相关的高阶语义,k参考取值区间为2~5。FC代表全连接层,各全连接层中括号内数字表示该层所用的神经元个数;激活函数使用ReLU,该网络由三部分组成:非线性编码器、递归层和译码器。对于递归层,使用两个叠加的LSTM层,即图中S-LSTM,注意图式不是仅使用S-LSTM的最新状态,而是将S-LSTM的最新状态进行融合。
形式上,给定一个d维序列sj=<x1;x2;…;xn>,其中xi属于Rd是在第i时刻从节点活动中提取的特征的串联,其目的是训练一个能够准确预测sj类标签的模型。如图1所示,本实施方式采用端到端可训练神经网络进行预测,其中:
非线性编码器,输入的sj首先被送入两个完全连通的层和ReLU层,这两个层实际上执行非线性特征变换;对于完全连通(FC)层,神经元数设置为600,这是一个经验选择,FC层进行如下变换:
α(Wh·x+bh)
式中:Wh为隐含层的参数矩阵,bh为偏置,x为输入,α为激活函数。激活函数的选择影响模型的收敛性和速度,传统函数如sigmoid和tanh存在梯度消失问题,因此本实施例采用ReLU作为激活函数,可以缓解梯度消失。
对于递归层,利用两个LSTM层的分层叠加来更好地建模时间动态信息,LSTM层的叠加增加了抽象层次,但也增加了计算成本,两层的选择实际上是性能和计算成本之间的权衡。
解码器利用连续的LSTM层对序列进行上下文建模后,采用Attention模式和线性解码器进行分类。通常,只有LSTM的最近状态才用于输出,本实施方式将最近状态的状态与Attention层结合在一起,Attention层自动调整状态的权重,提取更丰富的上下文进行分类。线性解码器采用两个完全连通的层,柔性最大值传输函数(Softmax)层用于获取不同类标签的概率,Softmax层计算概率如下:
式中:p(y=yj|x)是给定输入x的类标签yj的概率,j是类标签yj的权向量;为了标准化,我们把放在分母上。
在得到softmax层的概率后,使用标准交叉熵作为损失函数,得到最优模型参数。
(3)使用步骤(1)中收集的训练数据训练神经网络。初始化网络参数后,采用随机梯度下降和反向传播算法得到最终的模型参数,梯度更新方法有很多,本实施例中使用Adadelta作为梯度更新方法,可避免不适当的学习速率,具体过程如下:
3.1输入步骤(1)中已贴标的时间序列数据;
3.2利用非线性编码器,由两个全连接层将输入数据进行非线性特征变换,并利用激活函数ReLU激活,实现非线性特征变换;
3.3进入递归层,利用多个连续的LSTM层的分层叠加对非线性转换后的序列进行序列上下文时间建模;
3.4利用译码器中Attention模式和线性解码器对建模后的序列上下文进行分类;Attention模式与LSTM最近状态结合,自动调整LSTM各最近状态的权重;线性解码器采用两个全连接层,利用柔性最大值传输函数Softmax获取不同类标签的概率,在得到Softmax层的概率后,使用标准交叉熵作为损失函数,得到最优模型参数。
(4)待神经网络训练完成后,向训练完成的神经网络中输入需判别的行为序列,调用最优模型参数,计算分析需判别的行为序列的类别概率,选出最高概率,并输出对应的类别。
比如,通过提取了一个联盟区块链网络中1763个节点的特征向量,根据最近三个月交易金额的抖动程度,将其人工分类为多个类别;然后利用1763个标记的节点及其行为特征对神经网络进行训练;在训练过程中,得到一个具有训练参数的神经网络模型,该模型可以预测未标记节点的类标签。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (8)
1.一种区块链节点的行为序列自动分类方法,包括如下步骤
(1)选取需分析的区块链节点的行为特征,构建该行为特征的时间序列并为节点行为序列贴上相应的类别标签,即根据时间序列信息人工对节点行为序列进行贴标分类;
(2)创建基于堆栈LSTM可端到端训练的网络模型,实现非线性的节点分类边界;
(3)将贴有标签的节点行为序列作为输入对上述网络模型进行训练;
(4)待网络模型训练完成后,将待判别的节点行为序列输入至模型中,从而输出得到该节点行为序列对应的类别。
2.根据权利要求1所述区块链节点的行为序列自动分类方法,其特征在于:所述步骤(1)的具体实现过程如下:
1.1选取区块链节点的行为特征,根据所选的行为特征给定节点的行为序列;
1.2在同一时间段内,根据节点特性将所有区块链节点分成若干个不同的类别,节点由其行为序列表示,构建区块链节点关于行为特征的时间序列;
1.3人工对构建好的时间序列进行分析,根据时间序列信息为节点的行为序列贴上类别标签。
3.根据权利要求1所述区块链节点的行为序列自动分类方法,其特征在于:所述行为序列为同一时间段内节点活动的时间序列数据组成的一个有序向量。
4.根据权利要求1所述区块链节点的行为序列自动分类方法,其特征在于:所述步骤(2)中的网络模型由非线性编码器、递归层和译码器三部分组成,所述非线性编码器包括全连接层和ReLU激活函数,用于执行非线性特征变换;所述递归层由多个连续的LSTM层堆栈叠加而成,用于实现上下文时间建模;所述解码器包括Attention模式和线性解码器,线性解码器由两个全连接层和柔性最大值传输函数Softmax层组成,用于实现对行为序列的分类结果译码输出。
5.根据权利要求1所述区块链节点的行为序列自动分类方法,其特征在于:所述步骤(3)的具体实现过程如下:
3.1将贴有标签的节点行为序列输入网络模型中;
3.2利用非线性编码器,其由两个全连接层组成,每个全连接层后使用ReLU激活函数,实现对行为序列的非线性特征变换;
3.3使变换后的行为序列进入递归层,利用多个连续的LSTM层的堆栈叠加对非线性特征变换后的行为序列进行上下文建模;
3.4利用译码器中Attention模式和线性解码器对建模后的上下文进行分类,从而与类别标签进行比较,根据比较得到的误差通过随机梯度下降法及反向传播算法对模型参数进行迭代更新,从而得到最优的模型参数。
6.根据权利要求5所述区块链节点的行为序列自动分类方法,其特征在于:所述Attention模式与LSTM最近状态结合,自动调整LSTM各最近状态的权重,线性解码器采用两个全连接层,利用柔性最大值传输函数Softmax层获取不同类标签的概率,在得到Softmax层的概率后,使用标准交叉熵作为损失函数,用以指导模型参数的迭代更新,模型输出的类标签概率向量即包含了输入量属于各个类的概率。
7.根据权利要求1所述区块链节点的行为序列自动分类方法,其特征在于:所述步骤(4)的具体实现方式为:向训练完成的网络模型中输入待判别的节点行为序列,调用最优模型参数,计算分析节点行为序列的各类别概率,选出其中最高概率并输出对应的类别,以实现区块链节点行为序列自动分类。
8.根据权利要求1所述区块链节点的行为序列自动分类方法,其特征在于:该方法采用基于堆栈LSTM和Attention机制的神经网络模型,自动将所有区块链节点的行为序列特征进行分类,分类结果有利于恶性节点的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910412249.6A CN110135846A (zh) | 2019-05-17 | 2019-05-17 | 一种区块链节点的行为序列自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910412249.6A CN110135846A (zh) | 2019-05-17 | 2019-05-17 | 一种区块链节点的行为序列自动分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135846A true CN110135846A (zh) | 2019-08-16 |
Family
ID=67574955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910412249.6A Pending CN110135846A (zh) | 2019-05-17 | 2019-05-17 | 一种区块链节点的行为序列自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135846A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819072A (zh) * | 2021-02-01 | 2021-05-18 | 西南民族大学 | 一种监督式分类方法及系统 |
CN113268776A (zh) * | 2019-12-09 | 2021-08-17 | 支付宝(杭州)信息技术有限公司 | 基于区块链的模型联合训练方法及装置 |
CN113868216A (zh) * | 2021-12-03 | 2021-12-31 | 中国信息通信研究院 | 区块链监测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330032A (zh) * | 2017-06-26 | 2017-11-07 | 北京理工大学 | 一种基于递归神经网络的隐式篇章关系分析方法 |
-
2019
- 2019-05-17 CN CN201910412249.6A patent/CN110135846A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330032A (zh) * | 2017-06-26 | 2017-11-07 | 北京理工大学 | 一种基于递归神经网络的隐式篇章关系分析方法 |
Non-Patent Citations (2)
Title |
---|
HUAYUN TANG: "Learning to Classify Blockchain Peers According to Their Behavior Sequences", 《IEEE ACCESS》 * |
RUI-YANGCHEN: "A traceability chain algorithm for artificial neural networks using T–S fuzzy cognitive maps in blockchain", 《FUTURE GENERATION COMPUTER SYSTEMS》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268776A (zh) * | 2019-12-09 | 2021-08-17 | 支付宝(杭州)信息技术有限公司 | 基于区块链的模型联合训练方法及装置 |
CN113268776B (zh) * | 2019-12-09 | 2023-03-07 | 支付宝(杭州)信息技术有限公司 | 基于区块链的模型联合训练方法及装置 |
CN112819072A (zh) * | 2021-02-01 | 2021-05-18 | 西南民族大学 | 一种监督式分类方法及系统 |
CN112819072B (zh) * | 2021-02-01 | 2023-07-18 | 西南民族大学 | 一种监督式分类方法及系统 |
CN113868216A (zh) * | 2021-12-03 | 2021-12-31 | 中国信息通信研究院 | 区块链监测方法及装置 |
CN113868216B (zh) * | 2021-12-03 | 2022-02-22 | 中国信息通信研究院 | 区块链监测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Heterogeneous network representation learning approach for ethereum identity identification | |
CN108596757A (zh) | 一种智能组合的个人信用评估方法及系统 | |
CN111754345B (zh) | 一种基于改进随机森林的比特币地址分类方法 | |
CN105931116A (zh) | 基于深度学习机制的自动化信用评分系统及方法 | |
CN110135846A (zh) | 一种区块链节点的行为序列自动分类方法 | |
CN107423279A (zh) | 一种金融信贷短信的信息抽取和分析方法 | |
CN109767312A (zh) | 一种信用评估模型训练、评估方法与装置 | |
CN109034194A (zh) | 基于特征分化的交易欺诈行为深度检测方法 | |
CN106682986A (zh) | 一种基于大数据的复杂金融交易网络活动图的构造方法 | |
CN108492001A (zh) | 一种用于担保贷款网络风险管理的方法 | |
CN107609084A (zh) | 一种基于群智汇聚收敛的资源关联方法 | |
CN109934615A (zh) | 基于深度稀疏网络的产品营销方法 | |
CN107944460A (zh) | 一种应用于生物信息学中类别不平衡分类方法 | |
CN107481135A (zh) | 一种基于bp神经网络的个人信用评价方法及系统 | |
CN104850868A (zh) | 一种基于k-means和神经网络聚类的客户细分方法 | |
Bhatnagar et al. | Analytical customer relationship management in insurance industry using data mining: A case study of Indian insurance company | |
CN109948645A (zh) | 一种基于深度对抗迁移学习的企业偷漏税识别方法 | |
CN111104975A (zh) | 一种基于广度学习的信用评估模型 | |
CN116541755A (zh) | 一种基于时序图表征学习的金融行为模式分析预测方法 | |
CN116680633A (zh) | 基于多任务学习的异常用户检测方法、系统及存储介质 | |
Sun | Application of GA‐BP Neural Network in Online Education Quality Evaluation in Colleges and Universities | |
Windsor | The intellectual ideas inside central banks: what's changed (or not) since the crisis? | |
Chen | Hotel management evaluation index system based on data mining and deep neural network | |
CN114862588A (zh) | 一种面向区块链交易行为的异常检测方法 | |
Kadam et al. | Data mining in finance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |
|
RJ01 | Rejection of invention patent application after publication |