CN111275416B - 数字货币异常交易检测方法、装置、电子设备及介质 - Google Patents
数字货币异常交易检测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111275416B CN111275416B CN202010042834.4A CN202010042834A CN111275416B CN 111275416 B CN111275416 B CN 111275416B CN 202010042834 A CN202010042834 A CN 202010042834A CN 111275416 B CN111275416 B CN 111275416B
- Authority
- CN
- China
- Prior art keywords
- exchange rate
- transaction
- value
- abnormal
- target
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 103
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000000903 blocking effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241001494479 Pecora Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004900 laundering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q20/04—Payment circuits
- G06Q20/06—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme
- G06Q20/065—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme using e-cash
-
- 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
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
Abstract
本发明提供一种数字货币异常交易检测方法、装置、电子设备及介质。所述方法包括:获取预设交易周期内数字货币的实际交易数据;所述实际交易数据包括汇率序列,所述汇率序列包括所述预设交易周期内按时间顺序排列的汇率值;确定所述预设交易周期内所述数字货币的汇率基准值;根据所述汇率基准值和所述汇率序列的标准差,对所述汇率序列中的异常汇率值进行检测。本发明实施例能够提高数字货币异常交易检测的准确性,保证交易市场公平、合法的运行,为数字货币监管部门提供一种检测日常交易中存在异常交易的方法,为区块链运营监管提供新的思路。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数字货币异常交易检测方法、装置、设备及介质。
背景技术
当前数字货币市场占有量最大的数字货币由于其所依赖的底层技术区块链技术的分布式特性,导致数字货币的交易过程是匿名性的,即交易的接收者和发送者只需要将用户ID作为交易地址公布出来并记录在区块链上,而不需要将实名的IP公布出来。因此,数字货币的匿名性和无监管的特点为许多不法分子的犯罪活动提供了便利条件,诈骗、病毒勒索等多种恶意犯罪活动的指定赎买货币大多是此种数字货币,这正是世界上众多法治国家和地区所深恶痛疾的。与此同时,这个不受监管的数字货币交易市场将会给投资者带来巨大的风险和损失。例如,交易所借助交易机器人进行价格操控,用异常高或者异常低的交易价格来控制数字货币汇率的走向,以此来牟取高额的利益。因此,对数字货币的交易过程进行监管是必不可少的。交易监管的目的是冲淡风险、维护交易合法进行,其过程应是在合适的透明度下对交易的过程进行检测与控制,打击欺诈、洗钱、隐匿操控等非法牟利行为,最终形成一个安全、合法、公平的数字货币交易系统。
在此背景下要进行的是事后监管,首先对现有交易环境中存在的异常账户进行分类识别,将异常用户检测出来,之后对其交易行为及交易模式进行分析重构,最后对其进行交易控制达到亡羊补牢的效果。其中,异常账户检测方法为搜索已知正常模式的训练资料并计算距离区分出异常模式(监督学习方法),如K近邻、决策树、线性回归、支持向量机(SVM)等监督学习方法。但是,此类方法存在两个基本问题:首先,在使用一个已经标记的数据集对模型进行训练后得到训练资料,之后将这些训练资料推广到整个域,然而该训练资料对整个数据域并不适用,这会产生错误;其次,对于许多数据域,尤其是在现实交易中,由于基于时间序列的交易数据不遵循线性随机过程,且异常值种类繁多,因此从少量异常数据中训练出有效的、可以区分正常和异常数据的分类器,以及标记数据集的过程是很繁琐且困难的,同时对每笔交易都进行标记这是不现实的,因此基于监督学习的异常交易检测方法的准确率较低。对于数字货币的交易数据,本发明采用无监督学习的异常识别分类方法对其进行检测。
发明内容
有鉴于此,本发明的目的在于提出一种数字货币异常交易检测方法、装置、设备及介质,以解决异常交易检测准确率较低的问题。
基于上述目的,本发明提供了一种数字货币异常交易检测方法,包括:
获取预设交易周期内数字货币的实际交易数据;所述实际交易数据包括汇率序列,所述汇率序列包括所述预设交易周期内按时间顺序排列的汇率值;
确定所述预设交易周期内所述数字货币的汇率基准值;
根据所述汇率基准值和所述汇率序列的标准差,对所述汇率序列中的异常汇率值进行检测。
在本发明一些实施例中,所述获取预设交易周期内数字货币的实际交易数据,具体包括:
获取预设交易周期内数字货币的原始交易数据;
对所述原始交易数据中的重复交易数据和交易类型为单向交易的交易数据进行过滤;
对过滤后的交易数据进行真实性验证;
获取验证通过的交易数据,作为所述实际交易数据。
在本发明一些实施例中,所述实际交易数据还包括多个交易所在所述预设交易周期内的收盘汇率和交易总量;
所述确定所述预设交易周期内所述数字货币的汇率基准值,具体包括:
以每个交易所的交易总量作为相应的权重,对所述多个交易所的收盘汇率进行加权平均,得到所述预设交易周期内所述数字货币的汇率基准值。
在本发明一些实施例中,所述根据所述汇率基准值和所述汇率序列的标准差,对所述汇率序列中的异常汇率值进行检测,具体包括:
分别将所述汇率序列中的每个汇率值作为目标汇率值,计算所述目标汇率值与所述汇率基准值之间的相关性;
根据所述目标汇率值和所述相关性,计算汇率预测差值;
根据所述汇率预测差值和所述汇率序列的标准差,检测所述目标汇率值是否异常。
在本发明一些实施例中,所述根据所述目标汇率值和所述相关性,计算汇率预测差值,具体包括:
根据所述相关性和所述目标汇率值的前一个汇率值,计算所述目标汇率值对应的汇率预测值;
计算所述目标汇率值及其对应的汇率预测值之间的欧氏距离,得到汇率预测差值。
在本发明一些实施例中,所述根据所述汇率预测差值和所述汇率序列的标准差,检测所述目标汇率值是否异常,具体包括:
将所述汇率预测差值与所述汇率序列的标准差进行比较;
若所述汇率预测差值大于所述汇率序列的标准差,则确定所述目标汇率值异常;
将所述目标汇率值与所述汇率基准值进行比较;
若所述目标汇率值大于所述汇率基准值,则确定所述目标汇率值对应的交易为异常高交易;
若所述目标汇率值小于所述汇率基准值,则确定所述目标汇率值对应的交易为异常低交易。
在本发明一些实施例中,所述实际交易数据还包括与每个汇率值相对应的用户识别码和交易识别码;
所述方法还包括:
根据异常汇率值对应的用户识别码和交易识别码之间的相关性,确定异常用户;
根据所述异常用户对应的交易数据,分析所述异常用户的异常交易模式;
对所述异常用户的交易权限进行封锁。
本发明还提供了一种数字货币异常交易检测装置,包括:
获取模块,用于获取预设交易周期内数字货币的实际交易数据;所述实际交易数据包括汇率序列,所述汇率序列包括所述预设交易周期内按时间顺序排列的汇率值;
确定模块,用于确定所述预设交易周期内所述数字货币的汇率基准值;以及,
检测模块,用于根据所述汇率基准值和所述汇率序列的标准差,对所述汇率序列中的异常汇率值进行检测。
本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述数字货币异常交易检测方法。
本发明还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行上述数字货币异常交易检测方法。
从上面所述可以看出,本发明提供的数字货币异常交易检测方法、装置、设备及介质,能够获取预设交易周期内数字货币的实际交易数据,该实际交易数据包括汇率序列,所述汇率序列包括所述预设交易周期内按时间顺序排列的汇率值,进而确定预设交易周期内所述数字货币的汇率基准值,以根据汇率基准值和所述汇率序列的标准差,对汇率序列中的异常汇率值进行检测,提高异常交易检测的准确性,保证交易市场公平、合法的运行,为数字货币监管部门提供一种检测日常交易中存在异常交易的方法,为区块链运营监管提供新的思路。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的数字货币异常交易检测方法的流程示意图;
图2为本发明实施例提供的数字货币异常交易检测装置的结构示意图;
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
参见图1,为本发明实施例提供的数字货币异常交易检测方法的流程示意图。所述数字货币异常交易检测方法包括:
101、获取预设交易周期内数字货币的实际交易数据;所述实际交易数据包括汇率序列,所述汇率序列包括所述预设交易周期内按时间顺序排列的汇率值。
本发明实施例中,预设交易周期可以为一天。通过多种交易平台(如交易所)可以获取预设交易周期内数字货币的原始交易数据,进而对原始交易数据进行预处理,得到实际交易数据。
具体地,步骤101中的所述获取预设交易周期内数字货币的实际交易数据,包括:
获取预设交易周期内数字货币的原始交易数据;
对所述原始交易数据中的重复交易数据和交易类型为单向交易的交易数据进行过滤;
对过滤后的交易数据进行真实性验证;
获取验证通过的交易数据,作为所述实际交易数据。
需要说明的是,原始交易数据包括预设交易周期内的所有交易数据,该交易数据具有精确到秒的细粒度,每条交易数据均包括交易识别码(交易ID)、交易时间、用户识别码(用户ID)、交易类型((买入/卖出))、汇率值和交易总量等多种数据。细粒的交易数据使异常交易检测更加可靠。
在获取原始交易数据后,对交易数据进行过滤,即根据每条交易数据的用户识别码、交易时间、交易类型和交易总量这四个关键字段的组合来判断原始交易数据中是否具有重复的交易数据,若是,则删除重复的交易数据。进而,在此基础上,查询解析用户识别码和交易类型,删除单向交易的交易数据,本实施例重点获取闭环交易的交易数据。通过上述过滤,对原始交易数据进行精简操作,以降低异常检测处理的难度。
进而,对精简后的交易数据进行两方面的真实性验证,首先与交易资讯网中公开的每日交易数据(包括开盘汇率、收盘汇率、最高和最低汇率以及数字货币交易总量)进行对比,对精简后的交易数据进行额外的正确性检查,确保数据的真实可靠。其次与数字货币论坛上用户公布的个人交易数据进行对比,进一步确认数据的真实有效。验证通过的交易数据即为实际交易数据。
为了消除每个交易周期的汇率差值,对实际交易数据进行窗口法处理,以预设交易周期(如一天)为单位构建时间序列窗口。由于实际交易数据中的每条交易数据均包括交易时间、用户识别码、交易类型、汇率值等数据,因此可以按照交易时间的先后顺序对预设交易周期内的所有交易数据进行排序。其中,可以单独提取汇率值的排序构成汇率序列,作后续处理。
为了联结前后数据,可以在相邻两个交易周期中设置层叠数据,例如,在任意两个交易周期中,将第一个交易周期对应的后两个汇率值添加至第二个交易周期的汇率序列中,将第二个交易周期对应的前两个汇率值添加至第一个交易周期的汇率序列中,以方便数据链接和绘制可视化图像。
102、确定所述预设交易周期内所述数字货币的汇率基准值。
本发明实施例中,由于实际交易数据从多个交易所获取,因此为了消除预设交易周期内存在的不同交易所的汇率差值,对不同交易所的汇率值进行处理,得到汇率基准值。
具体地,所述实际交易数据还包括多个交易所在所述预设交易周期内的收盘汇率和交易总量;
步骤102中的所述确定所述预设交易周期内所述数字货币的汇率基准值,包括:
以每个交易所的交易总量作为相应的权重,对所述多个交易所的收盘汇率进行加权平均,得到所述预设交易周期内所述数字货币的汇率基准值。
需要说明的是,先计算预设交易周期内所有交易所的整体交易量,再将每个交易所的交易总量分别除以该整体交易量,得到每个交易所的权重,进而将每个交易所的收盘汇率与相应的权重相乘后求和,得到预设交易周期对应的汇率基准值。采用汇率基准值来平衡各交易所之间的汇率差值,提高异常交易检测的科学性、合理性。
103、根据所述汇率基准值和所述汇率序列的标准差,对所述汇率序列中的异常汇率值进行检测。
本发明实施例中,汇率序列设为{Xi|i∈{1,2,...,d}},汇率基准值设为C,汇率序列的标准差设为std(Xi)。根据汇率基准值C和汇率序列的标准差std(Xi),分别检测汇率序列{Xi|i∈{1,2,...,d}}中的每个汇率值xi是否异常,若汇率值xi异常,则确定该汇率值xi对应的交易为异常交易,否则为正常交易。
具体地,步骤103中的所述根据所述汇率基准值和所述汇率序列的标准差,对所述汇率序列中的异常汇率值进行检测,包括:
分别将所述汇率序列中的每个汇率值作为目标汇率值,计算所述目标汇率值与所述汇率基准值之间的相关性;
根据所述目标汇率值和所述相关性,计算汇率预测差值;
根据所述汇率预测差值和所述汇率序列的标准差,检测所述目标汇率值是否异常。
需要说明的是,针对目标汇率值xi,采用皮尔森相关性度量的方法,计算汇率基准值C和目标汇率值xi的相关性ci,ci=ψ(φ(Xi),Ct)=cor(Xi,Ct)。其中,φ(Xi)为汇率序列的特征函数,Ct为第t个交易周期的汇率基准值,ψ()为汇率序列特征函数与周期t处质心的关系,即每个汇率序列的统计特征及其与质心的相关性的内积。
根据目标汇率值xi,计算对应的汇率预测值,进而得到汇率预测差值。具体地,所述根据所述目标汇率值和所述相关性,计算汇率预测差值,包括:
根据所述相关性和所述目标汇率值的前一个汇率值,计算所述目标汇率值对应的汇率预测值;
计算所述目标汇率值及其对应的汇率预测值之间的欧氏距离,得到汇率预测差值。
需要说明的是,对于目标汇率值xi,基于其相关性ci,计算汇率预测值xi,xi=ci*xi-1=cor(Xi,Ct)*xi-1,其中xi-1为排列在目标汇率值xi前一个的汇率值。进而计算(xi,xi)的欧式距离该欧氏距离即为汇率预测差值。
将该汇率预测差值与汇率序列的标准差进行比较,根据比较结果,即可检测目标汇率值是否异常。具体地,所述根据所述汇率预测差值和所述汇率序列的标准差,检测所述目标汇率值是否异常,包括:将所述汇率预测差值与所述汇率序列的标准差进行比较;若所述汇率预测差值大于所述汇率序列的标准差,则确定所述目标汇率值异常;若所述汇率预测差值小于或等于所述汇率序列的标准差,则确定所述目标汇率值正常。
对于检测出的异常汇率值,进一步将异常汇率值与汇率基准值进行比较。例如,目标汇率值为异常汇率值时,将所述目标汇率值与所述汇率基准值进行比较;若所述目标汇率值大于所述汇率基准值,则确定所述目标汇率值对应的交易为异常高交易;若所述目标汇率值小于所述汇率基准值,则确定所述目标汇率值对应的交易为异常低交易。
由于每条交易数据中的汇率值对应有交易识别码和用户识别码,因此根据异常汇率值对应的交易交易识别码和用户识别码,可以匹配出异常用户。
具体地,所述方法还包括:
根据异常汇率值对应的用户识别码和交易识别码之间的相关性,确定异常用户;
根据所述异常用户对应的交易数据,分析所述异常用户的异常交易模式;
对所述异常用户的交易权限进行封锁。
需要说明的是,异常汇率值对应的用户识别码和交易识别码之间的相关性,可以匹配出与异常高交易对应的异常高用户以及与异常低交易对应的异常低用户,并将异常高用户和异常低用户纳为重点监管对象。采用重构交易模式图的方法对重点监管对象进行交易模式分析,可以将数字货币交易分解为代表顶点的节点集,由代表交易的边连接,得到其存在自环、双向、三角形、星形等多种异常交易模式的情况。
另外,还可以整合使用现有数字货币去匿名化技术对其进行用户识别码和实际用户IP地址的对应匹配,通过仔细分析和检查交易来跟踪数字货币用户,以此来消除其匿名性。一种主要方法是通过分析与支付数字货币相关的特定公钥的重复使用的情况,确定与特定公钥关联的交易,可以使用软件建立基于这些交易的行为模式。软件可以映射整个网络上的用户交易,分析特定公钥的重复使用情况,并在实际交易数据中匹配查找单个网络用户的IP地址,以此来找出数字货币市场操纵的幕后黑手。
对于存在异常交易模式的异常用户,固证并控制其后续交易的发生,封锁该用户的交易权限阻止其进一步破坏交易市场。对于行为特别恶劣,造成社会影响特别严重的账户,对应解析出其实际用户IP地址,追究其法律责任,恢复并维持正常的数字货币交易市场。创建以监测情报为主导的预测性警报,并能够与来自执法部门,监测情报部门,网络安全组织和区块链科技行业的多个利益相关者之间的信息共享。多方共同监督管理数字货币交易过程,保证交易市场公平、合法的运行。
本发明提供的数字货币异常交易检测方法,能够获取预设交易周期内数字货币的实际交易数据,该实际交易数据包括汇率序列,所述汇率序列包括所述预设交易周期内按时间顺序排列的汇率值,进而确定预设交易周期内所述数字货币的汇率基准值,以根据汇率基准值和所述汇率序列的标准差,对汇率序列中的异常汇率值进行检测,提高异常交易检测的准确性,保证交易市场公平、合法的运行。
需要说明的是,本发明实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本发明实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
参见图2,为本发明实施例提供的数字货币异常交易检测装置,包括:
获取模块10,用于获取预设交易周期内数字货币的实际交易数据;所述实际交易数据包括汇率序列,所述汇率序列包括所述预设交易周期内按时间顺序排列的汇率值;
确定模块20,用于确定所述预设交易周期内所述数字货币的汇率基准值;以及,
检测模块30,用于根据所述汇率基准值和所述汇率序列的标准差,对所述汇率序列中的异常汇率值进行检测。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
图3示出了本实施例所提供的一种具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(RandomAccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
本发明实施例提供一种非暂态计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种数字货币异常交易检测方法中的步骤。
本实施例的非暂态计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本发明难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种数字货币异常交易检测方法,其特征在于,包括:
获取预设交易周期内数字货币的实际交易数据;所述实际交易数据包括汇率序列,所述汇率序列包括所述预设交易周期内按时间顺序排列的汇率值,所述获取预设交易周期内数字货币的实际交易数据,具体包括:
获取预设交易周期内数字货币的原始交易数据;
对所述原始交易数据中的重复交易数据和交易类型为单向交易的交易数据进行过滤;
对过滤后的交易数据进行真实性验证;
获取验证通过的交易数据,作为所述实际交易数据;
确定所述预设交易周期内所述数字货币的汇率基准值,所述实际交易数据还包括多个交易所在所述预设交易周期内的收盘汇率和交易总量;
所述确定所述预设交易周期内所述数字货币的汇率基准值,具体包括:
以每个交易所的交易总量作为相应的权重,对所述多个交易所的收盘汇率进行加权平均,得到所述预设交易周期内所述数字货币的汇率基准值:
所述以每个交易所的交易总量作为相应的权重,包括:
获取预设交易周期内全部交易所的整体交易总量,并利用各个交易所的交易总量分别与所述整体交易总量进行占比处理,得到与各个交易所对应的权重;
根据所述汇率基准值和所述汇率序列的标准差,对所述汇率序列中的异常汇率值进行检测;
所述根据所述汇率基准值和所述汇率序列的标准差,对所述汇率序列中的异常汇率值进行检测,具体包括:
分别将所述汇率序列中的每个汇率值作为目标汇率值,计算所述目标汇率值与所述汇率基准值之间的相关性;
根据所述目标汇率值和所述相关性,计算汇率预测差值;
根据所述汇率预测差值和所述汇率序列的标准差,检测所述目标汇率值是否异常;
所述根据所述目标汇率值和所述相关性,计算汇率预测差值,具体包括:
根据所述相关性和所述目标汇率值的前一个汇率值,计算所述目标汇率值对应的汇率预测值;
计算所述目标汇率值及其对应的汇率预测值之间的欧氏距离,得到汇率预测差值;
所述根据所述汇率预测差值和所述汇率序列的标准差,检测所述目标汇率值是否异常,具体包括:
将所述汇率预测差值与所述汇率序列的标准差进行比较;
若所述汇率预测差值大于所述汇率序列的标准差,则确定所述目标汇率值异常;
将所述目标汇率值与所述汇率基准值进行比较;
若所述目标汇率值大于所述汇率基准值,则确定所述目标汇率值对应的交易为异常高交易;
若所述目标汇率值小于所述汇率基准值,则确定所述目标汇率值对应的交易为异常低交易;
所述实际交易数据还包括与每个汇率值相对应的用户识别码和交易识别码;
所述方法还包括:
根据异常汇率值对应的用户识别码和交易识别码之间的相关性,确定异常用户;
根据所述异常用户对应的交易数据,分析所述异常用户的异常交易模式;
对所述异常用户的交易权限进行封锁。
2.一种数字货币异常交易检测装置,其特征在于,包括:
获取模块,用于获取预设交易周期内数字货币的实际交易数据;所述实际交易数据包括汇率序列,所述汇率序列包括所述预设交易周期内按时间顺序排列的汇率值,所述获取预设交易周期内数字货币的实际交易数据,具体用于,获取预设交易周期内数字货币的原始交易数据;对所述原始交易数据中的重复交易数据和交易类型为单向交易的交易数据进行过滤;对过滤后的交易数据进行真实性验证;获取验证通过的交易数据,作为所述实际交易数据;
确定模块,用于确定所述预设交易周期内所述数字货币的汇率基准值,所述实际交易数据还包括多个交易所在所述预设交易周期内的收盘汇率和交易总量;所述确定所述预设交易周期内所述数字货币的汇率基准值,具体用于,以每个交易所的交易总量作为相应的权重,对所述多个交易所的收盘汇率进行加权平均,得到所述预设交易周期内所述数字货币的汇率基准值;所述以每个交易所的交易总量作为相应的权重,具体用于:获取预设交易周期内全部交易所的整体交易总量,并利用各个交易所的交易总量分别与所述整体交易总量进行占比处理,得到与各个交易所对应的权重;以及,
检测模块,用于根据所述汇率基准值和所述汇率序列的标准差,对所述汇率序列中的异常汇率值进行检测;具体用于,分别将所述汇率序列中的每个汇率值作为目标汇率值,计算所述目标汇率值与所述汇率基准值之间的相关性;根据所述目标汇率值和所述相关性,计算汇率预测差值;根据所述汇率预测差值和所述汇率序列的标准差,检测所述目标汇率值是否异常;所述根据所述目标汇率值和所述相关性,计算汇率预测差值,具体用于,根据所述相关性和所述目标汇率值的前一个汇率值,计算所述目标汇率值对应的汇率预测值;计算所述目标汇率值及其对应的汇率预测值之间的欧氏距离,得到汇率预测差值;所述根据所述汇率预测差值和所述汇率序列的标准差,检测所述目标汇率值是否异常,具体用于,将所述汇率预测差值与所述汇率序列的标准差进行比较;若所述汇率预测差值大于所述汇率序列的标准差,则确定所述目标汇率值异常;将所述目标汇率值与所述汇率基准值进行比较;若所述目标汇率值大于所述汇率基准值,则确定所述目标汇率值对应的交易为异常高交易;若所述目标汇率值小于所述汇率基准值,则确定所述目标汇率值对应的交易为异常低交易;所述实际交易数据还包括与每个汇率值相对应的用户识别码和交易识别码;还具体用于,根据异常汇率值对应的用户识别码和交易识别码之间的相关性,确定异常用户;根据所述异常用户对应的交易数据,分析所述异常用户的异常交易模式;对所述异常用户的交易权限进行封锁。
3.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1所述的数字货币异常交易检测方法。
4.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1所述的数字货币异常交易检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010042834.4A CN111275416B (zh) | 2020-01-15 | 2020-01-15 | 数字货币异常交易检测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010042834.4A CN111275416B (zh) | 2020-01-15 | 2020-01-15 | 数字货币异常交易检测方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275416A CN111275416A (zh) | 2020-06-12 |
CN111275416B true CN111275416B (zh) | 2024-02-27 |
Family
ID=70999035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010042834.4A Active CN111275416B (zh) | 2020-01-15 | 2020-01-15 | 数字货币异常交易检测方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275416B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766964A (zh) * | 2020-08-25 | 2021-05-07 | 徐鹏飞 | 基于区块链和数字货币的数据安全检测方法及系统 |
CN113052598A (zh) * | 2020-09-07 | 2021-06-29 | 陈建芸 | 结合区块链支付的支付网络环境检测方法及网络服务器 |
CN112861128A (zh) * | 2021-01-21 | 2021-05-28 | 微梦创科网络科技(中国)有限公司 | 一种批量识别机器账号的方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961059A (zh) * | 2018-07-11 | 2018-12-07 | 海南新软软件有限公司 | 数字货币异常交易监控方法、装置及系统 |
CN109558416A (zh) * | 2018-11-07 | 2019-04-02 | 北京先进数通信息技术股份公司 | 一种异常交易的检测方法、装置及存储介质 |
CN109934268A (zh) * | 2019-02-20 | 2019-06-25 | 中国工商银行股份有限公司 | 异常交易检测方法及系统 |
CN109978689A (zh) * | 2019-03-11 | 2019-07-05 | 杭州复杂美科技有限公司 | 汇率异常检测方法、设备和存储介质 |
CN110390592A (zh) * | 2018-04-18 | 2019-10-29 | 庄连豪 | 智能点数兑换系统及其实施方法 |
CN110458376A (zh) * | 2018-05-07 | 2019-11-15 | 上海诺悦智能科技有限公司 | 一种可疑风险交易筛查方法与相应系统 |
CN110688617A (zh) * | 2019-10-09 | 2020-01-14 | 北京天泽智云科技有限公司 | 风机振动异常检测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005050396A2 (en) * | 2003-11-18 | 2005-06-02 | Citigroup Global Markets, Inc. | Method and system for artificial neural networks to predict price movements in the financial markets |
US8799142B1 (en) * | 2013-01-23 | 2014-08-05 | Fxdirectdealer, Llc | Currency trading platform with improved risk management |
-
2020
- 2020-01-15 CN CN202010042834.4A patent/CN111275416B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390592A (zh) * | 2018-04-18 | 2019-10-29 | 庄连豪 | 智能点数兑换系统及其实施方法 |
CN110458376A (zh) * | 2018-05-07 | 2019-11-15 | 上海诺悦智能科技有限公司 | 一种可疑风险交易筛查方法与相应系统 |
CN108961059A (zh) * | 2018-07-11 | 2018-12-07 | 海南新软软件有限公司 | 数字货币异常交易监控方法、装置及系统 |
CN109558416A (zh) * | 2018-11-07 | 2019-04-02 | 北京先进数通信息技术股份公司 | 一种异常交易的检测方法、装置及存储介质 |
CN109934268A (zh) * | 2019-02-20 | 2019-06-25 | 中国工商银行股份有限公司 | 异常交易检测方法及系统 |
CN109978689A (zh) * | 2019-03-11 | 2019-07-05 | 杭州复杂美科技有限公司 | 汇率异常检测方法、设备和存储介质 |
CN110688617A (zh) * | 2019-10-09 | 2020-01-14 | 北京天泽智云科技有限公司 | 风机振动异常检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
ARIMA模型在汇率预测中的应用――基于人民币汇率的验证;战毅;安佳;;中国证券期货;20130525(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111275416A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063920B (zh) | 一种交易风险识别方法、装置、及计算机设备 | |
Ileberi et al. | Performance evaluation of machine learning methods for credit card fraud detection using SMOTE and AdaBoost | |
CN111275416B (zh) | 数字货币异常交易检测方法、装置、电子设备及介质 | |
CN107665432A (zh) | 在用户与各种银行服务的交互中识别可疑用户行为的系统和方法 | |
JP2019511037A (ja) | 機械学習モデルのモデリング方法及びデバイス | |
Gai et al. | Anti-counterfeit scheme using Monte Carlo simulation for E-commerce in cloud systems | |
CN105809448B (zh) | 账户交易的聚类方法及其系统 | |
CN113468520A (zh) | 应用于区块链业务的数据入侵检测方法及大数据服务器 | |
CN112132676A (zh) | 联合训练目标模型的贡献度的确定方法、装置和终端设备 | |
CN113052577A (zh) | 一种区块链数字货币虚拟地址的类别推测方法及系统 | |
CN110659807B (zh) | 一种基于链路的风险用户识别方法及装置 | |
Wang et al. | A detection method for abnormal transactions in e-commerce based on extended data flow conformance checking | |
CN113592517A (zh) | 欺诈客群识别方法、装置、终端设备及计算机存储介质 | |
Yu et al. | A multiperspective fraud detection method for multiparticipant E-commerce transactions | |
CN112330355A (zh) | 消费券交易数据处理方法、装置、设备及存储介质 | |
CN111245815A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN115689571A (zh) | 异常用户行为监测方法、装置、设备和介质 | |
CN112766320B (zh) | 一种分类模型训练方法及计算机设备 | |
Kumar et al. | Preserving Security of Crypto Transactions with Machine Learning Methodologies | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
JP2019036225A (ja) | 取引id警告システム及び取引id警告方法 | |
CN115545935B (zh) | 区块链交易账户的处理方法和装置、设备和介质 | |
Khan et al. | A novel deep learning technique to detect electricity theft in smart grids using AlexNet | |
Rai et al. | Credit Card Fraud Detection using Machine Learning and Data Mining Techniques-a Literature Survey | |
US20220360592A1 (en) | Systems and methods of monitoring and detecting suspicious activity in a virtual environment |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |