CN112288566A - 基于深度神经网络的跨链交易异常检测和预警方法及系统 - Google Patents

基于深度神经网络的跨链交易异常检测和预警方法及系统 Download PDF

Info

Publication number
CN112288566A
CN112288566A CN202011125817.3A CN202011125817A CN112288566A CN 112288566 A CN112288566 A CN 112288566A CN 202011125817 A CN202011125817 A CN 202011125817A CN 112288566 A CN112288566 A CN 112288566A
Authority
CN
China
Prior art keywords
cross
chain
abnormal
transaction
detection
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.)
Granted
Application number
CN202011125817.3A
Other languages
English (en)
Other versions
CN112288566B (zh
Inventor
黄步添
钱鹏
徐小俊
刘振广
陈建海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Yunxiang Network Technology Co Ltd
Original Assignee
Hangzhou Yunxiang Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Yunxiang Network Technology Co Ltd filed Critical Hangzhou Yunxiang Network Technology Co Ltd
Priority to CN202011125817.3A priority Critical patent/CN112288566B/zh
Publication of CN112288566A publication Critical patent/CN112288566A/zh
Application granted granted Critical
Publication of CN112288566B publication Critical patent/CN112288566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Technology Law (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度神经网络的跨链交易异常检测及预警方法，实现了对跨链网络中的交易和异常的检测及预警，具体包括：在跨链网络中构建跨链分区，并且在每两个跨链分区之间配置跨链路由；基于跨链分区和跨链路由，构建跨链交易表和异常交易表；收集节点的交易信息和异常行为信息；构建前馈神经网络模型，以跨链交易信息和异常行为信息为输入，训练跨链异常检测模型；利用预训练的模型输出异常检测和预警的结果。该方法填补了当前基于深度神经网络的跨链场景异常检测的空缺，具有良好的实用价值和借鉴意义。

Description

基于深度神经网络的跨链交易异常检测和预警方法及系统
技术领域
本发明属于区块链交易异常检测技术领域，具体涉及一种基于深度神经网络的跨链交易异常检测和预警方法及系统。
背景技术
为了追求更广阔的区块链价值网络体系，各种区块链应用与外部其他应用交互和建立关联的需求越来越突显，整个区块链生态需要更加开放、易于协作、价值互通的交互环境。然而，不同异构链之间的联通问题使得不同的区块链更像是一个“信息孤岛”，这极大地限制了区块链的潜力和发展。
跨链技术能够连通分散的区块链“生态孤岛”，是区块链向外拓展的桥梁和纽带。简单地说，跨链是一种解决两个或多个异构链资产传递、转移、交换的协议，例如，将A链上的数据D或信息M安全可信地转移到B链上。无论公有链还是联盟链，跨链是实现异构链“互联网化”的关键，其可以使不同区块链之间实现互操作，从而形成“区块链互联网”，实现更大的应用空间和价值。虽然跨链技术在一定程度上解决了异构链之间的互联互通问题，但目前的跨链仍处于探索前进的时期，因此也伴随着各种各样的安全性问题。由于不同区块链设计的安全防范机制是以确保自身内部安全为前提，当涉及到链和链之间、平台和平台之间的连通时，会因为多种安全机制参差不齐以及敏感数据跨越安全边界，如共识者列表不同、准入机制严格程度有高低、权限配置差异等因素，导致异构链之间的互信条件不成立，从而产生各种交易和账户异常等问题。
异常检测作为一种有效的技术手段，能够及时发现链上的潜在问题，显著降低系统的风险。目前学术界有一些针对区块链异常检测的研究，例如通过对网络结构分析进行异常检测或利用异常样本与正常样本的特征距离偏差来标识异常样本。然而，当前的一些方法通常使用离线检测，在实际应用中十分局限，并且对跨链场景中的交易异常检测研究还处于萌芽阶段。值得一提的是，深度神经网络以及机器学习算法已经在异常检测领域取得了突破性的进展，因此，本发明结合深度神经网络技术，提出一种基于深度神经网络的跨链交易异常检测及预警方法，准确有效地解决了跨链网络中交易的异常检测和预警问题。
发明内容
针对上述现有技术存在的问题，为了解决跨链网络中交易异常检测与预警的问题，本发明提出了一种基于深度神经网络的跨链交易异常检测和预警方法及系统。
为了解决上述技术问题，本发明通过下述技术方案得以解决：
一种基于深度神经网络的跨链交易异常检测和预警方法，具体包括如下步骤：
构建跨链网络的跨链分区，并且在每两个跨链分区之间配置跨链路由；
基于跨链分区和跨链路由，构建跨链交易表和异常检测表，收集节点的交易信息和异常行为信息；
结合跨链交易表和异常检测表，判断跨链网络中的节点或用户是否存在异常行为；
构建前馈神经网络模型，以跨链交易信息和异常行为信息为输入，训练跨链异常检测模型；
利用预训练的跨链异常检测模型，对节点和账户进行异常检测和预警。
作为一种可实施方式，所述构建跨链网络的跨链分区，并且在每两个跨链分区之间配置跨链路由，具体为：
首先，对跨链网络中存在的区块链根据交易类型进行分类，涉及结算、还款、借贷的区块链划归为支付分区；涉及存证、取证的区块链划归为存证分区；涉及消息传递、信息传输的区块链划归为通信分区；
其次，在跨链分区的基础上配置实现信息传输的跨链路由，该路由包括：存储动态路由表的路由信息管理模块、用于解析区块链与区块链之间、用户与用户之间通信数据包的通信处理器和分发器。
作为一种可实施方式，所述基于跨链分区和跨链路由，构建跨链交易表和异常检测表，收集节点的交易信息和异常行为信息，具体为：
基于跨链分区和跨链路由，构建相应的跨链交易表和异常检测表，在跨链分区内构建分区跨链交易表和分区异常检测表；在跨链路由内构建路由跨链交易表和路由异常检测表；
基于跨链交易表和异常检测表记录跨链网络中每个节点或账户的跨链交易信息和异常行为信息。
作为一种可实施方式，所述跨链交易信息和异常行为具体包括：
记录跨链交易行为，具体过程为：
以一定的时间段为间隔，记录该时间段内某节点或账户发起跨链交易的次数；
以一定的时间段为间隔，记录该时间段内某节点或账户进行跨链交易时涉及的交易对象个数；
以一定的时间段为间隔，记录该时间段内某节点或账户进行跨链交易时涉及的交易金额总数；
记录跨链异常行为，具体过程为：
以一定的时间段为间隔，记录该时间段内某节点或账户发起跨链交易过程中的超时和违约次数；
以一定的时间段为间隔，记录该时间段内某节点或账户被惩罚或被举报的次数；
以一定的时间段为间隔，记录该时间段内某节点或账户解密数据包时输入密钥错误的次数。
作为一种可实施方式，结合跨链交易表和异常检测表，判断跨链网络中的节点或用户是否存在异常行为，具体为：
对于跨链交易行为，对一定时间段内发起跨链交易的次数、交易对象的个数、交易金额总数这三种情况设定阈值；若某个节点或账户超过所设定的阈值，则表示存在可能的异常行为，并进行标注；
对于跨链异常行为，对一定时间段内跨链交易超时和违约次数、被惩罚或被举报次数、密钥输入错误次数这三种情况设定阈值；若某个节点或账户超过所设定的阈值，则表示一定存在异常行为，并进行标注。
作为一种可实施方式，所述构建前馈神经网络模型，以跨链交易信息和异常行为信息为输入，训练跨链异常检测模型，具体为：
根据所述跨链交易表和异常检测表的统计数据，以一定的时间段为间隔，构建节点或账户交易异常数据集；
基于前馈神经网络，将节点或账户交易异常数据集输入到网络中进行训练，得到不同节点或账户的异常检测模型。
作为一种可实施方式，所述利用预训练的跨链异常检测模型，对节点或账户进行异常检测和预警，具体为：
以某个节点或账户的异常预警为例，将该节点的交易和异常行为数据转化为向量形式；
将节点的向量形式数据输入到所述预训练的异常检测模型中；
异常检测模型将输出节点的异常预警结果，即对该节点在未来不同时间段内的异常行为预警。
一种基于深度神经网络的跨链交易异常检测和预警系统，包括分区建立模块、信息收集模块、判断异常模块、模型训练模块及检测预警模块；
所述分区建立模块，用于构建跨链网络的跨链分区，并且在每两个跨链分区之间配置跨链路由；
所述信息收集模块，用于基于跨链分区和跨链路由，构建跨链交易表和异常检测表，收集节点的交易信息和异常行为信息；
所述判断异常模块，用于结合跨链交易表和异常检测表，判断跨链网络中的节点或用户是否存在异常行为；
所述模型训练模块，用于构建前馈神经网络模型，以跨链交易信息和异常行为信息为输入，训练跨链异常检测模型；
所述检测预警模块，用于利用预训练的跨链异常检测模型，对节点和账户进行异常检测和预警。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下的方法步骤：
构建跨链网络的跨链分区，并且在每两个跨链分区之间配置跨链路由；
基于跨链分区和跨链路由，构建跨链交易表和异常检测表，收集节点的交易信息和异常行为信息；
结合跨链交易表和异常检测表，判断跨链网络中的节点或用户是否存在异常行为；
构建前馈神经网络模型，以跨链交易信息和异常行为信息为输入，训练跨链异常检测模型；
利用预训练的跨链异常检测模型，对节点和账户进行异常检测和预警。
一种基于深度神经网络的跨链交易异常检测和预警装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下的方法步骤：
构建跨链网络的跨链分区，并且在每两个跨链分区之间配置跨链路由；
基于跨链分区和跨链路由，构建跨链交易表和异常检测表，收集节点的交易信息和异常行为信息；
结合跨链交易表和异常检测表，判断跨链网络中的节点或用户是否存在异常行为；
构建前馈神经网络模型，以跨链交易信息和异常行为信息为输入，训练跨链异常检测模型；
利用预训练的跨链异常检测模型，对节点和账户进行异常检测和预警。
本发明通过构建跨链交易表和异常检测表以及前馈神经网络模型，提供了一种基于深度神经网络模型的跨链交易异常检测与预警方法，能够对跨链网络中的交易和异常进行检测和预测，相较于传统的区块链异常检测方法，实现了更准确、更高效的检测效果，填补了当前基于深度神经网络的跨链场景异常检测的空缺，不仅具有良好的通用性和实用价值，而且有很好的借鉴意义，具体有益技术效果和创新性主要表现在以下四个方面：
(1)本发明阐述的构建跨链分区和跨链路由，将存在关联性的异构链聚合在一个分区中进行一体化管理，并且利用跨链路由执行分区间的交互，实现了跨链网络中节点的有效监控和管理；
(2)本发明阐述的构建跨链交易表和异常检测表，准确有效地记录了跨链网络中节点或账户可能存在的异常交易与行为信息，通过阈值的设定，能够及时的定位存在异常的节点和账户；
(3)本发明提出的前馈神经网络，有效地捕获了跨链网络中节点或账户的交易和异常行为信息，提高了异常检测和预警的准确率和效率；
(4)本发明首次结合了深度神经网络模型和跨链交易与异常检测记录表，并应用于跨链场景中的异常检测和预测，具有很好的拓展性与借鉴意义。
附图说明
图1为本发明基于深度神经网络的跨链交易异常检测和预警方法流程示意图。
图2为本发明构建跨链分区及一体化管理方案示意图。
图3为本发明构建及训练跨链异常检测模型过程示意图。
图4为本发明跨链异常检测仿真示意图。
具体实施方式
为了清晰地阐述本发明，使本发明实施例的目的、技术方案和优点更清楚，下面结合了本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，以令本领域技术人员参照说明书文字能够据以实施。下面将附图结合具体实施方式对本发明的技术加以详细说明。
实施例1：
本发明提出了一种基于深度神经网络的跨链交易异常检测和预警方法，主要在跨链网络中构建跨链分区，并且配置相应的跨链路由，以构建跨链交易表和异常检测表。以交易表和检测表的交易和异常数据为输入，训练跨链异常检测模型，从而进一步实现跨链网络节点或用户的异常检测和预警，其流程示意图如图1所示。
2.构建跨链分区并对分区内的异构链进行一体化管理。首先，对跨链网络中不同的异构链的交易信息进行分类。如图2所示，支付分区中包含了企业与个人之间的交易链，以及企业与金融机构，个人与金融机构之间的结算链；存证分区中包括司法机构与个人、企业和金融机构之间的存证链，按照不同的交易类型，构建不同的跨链分区；其次，为了满足复杂业务场景中存在的多种业务相互融合的需求，通过监管链对不同的跨链分区之间的交互进行监控与管理，以此保证跨链访问的安全可控和异常监测。
3.如图3所示，基于前馈神经网络构建跨链异常检测模型，该模型主要包括输入层、隐藏层以及输出层。输入层位于模型的第0层，用来接受用于训练模型的训练集以及用于测试的测试集；输出层位于模型的最后一层，用于输出模型对输入数据的判断结果；隐藏层位于输入层和输出层之间，改层由多层神经元组成，隐藏层各层之间的连接表示用户或节点的异常特征权重。
4.如图4所示，本实例以用户A、B和用户C的跨链交易为例，具体检测流程如下：
(1)首先，在该跨链网络中构建相应的跨链分区，并且在每两个跨链分区之间配置跨链路由。
(2)其次，根据不同的跨链分区和跨链路由，构建相应的跨链交易表和异常检测表，收集跨链网络中用户A、B和用户C的交易信息和异常行为信息。具体的表类型如下：
(2-1)例如，以30分钟为间隔，对于跨链交易行为的记录分类如下：
(a)记录该时间段内某节点或账户发起跨链交易的次数；
(b)记录该时间段内某节点或账户进行跨链交易时涉及的交易对象个数；
(c)记录该时间段内某节点或账户进行跨链交易时涉及的交易金额总数。
(2-2)例如，以30分钟为间隔，对于跨链异常行为的记录分类如下：
(a)记录该时间段内某节点或账户发起跨链交易过程中超时和违约次数；
(b)记录该时间段内某节点或账户被惩罚或被举报的次数；
(c)记录该时间段内某节点或账户解密数据包时输入密钥错误的次数。
(3)构建前馈神经网络模型，以跨链交易信息和异常行为信息为输入，训练跨链异常检测模型，其具体实施方案如图3所示；
(4)接着，从跨链交易表和异常检测表中提取出相应的记录，其具体实施步骤如下：
(4-1)对于不同跨链交易行为，设置三种阈值σ1＝10，σ2＝10，σ3＝100000，分别表示为：30分钟内发起跨链交易的次数、交易对象的个数、交易金额总数。若某个节点或账户的三种交易行为超过所设定的阈值，则表示存在可能的异常行为，并进行标注。
(4-2)对于跨链异常行为，同样设置三种阈值φ1＝3，φ2＝3，φ3＝5，分别表示为：30分钟内跨链交易超时和违约次数、被惩罚或被举报次数、密钥输入错误次数；若某个节点或账户的三种异常行为超过所设定的阈值，则表示一定存在异常行为，并进行标注。
(5)如图4所示，用户A在30分钟内跨链交易金额总数、交易对象个数、交易次数和被举报次数均超过阈值，用户B在30分钟内发起的跨链交易次数、跨链交易超时和违约次数、被举报次数和密钥输入错误次数分别超过了阈值范围，用户C没有超过任何阈值的行为，利用预训练的跨链异常检测模型进行检测，输出结果显示用户A和用户B存在异常，用户C正常。
实施例2：
一种基于深度神经网络的跨链交易异常检测和预警系统，包括分区建立模块、信息收集模块、判断异常模块、模型训练模块及检测预警模块；
所述分区建立模块，用于构建跨链网络的跨链分区，并且在每两个跨链分区之间配置跨链路由；
所述信息收集模块，用于基于跨链分区和跨链路由，构建跨链交易表和异常检测表，收集节点的交易信息和异常行为信息；
所述判断异常模块，用于结合跨链交易表和异常检测表，判断跨链网络中的节点或用户是否存在异常行为；
所述模型训练模块，用于构建前馈神经网络模型，以跨链交易信息和异常行为信息为输入，训练跨链异常检测模型；
所述检测预警模块，用于利用预训练的跨链异常检测模型，对节点和账户进行异常检测和预警。
实施例3：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下的方法步骤：
构建跨链网络的跨链分区，并且在每两个跨链分区之间配置跨链路由；
基于跨链分区和跨链路由，构建跨链交易表和异常检测表，收集节点的交易信息和异常行为信息；
结合跨链交易表和异常检测表，判断跨链网络中的节点或用户是否存在异常行为；
构建前馈神经网络模型，以跨链交易信息和异常行为信息为输入，训练跨链异常检测模型；
利用预训练的跨链异常检测模型，对节点和账户进行异常检测和预警。
在一个实施例中，处理器执行计算机程序时，实现所述构建跨链网络的跨链分区，并且在每两个跨链分区之间配置跨链路由，具体为：
首先，对跨链网络中存在的区块链根据交易类型进行分类，涉及结算、还款、借贷的区块链划归为支付分区；涉及存证、取证的区块链划归为存证分区；涉及消息传递、信息传输的区块链划归为通信分区；
其次，在跨链分区的基础上配置实现信息传输的跨链路由，该路由包括：存储动态路由表的路由信息管理模块、用于解析区块链与区块链之间、用户与用户之间通信数据包的通信处理器和分发器。
在一个实施例中，处理器执行计算机程序时，实现所述基于跨链分区和跨链路由，构建跨链交易表和异常检测表，收集节点的交易信息和异常行为信息，具体为：
基于跨链分区和跨链路由，构建相应的跨链交易表和异常检测表，在跨链分区内构建分区跨链交易表和分区异常检测表；在跨链路由内构建路由跨链交易表和路由异常检测表；
基于跨链交易表和异常检测表记录跨链网络中每个节点或账户的跨链交易信息和异常行为信息。
在一个实施例中，处理器执行计算机程序时，实现所述跨链交易信息和异常行为具体包括：
记录跨链交易行为，具体过程为：
以一定的时间段为间隔，记录该时间段内某节点或账户发起跨链交易的次数；
以一定的时间段为间隔，记录该时间段内某节点或账户进行跨链交易时涉及的交易对象个数；
以一定的时间段为间隔，记录该时间段内某节点或账户进行跨链交易时涉及的交易金额总数；
记录跨链异常行为，具体过程为：
以一定的时间段为间隔，记录该时间段内某节点或账户发起跨链交易过程中的超时和违约次数；
以一定的时间段为间隔，记录该时间段内某节点或账户被惩罚或被举报的次数；
以一定的时间段为间隔，记录该时间段内某节点或账户解密数据包时输入密钥错误的次数。
在一个实施例中，处理器执行计算机程序时，实现结合跨链交易表和异常检测表，判断跨链网络中的节点或用户是否存在异常行为，具体为：
1)对于跨链交易行为，对一定时间段内发起跨链交易的次数、交易对象的个数、交易金额总数这三种情况设定阈值；若某个节点或账户超过所设定的阈值，则表示存在可能的异常行为，并进行标注；
2)对于跨链异常行为，对一定时间段内跨链交易超时和违约次数、被惩罚或被举报次数、密钥输入错误次数这三种情况设定阈值；若某个节点或账户超过所设定的阈值，则表示一定存在异常行为，并进行标注。
在一个实施例中，处理器执行计算机程序时，实现所述构建前馈神经网络模型，以跨链交易信息和异常行为信息为输入，训练跨链异常检测模型，具体为：
根据所述跨链交易表和异常检测表的统计数据，以一定的时间段为间隔，构建节点或账户交易异常数据集；
基于前馈神经网络，将节点或账户交易异常数据集输入到网络中进行训练，得到不同节点或账户的异常检测模型。
在一个实施例中，处理器执行计算机程序时，实现所述利用预训练的跨链异常检测模型，对节点或账户进行异常检测和预警，具体为：
以某个节点或账户的异常预警为例，将该节点的交易和异常行为数据转化为向量形式；
将节点的向量形式数据输入到所述预训练的异常检测模型中；
异常检测模型将输出节点的异常预警结果，即对该节点在未来不同时间段内的异常行为预警。
实施例4：
在一个实施例中，提供了基于深度神经网络的跨链交易异常检测和预警的装置，该基于深度神经网络的跨链交易异常检测和预警的装置可以是服务器也可以是移动终端。该基于深度神经网络的跨链交易异常检测和预警的装置包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该基于深度神经网络的跨链交易异常检测和预警装置的处理器用于提供计算和控制能力。该基于深度神经网络的跨链交易异常检测和预警的装置的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该数据库用于存储基于深度神经网络的跨链交易异常检测和预警的装置的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于深度神经网络的跨链交易异常检测和预警的方法。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是：
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
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 (10)

1.一种基于深度神经网络的跨链交易异常检测和预警方法，其特征在于，具体包括如下步骤：
构建跨链网络的跨链分区，并且在每两个跨链分区之间配置跨链路由；
基于跨链分区和跨链路由，构建跨链交易表和异常检测表，收集节点的交易信息和异常行为信息；
结合跨链交易表和异常检测表，判断跨链网络中的节点或用户是否存在异常行为；
构建前馈神经网络模型，以跨链交易信息和异常行为信息为输入，训练跨链异常检测模型；
利用预训练的跨链异常检测模型，对节点和账户进行异常检测和预警。
2.根据权利要求1所述的一种基于深度神经网络的跨链交易异常检测和预警方法，其特征在于，所述构建跨链网络的跨链分区，并且在每两个跨链分区之间配置跨链路由，具体为：
首先，对跨链网络中存在的区块链根据交易类型进行分类，涉及结算、还款、借贷的区块链划归为支付分区；涉及存证、取证的区块链划归为存证分区；涉及消息传递、信息传输的区块链划归为通信分区；
其次，在跨链分区的基础上配置实现信息传输的跨链路由，该路由包括：存储动态路由表的路由信息管理模块、用于解析区块链与区块链之间、用户与用户之间通信数据包的通信处理器和分发器。
3.根据权利要求1所述的一种基于深度神经网络的跨链交易异常检测和预警方法，其特征在于，所述基于跨链分区和跨链路由，构建跨链交易表和异常检测表，收集节点的交易信息和异常行为信息，具体为：
基于跨链分区和跨链路由，构建相应的跨链交易表和异常检测表，在跨链分区内构建分区跨链交易表和分区异常检测表；在跨链路由内构建路由跨链交易表和路由异常检测表；
基于跨链交易表和异常检测表记录跨链网络中每个节点或账户的跨链交易信息和异常行为信息。
4.根据权利要求3所述的一种基于深度神经网络的跨链交易异常检测和预警方法，其特征在于，所述跨链交易信息和异常行为具体包括：
记录跨链交易行为，具体过程为：
以一定的时间段为间隔，记录该时间段内某节点或账户发起跨链交易的次数；
以一定的时间段为间隔，记录该时间段内某节点或账户进行跨链交易时涉及的交易对象个数；
以一定的时间段为间隔，记录该时间段内某节点或账户进行跨链交易时涉及的交易金额总数；
记录跨链异常行为，具体过程为：
以一定的时间段为间隔，记录该时间段内某节点或账户发起跨链交易过程中的超时和违约次数；
以一定的时间段为间隔，记录该时间段内某节点或账户被惩罚或被举报的次数；
以一定的时间段为间隔，记录该时间段内某节点或账户解密数据包时输入密钥错误的次数。
5.根据权利要求1所述的一种基于深度神经网络的跨链交易异常检测和预警方法，其特征在于，结合跨链交易表和异常检测表，判断跨链网络中的节点或用户是否存在异常行为，具体为：
对于跨链交易行为，对一定时间段内发起跨链交易的次数、交易对象的个数、交易金额总数这三种情况设定阈值；若某个节点或账户超过所设定的阈值，则表示存在可能的异常行为，并进行标注；
对于跨链异常行为，对一定时间段内跨链交易超时和违约次数、被惩罚或被举报次数、密钥输入错误次数这三种情况设定阈值；若某个节点或账户超过所设定的阈值，则表示一定存在异常行为，并进行标注。
6.根据权利要求1所述的一种基于深度神经网络的跨链交易异常检测和预警方法，其特征在于，所述构建前馈神经网络模型，以跨链交易信息和异常行为信息为输入，训练跨链异常检测模型，具体为：
根据所述跨链交易表和异常检测表的统计数据，以一定的时间段为间隔，构建节点或账户交易异常数据集；
基于前馈神经网络，将节点或账户交易异常数据集输入到网络中进行训练，得到不同节点或账户的异常检测模型。
7.根据权利要求1所述的一种基于深度神经网络的跨链交易异常检测和预警方法，其特征在于，所述利用预训练的跨链异常检测模型，对节点或账户进行异常检测和预警，具体为：
以某个节点或账户的异常预警为例，将该节点的交易和异常行为数据转化为向量形式；
将节点的向量形式数据输入到所述预训练的异常检测模型中；
异常检测模型将输出节点的异常预警结果，即对该节点在未来不同时间段内的异常行为预警。
8.一种基于深度神经网络的跨链交易异常检测和预警系统，其特征在于，包括分区建立模块、信息收集模块、判断异常模块、模型训练模块及检测预警模块；
所述分区建立模块，用于构建跨链网络的跨链分区，并且在每两个跨链分区之间配置跨链路由；
所述信息收集模块，用于基于跨链分区和跨链路由，构建跨链交易表和异常检测表，收集节点的交易信息和异常行为信息；
所述判断异常模块，用于结合跨链交易表和异常检测表，判断跨链网络中的节点或用户是否存在异常行为；
所述模型训练模块，用于构建前馈神经网络模型，以跨链交易信息和异常行为信息为输入，训练跨链异常检测模型；
所述检测预警模块，用于利用预训练的跨链异常检测模型，对节点和账户进行异常检测和预警。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的方法步骤。
10.一种基于深度神经网络的跨链交易异常检测和预警装置，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任意一项所述的方法步骤。
CN202011125817.3A 2020-10-20 2020-10-20 基于深度神经网络的跨链交易异常检测和预警方法及系统 Active CN112288566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011125817.3A CN112288566B (zh) 2020-10-20 2020-10-20 基于深度神经网络的跨链交易异常检测和预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011125817.3A CN112288566B (zh) 2020-10-20 2020-10-20 基于深度神经网络的跨链交易异常检测和预警方法及系统

Publications (2)

Publication Number Publication Date
CN112288566A true CN112288566A (zh) 2021-01-29
CN112288566B CN112288566B (zh) 2024-01-19

Family

ID=74423880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011125817.3A Active CN112288566B (zh) 2020-10-20 2020-10-20 基于深度神经网络的跨链交易异常检测和预警方法及系统

Country Status (1)

Country Link
CN (1) CN112288566B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240524A (zh) * 2021-05-10 2021-08-10 深圳前海微众银行股份有限公司 联邦学习系统中账户的异常检测方法、装置及电子设备
CN113472564A (zh) * 2021-05-13 2021-10-01 北京邮电大学 基于区块链的责任溯源方法及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685489A (zh) * 2018-12-28 2019-04-26 杭州云象网络技术有限公司 一种区块链之间的资产跨链交易方法
CN109919615A (zh) * 2019-03-01 2019-06-21 上海分布信息科技有限公司 基于区块链的跨链数据交互方法及跨链数据交互系统
CN110519261A (zh) * 2019-08-23 2019-11-29 东莞市盟大塑化科技有限公司 一种跨链操作的风险评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685489A (zh) * 2018-12-28 2019-04-26 杭州云象网络技术有限公司 一种区块链之间的资产跨链交易方法
CN109919615A (zh) * 2019-03-01 2019-06-21 上海分布信息科技有限公司 基于区块链的跨链数据交互方法及跨链数据交互系统
CN110519261A (zh) * 2019-08-23 2019-11-29 东莞市盟大塑化科技有限公司 一种跨链操作的风险评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贾斌等: ""基于区块链的快速智能决策与协同防控机制研究——以突发性大规模疫情为例"", 《山东科技大学学报(社会科学版)》, pages 1 - 10 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240524A (zh) * 2021-05-10 2021-08-10 深圳前海微众银行股份有限公司 联邦学习系统中账户的异常检测方法、装置及电子设备
CN113240524B (zh) * 2021-05-10 2024-05-14 深圳前海微众银行股份有限公司 联邦学习系统中账户的异常检测方法、装置及电子设备
CN113472564A (zh) * 2021-05-13 2021-10-01 北京邮电大学 基于区块链的责任溯源方法及电子设备

Also Published As

Publication number Publication date
CN112288566B (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
US11212299B2 (en) System and method for monitoring security attack chains
Wang et al. An exhaustive research on the application of intrusion detection technology in computer network security in sensor networks
Dasgupta et al. CIDS: An agent-based intrusion detection system
US11586609B2 (en) Abnormal event analysis
CN104303153A (zh) 用于异常子图检测、异常/更改检测和网络态势感知的路径扫描
Guarascio et al. Boosting cyber-threat intelligence via collaborative intrusion detection
Mohammad et al. Machine learning with big data analytics for cloud security
CN112288566B (zh) 基于深度神经网络的跨链交易异常检测和预警方法及系统
Kravets et al. The risk management model of design department’s PDM information system
Chen et al. Multi-level adaptive coupled method for industrial control networks safety based on machine learning
TWM622216U (zh) 用於服務異常偵測告警的設備
Tichy et al. Application of Cybersecurity Approaches within Smart Cities and ITS
Nelub et al. Economic analysis of data protection in systems with complex architecture using neural network methods.
CN117132228A (zh) 政务融合消息平台方法及系统
Ghadi et al. Security risk models against attacks in smart grid using big data and artificial intelligence
Sundararajan et al. A tri-modular framework to minimize smart grid cyber-attack cognitive gap in utility control centers
Orłowski et al. Smart cities system design method based on case based reasoning
Tian AI-Assisted Dynamic Modeling for Data Management in a Distributed System
Liu et al. Network anomaly detection system with optimized DS evidence theory
AfzaliSeresht Explainable intelligence for comprehensive interpretation of cybersecurity data in incident management
Junhui [Retracted] Security Enhancement Algorithm of SM‐254 Cloud System and Automated Personnel Identification of the Management in the Supply Chain Enterprise
TWI789003B (zh) 服務異常偵測告警方法、使用此方法的設備、儲存此方法的儲存媒介及產生異常告警之電腦軟體程式
Ebad On Quantifying of IoT Security Parameters-An Assessment Framework
Giridi et al. Novel methods in utilizing wireless sensor networks with blockchain technology: A review
GHEORGHIȚĂ et al. Securely driving IoT by integrating AIOps and blockchain

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