CN112435122A - 网络训练方法、异常交易行为识别方法、装置和介质 - Google Patents
网络训练方法、异常交易行为识别方法、装置和介质 Download PDFInfo
- Publication number
- CN112435122A CN112435122A CN202011294215.0A CN202011294215A CN112435122A CN 112435122 A CN112435122 A CN 112435122A CN 202011294215 A CN202011294215 A CN 202011294215A CN 112435122 A CN112435122 A CN 112435122A
- Authority
- CN
- China
- Prior art keywords
- graph
- transaction
- network
- ether house
- network topological
- 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.)
- Withdrawn
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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种图注意力网络训练方法、以太坊异常交易行为识别方法、计算机装置和存储介质,训练方法包括获取第一交易网络拓扑图、特征信息、特征矩阵和标签信息,以及使用第一交易网络拓扑图训练图注意力网络等步骤。本发明所训练的图神经网络具有捕捉每个以太坊地址在空间信息方面的相关性的能力,能够以较高的识别率识别出标签信息对应的行为类型,具有识别出以太坊异常交易行为的能力;由于图神经网络是对每个节点与其相邻节点进行特征信息加权求和,这种方式只与相邻节点相关,无需使用第一交易网络拓扑图的完整拓扑结构信息也能完成训练过程以及达到训练效果,能够节约计算机资源。本发明广泛应用于数字货币技术领域。
Description
技术领域
本发明涉及数字货币技术领域,尤其是一种图注意力网络训练方法、以太坊异常交易行为识别方法、计算机装置和存储介质。
背景技术
以太坊是被广泛应用的区块链平台,具有强大的灵活性,其代币以太币是世界上市值较大的数字货币,因此以太坊得到了众多用户的关注,这使得以太坊面临着较大的被不法分子利用的风险。不法分子通过数字货币技术从事非法行为,通常产生异常交易,一般来说识别出异常交易能够为发现不法分子提供较强力的线索或证据,因此,数字货币技术的应用过程中存在着如何突破以太坊数字货币技术的匿名性,识别以太坊的异常交易行为的必要。
发明内容
针对上述至少一个技术问题,本发明的目的在于提供一种图注意力网络训练方法、以太坊异常交易行为识别方法、计算机装置和存储介质。
一方面,本发明实施例包括一种图注意力网络训练方法,包括:
获取根据以太坊系统的交易账本构建的第一交易网络拓扑图;所述第一交易网络拓扑图为有向图,所述第一交易网络拓扑图上的边表示以太坊交易,所述第一交易网络拓扑图上的边所连接的节点表示以太坊交易所涉及的以太坊地址,所述第一交易网络拓扑图上的边的方向表示以太坊交易的方向;
获取所述第一交易网络拓扑图上节点的特征信息;
根据各所述特征信息,获取所述第一交易网络拓扑图的特征矩阵;
获取所述第一交易网络拓扑图上节点的标签信息;
使用所述第一交易网络拓扑图训练所述图注意力网络;其中,所述特征矩阵作为所述图注意力网络的输入,所述标签信息作为所述图注意力网络的期望输出。
进一步地,作为所述图注意力网络的输入的所述特征信息,与作为所述图注意力网络的期望输出的所述标签信息对应所述第一交易网络拓扑图上的相同节点。
进一步地,所述特征信息包括以下至少一个:
出度;所述出度为所述节点对应的以太坊地址在一段时间内的付款总次数;
入度;所述入度为所述节点对应的以太坊地址在一段时间内的收款总次数;
转出总金额;所述转出总金额为所述节点对应的以太坊地址在一段时间内的付款总额;
转入总金额;所述转入总金额为所述节点对应的以太坊地址在一段时间内的收款总额;
绝对余额;所述绝对余额为所述转入总金额与所述转出总金额之差;
去重出度;所述去重出度为所述节点对应的以太坊地址在一段时间内对不同地址的付款总次数;
去重入度;所述去重入度为所述节点对应的以太坊地址在一段时间内对不同地址的收款总次数;
起始时间;所述起始时间为所述节点对应的以太坊地址首次被发现时的时间戳;
最终时间;所述最终时间为所述节点对应的以太坊地址最后一次被发现时的时间戳。
进一步地,所述标签信息是基于同一节点对应的所述特征信息确定的,所述标签信息用于表示所述节点对应的以太坊地址的行为类型。
进一步地,所述根据各所述特征信息,获取所述第一交易网络拓扑图的特征矩阵,包括:
将各所述特征信息的向量化表示作为元素,组成所述特征矩阵。
进一步地,所述使用所述第一交易网络拓扑图训练所述图注意力网络,包括:
所述图注意力网络根据所述特征矩阵,确定各所述节点与邻居之间的注意力系数;
所述图注意力网络对各所述注意力系数进行正则化;
所述图注意力网络根据所述正则化的结果以及所述第一交易网络拓扑图上各节点的权重,确定特征向量;
所述图注意力网络通过分类器根据所述特征向量输出各所述标签信息对应的概率。
另一方面,本发明实施例还包括一种以太坊异常交易行为识别方法,包括:
获取根据以太坊系统的交易账本构建的第二交易网络拓扑图;所述第二交易网络拓扑图为有向图,所述第二交易网络拓扑图上的边表示以太坊交易,所述第二交易网络拓扑图上的边所连接的节点表示以太坊交易所涉及的以太坊地址,所述第二交易网络拓扑图上的边的方向表示以太坊交易的方向;
获取所述第二交易网络拓扑图上节点的特征信息;
根据各所述特征信息,获取所述第二交易网络拓扑图的特征矩阵;
将所述特征矩阵输入到图注意力网络;所述图注意力网络经过实施例中所述训练方法的训练;
根据所述图注意力网络的输出结果,确定所述以太坊地址的行为类型。
另一方面,本发明实施例还包括一种以太坊异常交易行为识别方法,包括:
获取根据以太坊系统的交易账本构建的第二交易网络拓扑图;所述第二交易网络拓扑图为有向图,所述第二交易网络拓扑图上的边表示以太坊交易,所述第二交易网络拓扑图上的边所连接的节点表示以太坊交易所涉及的以太坊地址,所述第二交易网络拓扑图上的边的方向表示以太坊交易的方向;
获取所述第二交易网络拓扑图上节点的特征信息;
根据各所述特征信息,获取所述第二交易网络拓扑图的特征矩阵;
将所述特征矩阵输入到多个图注意力网络;各所述图注意力网络经过实施例中所述训练方法的训练;
根据各所述图注意力网络的输出结果的平均值,确定所述以太坊地址的行为类型。
另一方面,本发明实施例还包括一种计算机装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行实施例所述方法。
另一方面,本发明实施例还包括一种存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行实施例所述方法。
本发明的有益效果是:本实施例中的训练方法所训练的图神经网络能够学习到第一交易网络拓扑图中所包含的以太坊交易账本的信息,具体地,图神经网络具有捕捉每个以太坊地址在空间信息方面的相关性的能力,能够以较高的识别率识别出标签信息对应的行为类型,当标签信息对应的行为类型属于异常交易行为,经过训练的图神经网络具有识别出以太坊异常交易行为的能力;由于在对图神经网络的训练过程中,图神经网络是对每个节点与其相邻节点进行特征信息加权求和,这种方式只与相邻节点相关,无需使用第一交易网络拓扑图的完整拓扑结构信息也能完成训练过程以及达到训练效果,能够节约计算机资源。实施例中的异常交易行为识别方法使用经过本实施例中的训练方法训练的图神经网络识别处理以太坊交易账本得到的第二交易网络拓扑图,由于图神经网络具有捕捉每个以太坊地址在空间信息方面的相关性的能力,因此能够以较高的识别率识别出标签信息对应的行为类型,从而识别出异常交易行为,由于图神经网络是对每个节点与其相邻节点进行特征信息加权求和,这种方式只与相邻节点相关,无需使用第二交易网络拓扑图的完整拓扑结构信息也能完成训练过程以及达到训练效果,能够节约计算机资源。
附图说明
图1为实施例中图注意力网络训练方法的流程图;
图2为实施例中以太坊异常交易行为识别方法的流程图;
图3为实施例中以太坊异常交易行为识别方法的流程图。
具体实施方式
以下实施例中,第一交易网络拓扑图和第二交易网络拓扑图都是交易网络拓扑图,其中的“第一”、“第二”用于区分不同过程中的交易网络拓扑图,第一交易网络拓扑图和第二交易网络拓扑图可以相同也可以不相同。本实施例中,所使用的图注意力网络可以是图卷积神经网络、GraphSAGE等变形。
本实施例中,参照图1,图注意力网络训练方法包括以下步骤:
P1.获取根据以太坊系统的交易账本构建的第一交易网络拓扑图;
P2.获取第一交易网络拓扑图上节点的特征信息;
P3.根据各特征信息,获取第一交易网络拓扑图的特征矩阵;
P4.获取第一交易网络拓扑图上节点的标签信息;
P5.使用第一交易网络拓扑图训练图注意力网络;其中,特征矩阵作为图注意力网络的输入,标签信息作为图注意力网络的期望输出。
步骤P1中,通过采用部署可控的以太坊全节点对以太坊交易信息和交易账本进行同步解析,实现以太坊区块信息、交易双方、交易金额、时间戳等原始交易信息的提取,为下一步提取特征信息提供数据基础。其中,以太坊系统的公开交易账本记载了一段时间内的多笔以太坊交易,每笔以太坊交易至少对应一个转出以太币的以太坊地址与一个转入以太币的以太坊地址,因此这些以太坊交易可以表示为第一交易网络拓扑图,其中,第一交易网络拓扑图上的边表示以太坊交易,第一交易网络拓扑图上的边所连接的节点表示以太坊交易所涉及的以太坊地址,第一交易网络拓扑图上的边的方向表示以太坊交易的方向,例如,有向边的起点所在的节点表示转出以太币的以太坊地址,有向边的终点所在的节点表示转入以太币的以太坊地址。
步骤P2中,所获取的第一交易网络拓扑图上节点的特征信息能够反映出第一交易网络拓扑图上的节点对应的以太坊地址是否存在异常交易行为。根据异常交易行为的表现及场景需求,可从原始交易信息中提取多维度有效数字特征。例如,异常交易行为与正常交易行为的“异常”表现在以下几个方面:
1.异常交易地址收到来自不同地址的转入次数比正常交易大;
2.异常交易地址活动频率相对于正常交易大;
3.存在某交易地址多次给异常地址转账的情况,因此异常地址的收款次数相对于正常交易大;
4.异常交易地址的收款金额的平均值相对于正常交易大或者与某商品标价相近;
5.犯罪分子非法获利后,会进行洗钱销赃,因此涉嫌异常交易活动的地址给不同地址转账的次数可能相对于正常交易大。
因此,本实施例中,所获取的特征信息包括出度、入度、转出总金额、转入总金额、绝对余额、去重出度、去重入度、起始时间和最终时间中的至少一个。其中,出度为节点对应的以太坊地址在一段时间内的付款总次数;入度为节点对应的以太坊地址在一段时间内的收款总次数;转出总金额为节点对应的以太坊地址在一段时间内的付款总额;转入总金额为节点对应的以太坊地址在一段时间内的收款总额;绝对余额为转入总金额与转出总金额之差;去重出度为节点对应的以太坊地址在一段时间内对不同地址的付款总次数;去重入度为节点对应的以太坊地址在一段时间内对不同地址的收款总次数;起始时间为节点对应的以太坊地址首次被发现时的时间戳;最终时间为节点对应的以太坊地址最后一次被发现时的时间戳。
本实施例中,设从以太坊系统的交易账本获取到N个以太坊地址的交易信息,所建立的第一交易网络拓扑图中有N个节点,设每个以太坊地址的特征信息的种类都为F种,那么,每个以太坊地址的特征信息可以表示为一个F维的向量,步骤P3中所获取到的第一交易网络拓扑图的特征矩阵,即N个以太坊地址的特征信息可以表示为一个N×F维的特征矩阵
步骤P4中,利用爬虫技术或者人工标记等方式,基于以太坊地址即第一交易网络拓扑图的节点对应的特征信息,结合网外信息,确定以太坊地址的行为类型。本实施例中,根据以太坊地址对应的特征信息,可以将以太坊地址的行为类型确定为诈骗、洗钱、博彩等。将以太坊地址的行为类型本身作为标签信息,对以太坊地址进行标记。由于以太坊地址与第一交易网络拓扑图上节点一一对应,因此第一交易网络拓扑图上的节点被标记相应的标签信息。
步骤P5中,使用第一交易网络拓扑图训练图注意力网络。具体地,对图注意力网络的训练可以包括多轮训练步骤,每轮训练步骤中,以一个特征矩阵作为图注意力网络的输入,以与这个特征矩阵对应第一交易网络拓扑图上相同节点的标签信息作为图注意力网络的期望输出,确定图注意力网络的实际输出与期望输出之间的距离,当图注意力网络的实际输出与期望输出之间的距离小于预设的损失函数,或者训练步骤的轮数达到上限时停止对图注意力网络的训练。
本实施例中,在每轮训练步骤中,图注意力网络对输入的特征矩阵执行以下处理过程:
根据特征矩阵确定每一个节点即以太坊地址i与i的邻居j (j∈Ni)之间的注意力系数ei,j,其中ei,j=a([Whi||Whj]),j∈Ni;其中,W是一个共享参数的权重矩阵,用来对节点的特征进行线性变换实现特征增强;节点i和节点j的变换后的特征进行拼接;a(·)表示计算两个节点之间注意力系数的函数,关于函数a(·)的选择,可以采用单层的前馈神经网络,只需满足输出标量值表示两个节点的相关度即可。
图注意力网络对各注意力系数进行正则化;其中,采用softmax对所有的注意力系数进行正则化,公式如下所示:
至此,已经得到所有节点之间的注意力系数,进而可以为每个以太坊地址聚合其邻居节点的权重,得到新的特征向量。计算公式如下:
最后,图注意力网络采用softmax函数等分类器,根据特征向量计算每个以太坊地址在每个标签信息下的概率,实现以太坊交易行为的分类预测,同时通过交叉熵损失函数和梯度下降的方法,调整模型参数,降低损失值,提高模型的准确性。
通过本实施例中的训练方法,所训练的图神经网络能够学习到第一交易网络拓扑图中所包含的以太坊交易账本的信息,具体地,图神经网络具有捕捉每个以太坊地址在空间信息方面的相关性的能力,能够以较高的识别率识别出标签信息对应的行为类型,当标签信息对应的行为类型属于异常交易行为,经过训练的图神经网络具有识别出以太坊异常交易行为的能力;由于在对图神经网络的训练过程中,图神经网络是对每个节点与其相邻节点进行特征信息加权求和,这种方式只与相邻节点相关,无需使用第一交易网络拓扑图的完整拓扑结构信息也能完成训练过程以及达到训练效果,能够节约计算机资源。
本实施例中,利用经过训练的图神经网络,可以执行以下如图2所示的以太坊异常交易行为识别方法:
S1A.获取根据以太坊系统的交易账本构建的第二交易网络拓扑图;
S2A.获取第二交易网络拓扑图上节点的特征信息;
S3A.根据各特征信息,获取第二交易网络拓扑图的特征矩阵;
S4A.将特征矩阵输入到经过训练的图注意力网络;
S5A.根据图注意力网络的输出结果,确定以太坊地址的行为类型。
步骤S1A中的第二交易网络拓扑图与步骤P1中的第一交易网络拓扑图是同一性质的数据,其来自要使用图注意力网络进行异常交易行为识别的以太坊系统的交易账本。第二交易网络拓扑图为有向图,第二交易网络拓扑图上的边表示以太坊交易,第二交易网络拓扑图上的边所连接的节点表示以太坊交易所涉及的以太坊地址,第二交易网络拓扑图上的边的方向表示以太坊交易的方向。
步骤S2A-S3A的原理与步骤P2-P3相同。步骤S4A中,将特征矩阵输入到图注意力网络,图注意力网络根据特征矩阵确定第二交易网络拓扑图中的各节点与邻居之间的注意力系数,对各注意力系数进行正则化,根据正则化的结果以及第二交易网络拓扑图上各节点的权重,确定特征向量,通过分类器根据特征向量输出各标签信息对应的概率,具体地,图注意力网络的输出结果可以是第二交易网络拓扑图上的一个或多个节点对应的以太坊地址属于诈骗、洗钱、博彩的概率,从而完成异常交易行为的识别。
本实施例中,利用经过训练的图神经网络,可以执行以下如图3所示的以太坊异常交易行为识别方法:
S1B.获取根据以太坊系统的交易账本构建的第二交易网络拓扑图;第二交易网络拓扑图为有向图,第二交易网络拓扑图上的边表示以太坊交易,第二交易网络拓扑图上的边所连接的节点表示以太坊交易所涉及的以太坊地址,第二交易网络拓扑图上的边的方向表示以太坊交易的方向;
S2B.获取第二交易网络拓扑图上节点的特征信息;
S3B.根据各特征信息,获取第二交易网络拓扑图的特征矩阵;
S4B.将特征矩阵输入到多个经过训练的图注意力网络;
S5B.根据各图注意力网络的输出结果的平均值,确定以太坊地址的行为类型。
步骤S1B-S3B的原理与步骤S1A-S3A的原理相同。步骤S4B中,将同一特征矩阵分别输入到多个不同的图注意力网络,步骤S5B中,分别获得这些图注意力网络的输出结果,这些输出结果可以表示为数值,可以采用对这些输出结果求取算术平均值等方式,步骤S1B-S3B 是一种多注意力机制,通过延迟最终的非线性激活函数,最终的处理结果为其中K为图注意力网络的个数,k表示图注意力网络的序号,为第k个注意力系数,Wk为第k个图注意力网络下输入的特征信息的线性变换权重矩阵。由于最终的处理结果与各图注意力网络的输出结果具有相同的量纲,因此根据最终的处理结果,可以确定第二交易网络拓扑图上的一个或多个节点对应的以太坊地址属于诈骗、洗钱、博彩的概率,从而完成异常交易行为的识别。
通过使用经过本实施例中的训练方法训练的图神经网络识别处理以太坊交易账本得到的第二交易网络拓扑图,由于图神经网络具有捕捉每个以太坊地址在空间信息方面的相关性的能力,因此能够以较高的识别率识别出标签信息对应的行为类型,从而识别出异常交易行为,由于图神经网络是对每个节点与其相邻节点进行特征信息加权求和,这种方式只与相邻节点相关,无需使用第二交易网络拓扑图的完整拓扑结构信息也能完成训练过程以及达到训练效果,能够节约计算机资源。
本实施例中,一种计算机装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行实施例中的图注意力网络训练方法和/或以太坊异常交易行为识别方法,实现与实施例所述的相同的技术效果。
本实施例中,一种存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行实施例中的图注意力网络训练方法和/或以太坊异常交易行为识别方法,实现与实施例所述的相同的技术效果。
需要说明的是,如无特殊说明,当某一特征被称为“固定”、“连接”在另一个特征,它可以直接固定、连接在另一个特征上,也可以间接地固定、连接在另一个特征上。此外,本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。此外,除非另有定义,本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例,而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种元件,但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如,在不脱离本公开范围的情况下,第一元件也可以被称为第二元件,类似地,第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例,并且除非另外要求,否则不会对本发明的范围施加限制。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术- 包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本实施例描述的过程的操作,除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/ 或实施方式可以有各种不同的修改和变化。
Claims (10)
1.一种图注意力网络训练方法,其特征在于,包括:
获取根据以太坊系统的交易账本构建的第一交易网络拓扑图;所述第一交易网络拓扑图为有向图,所述第一交易网络拓扑图上的边表示以太坊交易,所述第一交易网络拓扑图上的边所连接的节点表示以太坊交易所涉及的以太坊地址,所述第一交易网络拓扑图上的边的方向表示以太坊交易的方向;
获取所述第一交易网络拓扑图上节点的特征信息;
根据各所述特征信息,获取所述第一交易网络拓扑图的特征矩阵;
获取所述第一交易网络拓扑图上节点的标签信息;
使用所述第一交易网络拓扑图训练所述图注意力网络;其中,所述特征矩阵作为所述图注意力网络的输入,所述标签信息作为所述图注意力网络的期望输出。
2.根据权利要求1所述的图注意力网络训练方法,其特征在于,作为所述图注意力网络的输入的所述特征信息,与作为所述图注意力网络的期望输出的所述标签信息对应所述第一交易网络拓扑图上的相同节点。
3.根据权利要求1所述的图注意力网络训练方法,其特征在于,所述特征信息包括以下至少一个:
出度;所述出度为所述节点对应的以太坊地址在一段时间内的付款总次数;
入度;所述入度为所述节点对应的以太坊地址在一段时间内的收款总次数;
转出总金额;所述转出总金额为所述节点对应的以太坊地址在一段时间内的付款总额;
转入总金额;所述转入总金额为所述节点对应的以太坊地址在一段时间内的收款总额;
绝对余额;所述绝对余额为所述转入总金额与所述转出总金额之差;
去重出度;所述去重出度为所述节点对应的以太坊地址在一段时间内对不同地址的付款总次数;
去重入度;所述去重入度为所述节点对应的以太坊地址在一段时间内对不同地址的收款总次数;
起始时间;所述起始时间为所述节点对应的以太坊地址首次被发现时的时间戳;
最终时间;所述最终时间为所述节点对应的以太坊地址最后一次被发现时的时间戳。
4.根据权利要求1所述的图注意力网络训练方法,其特征在于,所述标签信息是基于同一节点对应的所述特征信息确定的,所述标签信息用于表示所述节点对应的以太坊地址的行为类型。
5.根据权利要求1所述的图注意力网络训练方法,其特征在于,所述根据各所述特征信息,获取所述第一交易网络拓扑图的特征矩阵,包括:
将各所述特征信息的向量化表示作为元素,组成所述特征矩阵。
6.根据权利要求1所述的图注意力网络训练方法,其特征在于,所述使用所述第一交易网络拓扑图训练所述图注意力网络,包括:
所述图注意力网络根据所述特征矩阵,确定各所述节点与邻居之间的注意力系数;
所述图注意力网络对各所述注意力系数进行正则化;
所述图注意力网络根据所述正则化的结果以及所述第一交易网络拓扑图上各节点的权重,确定特征向量;
所述图注意力网络通过分类器根据所述特征向量输出各所述标签信息对应的概率。
7.一种以太坊异常交易行为识别方法,其特征在于,包括:
获取根据以太坊系统的交易账本构建的第二交易网络拓扑图;所述第二交易网络拓扑图为有向图,所述第二交易网络拓扑图上的边表示以太坊交易,所述第二交易网络拓扑图上的边所连接的节点表示以太坊交易所涉及的以太坊地址,所述第二交易网络拓扑图上的边的方向表示以太坊交易的方向;
获取所述第二交易网络拓扑图上节点的特征信息;
根据各所述特征信息,获取所述第二交易网络拓扑图的特征矩阵;
将所述特征矩阵输入到图注意力网络;所述图注意力网络经过如权利要求1-6任一项所述训练方法的训练;
根据所述图注意力网络的输出结果,确定所述以太坊地址的行为类型。
8.一种以太坊异常交易行为识别方法,其特征在于,包括:
获取根据以太坊系统的交易账本构建的第二交易网络拓扑图;所述第二交易网络拓扑图为有向图,所述第二交易网络拓扑图上的边表示以太坊交易,所述第二交易网络拓扑图上的边所连接的节点表示以太坊交易所涉及的以太坊地址,所述第二交易网络拓扑图上的边的方向表示以太坊交易的方向;
获取所述第二交易网络拓扑图上节点的特征信息;
根据各所述特征信息,获取所述第二交易网络拓扑图的特征矩阵;
将所述特征矩阵输入到多个图注意力网络;各所述图注意力网络经过如权利要求1-6任一项所述训练方法的训练;
根据各所述图注意力网络的输出结果的平均值,确定所述以太坊地址的行为类型。
9.一种计算机装置,其特征在于,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行权利要求1-6任一项所述训练方法和/或权利要求7或8所述识别方法。
10.一种存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行权利要求1-6任一项所述训练方法和/或权利要求7或8所述识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011294215.0A CN112435122A (zh) | 2020-11-18 | 2020-11-18 | 网络训练方法、异常交易行为识别方法、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011294215.0A CN112435122A (zh) | 2020-11-18 | 2020-11-18 | 网络训练方法、异常交易行为识别方法、装置和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112435122A true CN112435122A (zh) | 2021-03-02 |
Family
ID=74694151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011294215.0A Withdrawn CN112435122A (zh) | 2020-11-18 | 2020-11-18 | 网络训练方法、异常交易行为识别方法、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112435122A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191775A (zh) * | 2021-04-22 | 2021-07-30 | 深圳前海移联科技有限公司 | 基于以太坊上交易时序信息的庞氏骗局智能合约检测方法 |
CN113259402A (zh) * | 2021-07-19 | 2021-08-13 | 北京明略软件系统有限公司 | 一种异常网络协议地址的确定方法和装置 |
CN113362071A (zh) * | 2021-06-21 | 2021-09-07 | 浙江工业大学 | 一种针对以太坊平台的庞氏骗局识别方法及系统 |
CN114462600A (zh) * | 2022-04-11 | 2022-05-10 | 支付宝(杭州)信息技术有限公司 | 一种有向图对应的图神经网络的训练方法及装置 |
CN115345736A (zh) * | 2022-07-14 | 2022-11-15 | 南京金威诚融科技开发有限公司 | 一种金融交易异常行为检测方法 |
-
2020
- 2020-11-18 CN CN202011294215.0A patent/CN112435122A/zh not_active Withdrawn
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191775A (zh) * | 2021-04-22 | 2021-07-30 | 深圳前海移联科技有限公司 | 基于以太坊上交易时序信息的庞氏骗局智能合约检测方法 |
CN113191775B (zh) * | 2021-04-22 | 2023-10-31 | 深圳前海移联科技有限公司 | 基于以太坊上交易时序信息的庞氏骗局智能合约检测方法 |
CN113362071A (zh) * | 2021-06-21 | 2021-09-07 | 浙江工业大学 | 一种针对以太坊平台的庞氏骗局识别方法及系统 |
CN113259402A (zh) * | 2021-07-19 | 2021-08-13 | 北京明略软件系统有限公司 | 一种异常网络协议地址的确定方法和装置 |
CN114462600A (zh) * | 2022-04-11 | 2022-05-10 | 支付宝(杭州)信息技术有限公司 | 一种有向图对应的图神经网络的训练方法及装置 |
CN114462600B (zh) * | 2022-04-11 | 2022-07-05 | 支付宝(杭州)信息技术有限公司 | 一种有向图对应的图神经网络的训练方法及装置 |
CN115345736A (zh) * | 2022-07-14 | 2022-11-15 | 南京金威诚融科技开发有限公司 | 一种金融交易异常行为检测方法 |
CN115345736B (zh) * | 2022-07-14 | 2023-12-29 | 上海即科智能技术集团有限公司 | 一种金融交易异常行为检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112435122A (zh) | 网络训练方法、异常交易行为识别方法、装置和介质 | |
CN110188198B (zh) | 一种基于知识图谱的反欺诈方法及装置 | |
CN109636658B (zh) | 一种基于图卷积的社交网络对齐方法 | |
CN105938559B (zh) | 使用卷积神经网络的数字图像处理 | |
CN108428132B (zh) | 欺诈交易识别方法、装置、服务器及存储介质 | |
WO2021174966A1 (zh) | 训练风险识别模型的方法及装置 | |
CN109034583A (zh) | 异常交易识别方法、装置及电子设备 | |
CN111428217A (zh) | 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质 | |
CN114782161A (zh) | 识别风险用户的方法、装置、存储介质及电子装置 | |
CN114841705B (zh) | 一种基于场景识别的反欺诈监测方法 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN114638704A (zh) | 非法资金转移的识别方法及其装置、电子设备及存储介质 | |
CN112597238A (zh) | 基于人员信息的知识图谱构建方法、系统、设备及介质 | |
CN109165947B (zh) | 账户信息确定方法、装置及服务器 | |
CN111126264A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN113435900A (zh) | 交易风险确定方法、装置和服务器 | |
CN111768286B (zh) | 风险预测方法、装置、设备及存储介质 | |
CN113450215A (zh) | 交易数据的风险检测方法、装置和服务器 | |
US20230333720A1 (en) | Generating presentation information associated with one or more objects depicted in image data for display via a graphical user interface | |
CN111681044A (zh) | 积分兑换作弊行为处理方法及装置 | |
CN115345727B (zh) | 一种识别欺诈贷款申请的方法及装置 | |
CN116757476A (zh) | 一种风险预测模型的构建、风险防控方法和装置 | |
Rigter et al. | Optimal admission control for multiclass queues with time-varying arrival rates via state abstraction | |
CN114723554B (zh) | 异常账户识别方法及装置 | |
CN111353577A (zh) | 基于多任务的级联组合模型的优化方法、装置及终端设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210302 |
|
WW01 | Invention patent application withdrawn after publication |