CN114240659A - 一种基于动态图卷积神经网络的区块链异常节点识别方法 - Google Patents
一种基于动态图卷积神经网络的区块链异常节点识别方法 Download PDFInfo
- Publication number
- CN114240659A CN114240659A CN202111551207.4A CN202111551207A CN114240659A CN 114240659 A CN114240659 A CN 114240659A CN 202111551207 A CN202111551207 A CN 202111551207A CN 114240659 A CN114240659 A CN 114240659A
- Authority
- CN
- China
- Prior art keywords
- graph
- transaction
- nodes
- neural network
- abnormal
- 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
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
- G06N3/045—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于动态图卷积神经网络的区块链异常节点识别方法,根据区块链中的交易数据构建图结构;图中的节点为区块链上的交易,边表示交易代币流向;相同时间步长的交易数据构建为一个图,根据不同的时间生成不同的图,使用邻接矩阵表示每个图;建立交易的ID字典,将图映射到ID字典上;对图进行预处理使其满足动态图卷积神经网络的输入要求,并对图中节点按照异常节点和非异常节点贴标签,形成动态图卷积神经网络的训练集与测试集;将训练集输入至动态图卷积神经网络进行训练;将测试集输入至训练完成的动态图卷积神经网络进行异常与非异常节点的检测分类,从而完成对区块链节点进行异常行为检测。
Description
技术领域
本发明属于区块链技术领域,具体涉及对区块链异常节点与非异常节点的检测的技术。
背景技术
2009年比特币(全球市值最大的数字货币)诞生以来,在全球金融交易掀起一场风暴,比特币的交易价格从2013年的100美元一路涨至2020 年近六万美元。在比特币交易中,使用P2P网络节点的分布式数据库来记录货币的交易,使用密码学的设计来确保货币流通各个环节的安全性,并由整个比特币系统共同承担交易风险。比特币有如下便于非法资金转移的特点:(1)非主权性,可以在不同交易平台兑换各国货币,资金流向难以监管;(2)去中介化,非法资金转移者通过比特币交易平台就可以绕过监管严密的金融系统,脱离第三方中介;(3)匿名性,比特币交易数据只能够记录转移的数量和收款地址,一旦交易完成就可以随时轻松销号,另立新账户,用户身份可以完全隐蔽;(4)便捷性,电子钱包存在于电脑硬盘中,可以被随身携带,发达的网络电子数据传输技术可以支持在短时间内转移价值巨大的比特币资产。基于数字货币去中心化、匿名性、强跨境流通性等特征,传统的反非法资金转移措施中根据货币流转,客户识别等方案已经无法达到有效的反非法资金转移监管,因此发展迅速的数字货币交易领域存在着法律制度不完善、法律规定不明确、反非法资金转移监管措施执行力弱以及现行监管路径选择导致反非法资金转移措施有效性不足等问题。
Elliptic是一家加密货币情报公司,其致力于保护加密货币生态系统免受犯罪活动的影响。据调研所知,Elliptic比特币交易图形网络数据集是与加密货币相关最大的标记交易数据集。该Elliptic数据集将比特币交易映射到属于合法类别的真实实体,以及非法实体。根据原始比特币数据,构造并标记一个图,其中节点表示交易,边缘表示比特币从一笔交易流向下一笔交易。如果发起交易的实体(即控制与特定交易输入地址相关联私钥的实体)属于合法实体,则将给定交易视为合法类别,反之则判为非法类别。重要的是,所有的功能都是使用公共信息构建的。
图卷积神经网络自出世后一直被全面应用于非欧式数据的建模和表示学习,但是工业级的应用都是局限于处理静态网络问题,即将图数据只做单次计算,忽略图随着时间推移的结构复杂演化和边属性性质变化。
发明内容
本发明所要解决的技术问题是,提供一种应用图卷积神经网络对区块链节点进行异常行为检测的方法。
本发明为解决上述技术问题所采用的技术方案是,一种基于动态图卷积神经网络的区块链异常节点识别方法,包括步骤:
S1.根据区块链中的交易数据构建图结构;图中的节点为区块链上的交易,边表示交易代币流向;
各节点对应的交易数据包括该笔交易的原始特征和聚合特征;原始特征包括交易代币流向、交易费、时间步长;所述交易代币流向为输出或输入,交易费为交易方向记账者支付的报酬,时间步长为交易统计时间间隔;聚合特征为通过节点向后和向前一跳聚合交易信息得到的相邻节点的最大交易金额、最小交易金额、标准差和相关系数;
相同时间步长的交易数据构建为一个图,根据不同的时间生成不同的图,使用邻接矩阵表示每个图;建立交易的ID字典,将图映射到ID字典上;
S2.对图进行预处理使其满足动态图卷积神经网络的输入要求,并对图中节点按照异常节点和非异常节点贴标签,形成动态图卷积神经网络的训练集与测试集;
S3.将训练集输入至动态图卷积神经网络进行训练;
S4.将测试集输入至训练完成的动态图卷积神经网络进行异常与非异常节点的检测分类。
进一步的,动态图卷积神经网络为一个基于双层图卷积网络、长短期记忆模块和时间卷积网络的分类模型;
第一层图卷积网络用于提取特征向量;
长短期记忆模块用于完成第一层图卷积网络GCN在不同时间步长下的参数更新;
时间卷积网络TCN用于对第一层图卷积网络GCN输出的特征向量进行邻域信息聚合从而提取时序特征;
第二层图卷积网络将时序特征、上一个时间步长的特征向量与当前时间步长的特征向量进行拼接后进行检测分类。
本发明的有益效果是,利用图数据结构表达区块链节点交易,针对区块链交易拓扑图进行动态图卷积神经网络机器学习的方法训练区块链节点交易数据,得到异常节点与非异常节点分类,从而完成对区块链节点进行异常行为检测。
附图说明
图1为基于动态图卷积神经网络的区块链异常节点识别方法流程图;
图2为动态图卷积神经网络模型图。
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、技术方案和优点更加清楚,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。
应用于区块链非法资金转移节点检测的方法,如图1所示,具体步骤如下:
1.根据区块链节点的性质和交易数据对区块链网络中节点构建图结构;
2.区块链节点图结构数据的预处理:对节点的数据进行形式化汇总,满足图卷积神经网络的输入要求,并对图中节点按照异常节点和非异常节点贴标签,形成动态图卷积神经网络的训练集与测试集,便于后续的动态图卷积神经模型训练;
3.构建动态图卷积神经网络,将对预处理后的节点数据分批次输入动态图卷积神经网络进行训练;
4.利用训练完成的动态图卷积神经网络对区块链上的交易进行异常与非异常检测分类。
通过以下步骤构建区块链节点的图结构:
1)收集、处理区块链节点与钱相关的交易特征的数据;
2)利用图数据结构描述节点交易情况:
图中的节点为区块链上的交易,边表示交易代币流向;各节点对应的交易数据包括该笔交易的原始特征和聚合特征;原始特征包括交易代币流向、交易费、时间步长;所述交易代币流向为输出或输入,交易费为交易方向记账者支付的报酬,时间步长为交易统计时间间隔;聚合特征为通过节点向后和向前一跳聚合交易信息得到的相邻节点的最大交易金额、最小交易金额、标准差和相关系数;相同时间步长的交易数据构建为一个图,根据不同的时间生成不同的图,使用邻接矩阵表示每个图;通过初始化ID 生成ID字典,根据ID字典读取边信息以及生成边列表,即将图中的节点映射到ID字典上;
进一步的,出于计算方便的目的,使用带自环的邻接矩阵表示每个图,带自环的邻接矩阵的生成方法为:先将邻接矩阵转为对称矩阵,然后设对称矩阵的对角线为1从而生成带自环的邻接矩阵。
具体的,设置不同的49个时间步长,形成动态图卷积模型的训练集、测试集时,将前35个时间步长的图作为训练集,后14个时间步长的图作为测试集。
构建动态图卷积神经网络结构,一个基于双层图卷积网络GCN(Graphconvolution Network)、长短期记忆LSTM(Long Short-Term Memory)、时间卷积网络TCN(Temporal convolution network)的分类模型,如图2 所示。
本发明将图数据进行构图处理后输入第一层空间卷积层进行节点特征信息抽取变换,然后对节点局部的结构信息进行聚合以获取交易网络图谱中节点的邻域信息,同时利用LSTM来控制GCN在不同时间步长下的输入参数来解决GCN模型参数随时间步长变化需要动态更新的问题。时间卷积网络TCN对第一层图卷积网络GCN输出的特征向量进行邻域信息聚合从而提取时序特征。利用利用第二层GCN来处理当前时刻的结构信息和历史时刻的结构信息,将提取的含有图结构信息的特征向量输入到第二层时间卷积层进行时序信息的聚合,即将时序特征、上一个时间步长的特征向量与当前时间步长的特征向量进行拼接后进行检测分类。
第l层GCN的计算公式如下:
LSTM都以参数的初始值作为输入,输出更新后的权重参数。时刻t第 l层的权重具体更新方式如下:
Ft=sigmoid(WFXt+UFHt-1+BF)
It=sigmoid(WIXt+UIHt-1+BI)
Ot=sigmoid(WOXt+UOHt-1+BO)
Ht=Ottanh(Ct)
F表示记录历史的遗忘门,W表示权重矩阵,X表示当前交易网络的输入,B表示神经网络的偏置项,U表示上一层输出的权重矩阵,I表示当前时刻网络的输入门,O控制长期记忆对输出影响的输出门,当前输入的单元状态,C当前时刻的单元状态,H当前时刻输出矩阵,WF表示历史遗忘门的权重矩阵,WI表示输入门的权重矩阵,WO表示输出门的权重矩阵。
本发明采用基于注意力的TCN模型,TCN由一个1D的全连接卷积模块 (1D fully-convolutional unit)和一个因果卷积模块(causal convolutional unit)构成。
在本发明的模型中,空间卷积层和时间卷积层分别聚合和图结构信息和交易时序信息并将其融合在单个节点的特征矩阵中。第二层GCN的计算公式如下:
其中,Concat表示拼接操作,优化处理后的GCN保持原邻域节点特征能力更强。
动态图卷积分类模型的训练,预处理后的训练集输入动态图卷积模型进行学习训练,神经网络的权重通过自适应权重交叉熵来进行训练,使用经过预处理后的完整的数据集对每个训练迭代执行批量梯度下降。
对动态图卷积分类模型测试和节点检测,首先,将测试集中节点的图数据结构经过预处理输入已经训练好的动态图卷积模型,然后,输出测试集中节点是否属于非法资金转移节点,最后,将测试集中节点真实类型与预测类型进行比对,评估GCN模型的性能。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (4)
1.一种基于动态图卷积神经网络的区块链异常节点识别方法,其特征在于,包括:
S1.根据区块链中的交易数据构建图结构;图中的节点为区块链上的交易,边表示交易代币流向;
各节点对应的交易数据包括该笔交易的原始特征和聚合特征;原始特征包括交易代币流向、交易费、时间步长;所述交易代币流向为输出或输入,交易费为交易方向记账者支付的报酬,时间步长为交易统计时间间隔;聚合特征为通过节点向后和向前一跳聚合交易信息得到的相邻节点的最大交易金额、最小交易金额、标准差和相关系数;
相同时间步长的交易数据构建为一个图,根据不同的时间生成不同的图,使用邻接矩阵表示每个图;建立交易的ID字典,将图映射到ID字典上;
S2.对图进行预处理使其满足动态图卷积神经网络的输入要求,并对图中节点按照异常节点和非异常节点贴标签,形成动态图卷积神经网络的训练集与测试集;
S3.将训练集输入至动态图卷积神经网络进行训练;
S4.将测试集输入至训练完成的动态图卷积神经网络进行异常与非异常节点的检测分类。
2.如权利要求1所述方法,其特征在于,使用带自环的邻接矩阵表示每个图,带自环的邻接矩阵的生成方法为:先将邻接矩阵转为对称矩阵,然后设对称矩阵的对角线为1从而生成带自环的邻接矩阵。
3.如权利要求1所述方法,其特征在于,动态图卷积神经网络为一个基于双层图卷积网络、长短期记忆模块和时间卷积网络的分类模型;
第一层图卷积网络用于提取特征向量;
长短期记忆模块用于完成第一层图卷积网络GCN在不同时间步长下的参数更新;
时间卷积网络TCN用于对第一层图卷积网络GCN输出的特征向量进行邻域信息聚合从而提取时序特征;
第二层图卷积网络将时序特征、上一个时间步长的特征向量与当前时间步长的特征向量进行拼接后进行检测分类。
4.根据权利要求1所述方法,其特征在于,训练动态图卷积网络的损失函数采用自适应权重交叉熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111551207.4A CN114240659A (zh) | 2021-12-17 | 2021-12-17 | 一种基于动态图卷积神经网络的区块链异常节点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111551207.4A CN114240659A (zh) | 2021-12-17 | 2021-12-17 | 一种基于动态图卷积神经网络的区块链异常节点识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114240659A true CN114240659A (zh) | 2022-03-25 |
Family
ID=80758159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111551207.4A Pending CN114240659A (zh) | 2021-12-17 | 2021-12-17 | 一种基于动态图卷积神经网络的区块链异常节点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240659A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116708029A (zh) * | 2023-08-04 | 2023-09-05 | 烟台大学 | 一种区块链异常节点的检测方法、系统、设备和存储介质 |
CN117852092A (zh) * | 2024-02-23 | 2024-04-09 | 广州钜慧信息科技有限公司 | 基于区块链的数据安全保护方法及系统 |
CN118070201A (zh) * | 2024-04-22 | 2024-05-24 | 湖南高阳通联信息技术有限公司 | 基于区块链的第三方支付异常交易检测方法 |
CN117852092B (zh) * | 2024-02-23 | 2024-07-12 | 广州钜慧信息科技有限公司 | 基于区块链的数据安全保护方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717828A (zh) * | 2019-09-09 | 2020-01-21 | 中国科学院计算技术研究所 | 一种基于频繁交易模式的异常账户检测方法及系统 |
CN111311416A (zh) * | 2020-02-28 | 2020-06-19 | 杭州云象网络技术有限公司 | 一种基于多通道图和图神经网络的区块链洗钱节点检测方法 |
CN113657896A (zh) * | 2021-08-20 | 2021-11-16 | 成都链安科技有限公司 | 一种基于图神经网络的区块链交易拓扑图分析方法和装置 |
CN113792929A (zh) * | 2021-04-26 | 2021-12-14 | 青岛大学 | 交通流量预测方法、电子设备及存储介质 |
-
2021
- 2021-12-17 CN CN202111551207.4A patent/CN114240659A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717828A (zh) * | 2019-09-09 | 2020-01-21 | 中国科学院计算技术研究所 | 一种基于频繁交易模式的异常账户检测方法及系统 |
CN111311416A (zh) * | 2020-02-28 | 2020-06-19 | 杭州云象网络技术有限公司 | 一种基于多通道图和图神经网络的区块链洗钱节点检测方法 |
CN113792929A (zh) * | 2021-04-26 | 2021-12-14 | 青岛大学 | 交通流量预测方法、电子设备及存储介质 |
CN113657896A (zh) * | 2021-08-20 | 2021-11-16 | 成都链安科技有限公司 | 一种基于图神经网络的区块链交易拓扑图分析方法和装置 |
Non-Patent Citations (3)
Title |
---|
ALDO PAREJA 等: "EvolveGCN: Evolving Graph Convolutional Networks for Dynamic Graphs" * |
MARK WEBER 等: "Anti-Money Laundering in Bitcoin: Exp erimenting with Graph Convolutional Networks for Financial Forensics" * |
李荆 等: "基于时空建模的动态图卷积神经网络" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116708029A (zh) * | 2023-08-04 | 2023-09-05 | 烟台大学 | 一种区块链异常节点的检测方法、系统、设备和存储介质 |
CN116708029B (zh) * | 2023-08-04 | 2023-10-20 | 烟台大学 | 一种区块链异常节点的检测方法、系统、设备和存储介质 |
CN117852092A (zh) * | 2024-02-23 | 2024-04-09 | 广州钜慧信息科技有限公司 | 基于区块链的数据安全保护方法及系统 |
CN117852092B (zh) * | 2024-02-23 | 2024-07-12 | 广州钜慧信息科技有限公司 | 基于区块链的数据安全保护方法及系统 |
CN118070201A (zh) * | 2024-04-22 | 2024-05-24 | 湖南高阳通联信息技术有限公司 | 基于区块链的第三方支付异常交易检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ileberi et al. | Performance evaluation of machine learning methods for credit card fraud detection using SMOTE and AdaBoost | |
Ghobadi et al. | Cost sensitive modeling of credit card fraud using neural network strategy | |
Sadineni | Detection of fraudulent transactions in credit card using machine learning algorithms | |
Suryanarayana et al. | Machine learning approaches for credit card fraud detection | |
CN114240659A (zh) | 一种基于动态图卷积神经网络的区块链异常节点识别方法 | |
CN114818999B (zh) | 基于自编码器和生成对抗网络的账户识别方法及系统 | |
Niveditha et al. | Credit card fraud detection using random forest algorithm | |
CN116307671A (zh) | 风险预警方法、装置、计算机设备、存储介质 | |
CN115375480A (zh) | 基于图神经网络的异常虚拟币钱包地址检测方法 | |
Karthikeyan et al. | An effective fraud detection using competitive swarm optimization based deep neural network | |
Owusu et al. | A deep learning approach for loan default prediction using imbalanced dataset | |
Fan et al. | A denoising autoencoder approach for credit risk analysis | |
Pandey et al. | A review of credit card fraud detection techniques | |
US20240161117A1 (en) | Trigger-Based Electronic Fund Transfers | |
Ayorinde | A methodology for detecting credit card fraud | |
Aljojo | Predicting financial risk associated to bitcoin investment by deep learning | |
CN115170334A (zh) | 一种反洗钱模型的训练方法及装置 | |
Fakiha | Forensic Credit Card Fraud Detection Using Deep Neural Network | |
Shah et al. | Comparative study of machine learning based classification techniques for credit card fraud detection | |
Tong et al. | Financial transaction fraud detector based on imbalance learning and graph neural network | |
Hassan et al. | Web Phishing Classification Model using Artificial Neural Network and Deep Learning Neural Network | |
Karthikeyan et al. | Intelligent Financial Fraud Detection Using Artificial Bee Colony Optimization Based Recurrent Neural Network. | |
Dzelihodzic et al. | Data Mining Techniques for Credit Risk Assessment Task | |
Khang et al. | Detecting fraud transaction using ripper algorithm combines with ensemble learning model | |
Zioviris et al. | An intelligent sequential fraud detection model based on deep learning |
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 |