CN114445085A - 一种区块链数字货币的实体身份类型推测方法及系统 - Google Patents
一种区块链数字货币的实体身份类型推测方法及系统 Download PDFInfo
- Publication number
- CN114445085A CN114445085A CN202210122317.7A CN202210122317A CN114445085A CN 114445085 A CN114445085 A CN 114445085A CN 202210122317 A CN202210122317 A CN 202210122317A CN 114445085 A CN114445085 A CN 114445085A
- Authority
- CN
- China
- Prior art keywords
- identity type
- virtual address
- data set
- entity
- training
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4014—Identity check for transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种区块链数字货币的实体身份类型推测方法及系统,涉及区块链技术领域,包括:根据区块链数字货币原始交易数据集进行特征提取、降维,得到融合特征数据集;将融合特征数据集分为训练样本和验证样本,训练样本训练虚拟地址账户身份类型识别模型,获得分类器;分类器对验证样本进行虚拟地址账户身份类型识别,获得虚拟地址账户身份类型表;根据虚拟地址账户身份类型表进行聚类,获得多个实体,统计各实体的所有虚拟地址账户及对应的身份类型;根据实体每种身份类型的虚拟地址账户数量占比,确定该实体的身份类型。本发明通过特征筛选、降维提升模型整体识别效率,基于纠错机制中和启发式聚类高估与低估的问题,提升了模型的推测效果。
Description
技术领域
本发明涉及区块链技术领域,涉及一种区块链数字货币的实体身份类型推测方法及系统,尤其是涉及一种适用于以交易为中心的区块链数字货币的实体身份类型推测方法及系统。
背景技术
日本学者于2008年在论文中首次提出“比特币”这一概念,2015年《经济学者》杂志中发表名为《The Trust Machine》(信任机器)的文章,比特币的底层技术区块链逐渐趋于火热,很多专家学者投身于对区块链技术进行研究。区块链技术的持续发展,也致使越来越多的以比特币为底层技术的数字货币的诞生。区块链数字货币具备区别于传统数字货币的去中心化、不可篡改、匿名化等特性。这些特性在保障区块链网络中节点的相对自由与安全性的同时,使得整个区块链数字货币网络充斥着各种违法交易,这为有关部门的监管工作带来了巨大的挑战。因此,在保证用户真实信息不被泄露的情况下利用区块链本身的交易信息与交易特性对区块链数字货币的实体身份类型进行推测,对于监管部门判别区块链数字货币交易网络中实体的合法性具有重要意义。
目前关于区块链数字货币网络实体类型推测的研究主要包括:基于交易属性的实体身份推测方法、基于交易行为的实体身份推测方法以及基于链下信息的实体身份推测方法。(1)基于交易属性的实体身份推测方法,主要利用区块链数字货币启发式聚类方法,将属于同1实体的交易地址聚为1类,认定为同1实体;(2)基于交易行为的实体身份推测方法,主要利用机器学习的分类及聚类方式,将区块链数字货币交易信息作为特征输入,将虚拟地址账户识别分类作为输出,达到虚拟地址账户识别的目的;(3)基于链下信息的实体身份推测方法,通过将区块链数字货币中的实体与比特币论坛等网站中用户公布的信息、用户IP地址、邮箱地址等链下信息相关联进行实体识别。
但以上三种研究方案均存在一些缺陷;(1)基于交易属性的实体身份推测方案,存在低估误差及高估误差问题;(2)基于交易行为的实体身份推测方案,对交易历史的特征提取与使用并不充分,并且忽略了交易模式特性。(3)基于链下信息的实体身份推测方案,只能对暴露过IP地址等信息或出现在比特币论坛中的实体身份进行分析。
发明内容
针对上述问题,本发明提供了一种区块链数字货币的实体身份类型推测方法及系统,利用区块链数字货币的原有交易数据,通过特征筛选、降维构建特征融合数据集、通过机器学习分类方法对区块链虚拟地址账户身份类型进行推测,并利用区块链启发式聚类方法设计基于投票的纠错机制,对区块链数字货币实体身份类型进行推测,提升对区块链数字货币实体身份的推测效果。
为实现上述目的,本发明提供了一种区块链数字货币的实体身份类型推测方法,包括:
根据区块链数字货币的原始交易数据集进行特征提取、降维,得到融合特征数据集,得到融合特征数据集;
将所述融合特征数据集分为训练样本和验证样本,根据所述训练样本训练虚拟地址账户身份类型识别模型,获得分类器;
通过所述分类器对所述验证样本进行虚拟地址账户身份类型识别,获得虚拟地址账户身份类型表;
根据所述虚拟地址账户身份类型表进行聚类,获得多个实体,统计各所述实体的所有虚拟地址账户及对应的身份类型;
根据所述实体每种所述身份类型的虚拟地址账户数量占比,为确定该实体的身份类型。
作为本发明的进一步改进,所述根据区块链数字货币的原始交易数据集进行特征提取、降维,得到融合特征数据集;包括:
根据区块链数字货币的原始交易数据集进行特征提取获得初始特征数据集;
对所述初始特征数据集进行特征筛选和降维处理,得到融合特征数据集。
作为本发明的进一步改进,
将区块链数字货币的所述原始交易数据集解析为地址数据集和交易数据集;
将地址数据集和交易数据集中的数据进行1对n映射,并输入Feature-tools特征生成工具,经聚合及转换操作自动化计算初始特征数据集。
作为本发明的进一步改进,基于信息增益计算所述初始特征数据集中每个特征的特征贡献值,筛选所述特征贡献值高于预设贡献度阈值的特征,得到新特征数据集;
对所述新特征数据集进行PCA降维处理,获得融合特征数据集。
作为本发明的进一步改进,根据所述训练样本训练虚拟地址账户身份类型识别模型,获得分类器,包括:
将所述训练样本分为训练数据和测试数据;
通过训练数据对所述虚拟地址账户身份类型识别模型进行训练,通过测试数据对训练得到的所述虚拟地址账户身份类型识别模型进行效果检验;
循环进行训练、检验过程使所述虚拟地址账户身份类型识别模型迭代优化,获得最优模型作为分类器。
作为本发明的进一步改进,
所述分类器针对验证样本中每组数据依次判断是否属于类型1至n;
过程中,若判断为是,则该组数据属于对应类型;
若均判断为否,则该组数据为其它类型。
作为本发明的进一步改进,采用启发式聚类方法对所述虚拟地址账户身份类型表中的虚拟地址账户进行聚类,获得多个实体。
作为本发明的进一步改进,所述根据所述实体每种所述身份类型的虚拟地址账户数量占比,确定该实体的身份类型;包括:
分别计算实体各所述身份类型的虚拟地址账户数量占比,获得占比最大的所述身份类型及对应的比值;
判断该所述比值是否大于0.5,若判断为是,则推测该实体的身份类型为该占比最大的所述身份类型,并将该实体的所有所述虚拟地址账户均确定为该占比最大的所述身份类型。
作为本发明的进一步改进,若判断为否,则认为该实体的所述虚拟地址账户身份类型无法推测。
本发明还提供了一种区块链数字货币的实体身份类型推测系统,包括:数据准备模块、模型训练模块、虚拟地址账户身份类型初步推测模块、启发式纠错推测模块;
所述数据准备模块,用于:
根据区块链数字货币的原始交易数据集进行特征提取、降维,得到融合特征数据集,得到融合特征数据集;
所述模型训练模块,用于:
将所述融合特征数据集分为训练样本和验证样本,根据所述训练样本训练虚拟地址账户身份类型识别模型,获得分类器;
所述虚拟地址账户身份类型初步推测模块,用于:
通过所述分类器对所述验证样本进行虚拟地址账户身份类型识别,获得虚拟地址账户身份类型表;
所述启发式纠错推测模块,用于:
根据所述虚拟地址账户身份类型表进行聚类,获得多个实体,统计各所述实体的所有虚拟地址账户及对应的身份类型;
根据所述实体每种所述身份类型的虚拟地址账户数量占比,确定该实体的身份类型。
与现有技术相比,本发明的有益效果为:
本发明利用区块链数字货币的原有交易数据,自动化生成特征,并通过特征筛选、数据降维等方式构建样本特征数据集、通过机器学习分类方法对区块链虚拟地址账户身份类型进行推测,然后利用区块链启发式聚类方法设计基于投票的纠错机制,对区块链数字货币实体身份类型进行推测,从而完成一个适用于以交易为中心的区块链数字货币的实体身份类型推测方法,提升实体身份类型推测效果。
本发明基于原始交易数据的自动化特征提取方案,可以增大信息数据的利用率,防止关键信息的损失,并且可以减轻对特征数据进行分析设计的工作负担,更加适用于以交易为中心的区块链数字货币网络的特征构建工作。
本发明通过特征筛选与降维工作,通过剔除无用特征,提升模型整体识别效率;其次特征降维处理方法将特征进行融合,能够减小维度灾难问题。
本发明基于交易属性的纠错机制的设计,可以中和启发式聚类方法的高估与低估问题,对交易形式进行应用,在一定程度上提升了整体模型的识别效果。
附图说明
图1为本发明一种实施例公开的区块链数字货币的实体身份类型推测方法流程图;
图2为本发明一种实施例公开的区块链数字货币的实体身份类型推测方法的完整流程框架图;
图3为本发明一种实施例公开的初始特征数据集生成流程图;
图4为本发明一种实施例公开的对初始特征数据集进行特征筛选和降维流程图;
图5为本发明一种实施例公开的虚拟地址账户身份类型识别模型训练及识别流程图;
图6为本发明一种实施例公开的基于启发式纠错方法进行实体身份类型识别流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合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,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述:
如图1、2所示,本发明提供的一种区块链数字货币的实体身份类型推测方法,包括步骤:
S1、根据区块链数字货币的原始交易数据集进行特征提取、降维,得到融合特征数据集,得到融合特征数据集;
其中,
根据区块链数字货币的原始交易数据集进行特征提取获得初始特征数据集;
对初始特征数据集进行特征筛选和降维处理,得到融合特征数据集;
进一步的,
将区块链数字货币的原始交易数据集解析为地址数据集和交易数据集;
将地址数据集和交易数据集中的数据进行1对n映射,并输入Feature-tools特征生成工具,经聚合及转换操作自动化计算初始特征数据集。
基于信息增益计算初始特征数据集中每个特征的特征贡献值,筛选特征贡献值高于预设贡献度阈值的特征,得到新特征数据集;
对新特征数据集进行PCA降维处理,获得融合特征数据集。
更进一步的,
本发明适用于以交易为中心的区块链数字货币身份类型推测,比特币是最为典型的以交易为中心的区块链数字货币,所以本发明将比特币数据作为研究对象。
如图3所示,初始比特币交易数据包括:虚拟地址账户基础json数据和虚拟地址账户交易json数据;首先,需要对这两种json数据进行格式化,生成虚拟地址账户基础特征信息表(addresses)和虚拟地址账户交易特征信息表(transactions),并且将两种表进行关系映射,形成父子关系表,addresses表为父表,transactions表为子表,其映射关系为1对n;其次,将两个表转换为Entity-Set形式的两张关系表作为Feature-tools特征生成工具的输入;然后基于Feature-tools的聚合操作以及转换操作自动化计算初始特征数据集。
聚合操作(Aggregation primitives):应用于实体集的父子关系中,其中涵盖“count”统计、“sum”求和、“avg_time_between”平均时间等聚合方法,对父子表数据进行聚合生成新的特征。
转换操作(Transform primitives):将一个实体的一个或多个变量作为输入,并未该实体输出一个新的变量,应用于该实体,常用的转换方法包括“hour”时间戳转换,“time_since_precious”以及“absolute”等。
如图4所示,基于信息增益对初始特征数据集中的每个特征计算其特征贡献值,并根据所需精度设置贡献度阈值,选择特征贡献值高于阈值的特征生成新特征数据集;其次采用PCA线性降维算法对新特征数据集进行降维处理,PCA降维的具体步骤可概括为:(1)设定降维后,需要涵盖的特征信息百分比;(2)计算涵盖特征信息百分比生成的特征个数n;(3)训练PCA降维算法,维度设置为n维,输出降维后的n维融合特征数据集。
S2、将融合特征数据集分为训练样本和验证样本,根据训练样本训练虚拟地址账户身份类型识别模型,获得分类器;
其中,
将训练样本分为训练数据和测试数据;
通过训练数据对虚拟地址账户身份类型识别模型进行训练,通过测试数据对训练得到的虚拟地址账户身份类型识别模型进行效果检验;
循环进行训练、检验过程使虚拟地址账户身份类型识别模型迭代优化,获得最优模型作为分类器。
进一步的,
如图5所示,将降维后的n维融合特征数据集分为训练样本和验证样本,训练样本包括训练数据和测试数据,训练数据用于模型训练,测试数据用于检验模型效果,通过不断的“训练——优化”迭代,选择最优的模型及训练参数生成分类器。
S3、通过分类器对验证样本进行虚拟地址账户身份类型识别,获得虚拟地址账户身份类型表;
其中,
分类器针对验证样本中每组数据依次判断是否属于类型1至n;
过程中,若判断为是,则该组数据属于对应类型;
若均判断为否,则该组数据为其它类型。
如图5所示,通过分类器对检测样本中虚拟地址账户的类型进行推测标注,生成虚拟地址账户与推测类型信息表。
S4、根据虚拟地址账户身份类型表进行聚类,获得多个实体,统计各实体的所有虚拟地址账户及对应的身份类型;
其中,
采用启发式聚类方法对虚拟地址账户身份类型表中的虚拟地址账户进行聚类,获得多个实体。
进一步的,
如图6所示,根据虚拟地址账户与推测类型信息表,使用启发式聚类方法对虚拟地址账户进行聚类得到多个实体Hj。
S5、根据实体每种身份类型的虚拟地址账户数量占比,确定该实体的身份类型。
其中,
分别计算实体各身份类型的虚拟地址账户数量占比,获得占比最大的身份类型及对应的比值;
判断该比值是否大于0.5,若判断为是,则推测该实体的身份类型为该占比最大的身份类型,并将该实体的所有虚拟地址账户均确定为该占比最大的身份类型。
若判断为否,则认为该实体的虚拟地址账户身份类型无法推测。
进一步的,
如图6所示,对属于同一实体的虚拟地址账户的推测类型进行统计,计算该实体的每个类型的虚拟地址账户占比HjN/|Hj|,计算比值最大的类Mj,记录对应的类型Nj,判断Mj是否大于0.5,如果Mj大于0.5则将该实体的全部虚拟地址账户类型推测为Nj,否则,认为该实体的虚拟地址账户身份类型无法推测。
本发明还提供了一种区块链数字货币的实体身份类型推测系统,包括:数据准备模块、模型训练模块、虚拟地址账户身份类型初步推测模块、启发式纠错推测模块;
数据准备模块,用于:
根据区块链数字货币的原始交易数据集进行特征提取、降维,得到融合特征数据集,得到融合特征数据集;
模型训练模块,用于:
将融合特征数据集分为训练样本和验证样本,根据训练样本训练虚拟地址账户身份类型识别模型,获得分类器;
虚拟地址账户身份类型初步推测模块,用于:
通过分类器对验证样本进行虚拟地址账户身份类型识别,获得虚拟地址账户身份类型表;
启发式纠错推测模块,用于:
根据虚拟地址账户身份类型表进行聚类,获得多个实体,统计各实体的所有虚拟地址账户及对应的身份类型;
根据实体每种身份类型的虚拟地址账户数量占比,确定该实体的身份类型。
本发明的优点:
(1)利用区块链数字货币的原有交易数据,自动化生成特征,并通过特征筛选、数据降维等方式构建样本特征数据集、通过机器学习分类方法对区块链虚拟地址账户身份类型进行推测,然后利用区块链启发式聚类方法设计基于投票的纠错机制,对区块链数字货币实体身份类型进行推测,从而完成一个适用于以交易为中心的区块链数字货币的实体身份类型推测方法,提升实体身份类型推测效果。
(2)基于原始交易数据的自动化特征提取方案,可以增大信息数据的利用率,防止关键信息的损失,并且可以减轻对特征数据进行分析设计的工作负担,更加适用于以交易为中心的区块链数字货币网络的特征构建工作。
(3)通过特征筛选与降维工作,剔除无用特征,提升模型整体识别效率;其次特征降维处理方法将特征进行融合,能够减小维度灾难问题。
(4)基于交易属性的纠错机制的设计,可以中和启发式聚类方法的高估与低估问题,对交易形式进行应用,在一定程度上提升了整体模型的识别效果。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种区块链数字货币的实体身份类型推测方法,其特征在于,包括:
根据区块链数字货币的原始交易数据集进行特征提取、降维,得到融合特征数据集,得到融合特征数据集;
将所述融合特征数据集分为训练样本和验证样本,根据所述训练样本训练虚拟地址账户身份类型识别模型,获得分类器;
通过所述分类器对所述验证样本进行虚拟地址账户身份类型识别,获得虚拟地址账户身份类型表;
根据所述虚拟地址账户身份类型表进行聚类,获得多个实体,统计各所述实体的所有虚拟地址账户及对应的身份类型;
根据所述实体每种所述身份类型的虚拟地址账户数量占比,确定该实体的身份类型。
2.根据权利要求1所述的实体身份类型推测方法,其特征在于,所述根据区块链数字货币的原始交易数据集进行特征提取、降维,得到融合特征数据集;包括:
根据区块链数字货币的原始交易数据集进行特征提取获得初始特征数据集;
对所述初始特征数据集进行特征筛选和降维处理,得到融合特征数据集。
3.根据权利要求2所述的实体身份类型推测方法,其特征在于:
将区块链数字货币的所述原始交易数据集解析为地址数据集和交易数据集;
将地址数据集和交易数据集中的数据进行1对n映射,并输入Feature-tools特征生成工具,经聚合及转换操作自动化计算初始特征数据集。
4.根据权利要求2所述的实体身份类型推测方法,其特征在于:
基于信息增益计算所述初始特征数据集中每个特征的特征贡献值,筛选所述特征贡献值高于预设贡献度阈值的特征,得到新特征数据集;
对所述新特征数据集进行PCA降维处理,获得融合特征数据集。
5.根据权利要求1所述的实体身份类型推测方法,其特征在于,根据所述训练样本训练虚拟地址账户身份类型识别模型,获得分类器,包括:
将所述训练样本分为训练数据和测试数据;
通过训练数据对所述虚拟地址账户身份类型识别模型进行训练,通过测试数据对训练得到的所述虚拟地址账户身份类型识别模型进行效果检验;
循环进行训练、检验过程使所述虚拟地址账户身份类型识别模型迭代优化,获得最优模型作为分类器。
6.根据权利要求1所述的实体身份类型推测方法,其特征在于:
所述分类器针对验证样本中每组数据依次判断是否属于类型1至n;
过程中,若判断为是,则该组数据属于对应类型;
若均判断为否,则该组数据为其它类型。
7.根据权利要求1所述的实体身份类型推测方法,其特征在于:采用启发式聚类方法对所述虚拟地址账户身份类型表中的虚拟地址账户进行聚类,获得多个实体。
8.根据权利要求1所述的实体身份类型推测方法,其特征在于,所述根据所述实体每种所述身份类型的虚拟地址账户数量占比,确定该实体的身份类型;包括:
分别计算实体各所述身份类型的虚拟地址账户数量占比,获得占比最大的所述身份类型及对应的比值;
判断该所述比值是否大于0.5,若判断为是,则推测该实体的身份类型为该占比最大的所述身份类型,并将该实体的所有所述虚拟地址账户均确定为该占比最大的所述身份类型。
9.根据权利要求8所述的实体身份类型推测方法,其特征在于:若判断为否,则认为该实体的所述虚拟地址账户身份类型无法推测。
10.一种实现如权利要求1~9任一项所述的实体身份类型推测方法的系统,其特征在于,包括:数据准备模块、模型训练模块、虚拟地址账户身份类型初步推测模块、启发式纠错推测模块;
所述数据准备模块,用于:
根据区块链数字货币的原始交易数据集进行特征提取、降维,得到融合特征数据集,得到融合特征数据集;
所述模型训练模块,用于:
将所述融合特征数据集分为训练样本和验证样本,根据所述训练样本训练虚拟地址账户身份类型识别模型,获得分类器;
所述虚拟地址账户身份类型初步推测模块,用于:
通过所述分类器对所述验证样本进行虚拟地址账户身份类型识别,获得虚拟地址账户身份类型表;
所述启发式纠错推测模块,用于:
根据所述虚拟地址账户身份类型表进行聚类,获得多个实体,统计各所述实体的所有虚拟地址账户及对应的身份类型;
根据所述实体每种所述身份类型的虚拟地址账户数量占比,确定该实体的身份类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210122317.7A CN114445085A (zh) | 2022-02-09 | 2022-02-09 | 一种区块链数字货币的实体身份类型推测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210122317.7A CN114445085A (zh) | 2022-02-09 | 2022-02-09 | 一种区块链数字货币的实体身份类型推测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114445085A true CN114445085A (zh) | 2022-05-06 |
Family
ID=81372268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210122317.7A Pending CN114445085A (zh) | 2022-02-09 | 2022-02-09 | 一种区块链数字货币的实体身份类型推测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445085A (zh) |
-
2022
- 2022-02-09 CN CN202210122317.7A patent/CN114445085A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102061987B1 (ko) | 위험 평가 방법 및 시스템 | |
CN111783875B (zh) | 基于聚类分析的异常用户检测方法、装置、设备及介质 | |
CN107346286B (zh) | 一种基于核主成分分析和极限学习机的软件缺陷预测方法 | |
CN106296195A (zh) | 一种风险识别方法及装置 | |
WO2020015480A1 (zh) | 检测数据模型安全性的方法及装置 | |
CN107103244B (zh) | 基于AADL的Web应用架构安全性的评估方法 | |
CN104850567A (zh) | 一种识别网络用户之间关联关系的方法和装置 | |
CN110287292B (zh) | 一种裁判量刑偏离度预测方法及装置 | |
CN116595463B (zh) | 窃电识别模型的构建方法、窃电行为识别方法及装置 | |
TW201810105A (zh) | 軟體功能驗證系統及其驗證方法 | |
CN108228622A (zh) | 业务问题的分类方法及装置 | |
CN113723623A (zh) | 联邦学习审计装置、系统及方法 | |
CN110675269A (zh) | 文本审核方法以及装置 | |
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 | |
CN112365007A (zh) | 模型参数确定方法、装置、设备及存储介质 | |
CN115577357A (zh) | 一种基于堆叠集成技术的Android恶意软件检测方法 | |
CN115168865A (zh) | 基于领域自适应的跨项目漏洞检测模型 | |
Walkinshaw et al. | Modelling second-order uncertainty in state machines | |
CN111309770B (zh) | 一种基于无监督机器学习的自动生成规则系统及方法 | |
US11539730B2 (en) | Method, device, and computer program product for abnormality detection | |
WO2024087754A1 (zh) | 一种多维度文本综合辨识方法 | |
CN112416800A (zh) | 智能合约的测试方法、装置、设备及存储介质 | |
CN114445085A (zh) | 一种区块链数字货币的实体身份类型推测方法及系统 | |
CN116611911A (zh) | 基于支持向量机的信用风险预测方法及装置 | |
CN116541698A (zh) | 一种基于XGBoost的网络异常入侵检测方法和系统 |
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 |