CN114612235B - 一种基于图嵌入的区块链异常行为检测方法 - Google Patents

一种基于图嵌入的区块链异常行为检测方法 Download PDF

Info

Publication number
CN114612235B
CN114612235B CN202210229160.8A CN202210229160A CN114612235B CN 114612235 B CN114612235 B CN 114612235B CN 202210229160 A CN202210229160 A CN 202210229160A CN 114612235 B CN114612235 B CN 114612235B
Authority
CN
China
Prior art keywords
transaction
node
abnormal behavior
nodes
graph
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
Application number
CN202210229160.8A
Other languages
English (en)
Other versions
CN114612235A (zh
Inventor
刘兆伟
王慎强
王涛
马元庆
杨栋
徐金东
阎维青
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.)
Yantai University
Original Assignee
Yantai University
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 Yantai University filed Critical Yantai University
Priority to CN202210229160.8A priority Critical patent/CN114612235B/zh
Publication of CN114612235A publication Critical patent/CN114612235A/zh
Priority to US18/180,676 priority patent/US11803855B2/en
Application granted granted Critical
Publication of CN114612235B publication Critical patent/CN114612235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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
    • 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
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明公开了一种基于图嵌入区块链异常行为检测方法，其特征在于该方法包括：S100：数据采集，获取互联网上已经公开的区块链异常行为节点数据，同时获取与异常行为节点数量相等的正常节点；S200：异常行为识别模型建立，提取所有节点特征，将进行特征提取后的节点构建为事务图，根据构建的事务图基于图嵌入技术形成异常行为识别模型；S300：交易检测，交易发生时根据得到的异常行为识别模型，判断交易风险，并提示用户风险等级。本发明的一种基于图嵌入的区块链异常行为检测方法，能够实现对区块链交易中可能存在的异常行为进行有效检测并预警。

Description

一种基于图嵌入的区块链异常行为检测方法
技术领域
本发明涉及区块链网络领域，尤其涉及一种针对区块链异常行为进行检测的检测方法。
背景技术
随着区块链技术的不断发展，一个区块链的时代正在到来。区块链技术为政府社会治理、司法实践发展和民生领域的社会治理带来诸多机遇。区块链技术在社会治理领域得到了普遍的应用，但同时也带来了很多挑战。现有的针对区块链异常行为的检测方法主要是针对区块链中的以太坊平台的单一异常行为通过人工标注或代码分析进行检测，若依托上述单一异常行为检测方法对可能存在的所有异常行为进行检测，不仅需要收集不同方法需求的大量数据，还需要将各种检测方法进行融合，从而增加检测方法的复杂度，降低由上述方法构建的检测系统稳定性，还会因木桶效应花费大量的时间，增加检测服务器的运行负担。因此迫切需要一种简单、稳定、高效的实现区块链异常行为检测的方法。
发明内容
本发明的主要目的是提供一种基于图嵌入的区块链异常行为检测方法。以克服现有技术中存在的缺陷与不足。
本发明的技术方案如下：
一种基于图嵌入的区块链异常行为检测方法，其特殊之处在于，该方法包括：
S100：数据采集，获取互联网上已经公开的区块链异常行为节点，同时获取与所述异常行为节点数量相等的正常节点；
S200：异常行为识别模型建立，提取步骤S100中所述异常行为节点和所述正常节点的节点特征及交易特征，将特征提取后的所有节点构建为事务图，根据构建的事务图基于图嵌入技术建立异常行为识别模型；
S300：交易检测，利用异常行为识别模型判断交易发生时的交易风险，并提示用户风险等级。
优选的，所述S100具体包括：
S101：所述异常行为节点主要从EtherScamDB和Etherscan等开源数据库中获取。
S102：通过部署在本地的区块链客户端或区块链交易数据库获取与所述异常行为节点数量相等的正常节点，这些正常节点不能被任何数据库标记为异常行为节点。
优选的，所述S200具体包括：
S201：通过部署在本地的区块链客户端或区块链交易数据库，提取所述异常行为节点和所述正常节点的节点特征及交易特征；所述节点特征包括但不限于：节点的余额、节点收到的最小金额、第一次交易与最后一次交易的时间戳之差、交易数量和创建的合约数量等。所述交易特征包括但不限于：交易的发出者、接收者、区块高度、交易金额、调用合约类型和交易类型等。
S202：将S201提取的节点特征及交易特征构建为一个事务图；
所述事务图可以表示为G＝(V,E)，其中V是节点的集合，E是边的集合。
优选的，所述V是节点集合，用于存储S201提取的节点特征，每个节点可以表示为四元组，即V＝{v，d，b，m}，其中v表示节点，d表示第一次交易与最后一次交易的时间戳之差，b表示账户余额，m表示收到的最小金额。
优选的，所述E是边的集合，用于存储S201提取的交易特征，每个边可以表示为五元组，即 E＝{(vi，vj，w，t，r)|vi，vj∈V，w∈R+，t∈Z，r∈R}，其中(vi，vj)表示从vi到vj的交易，w表示交易金额，t表示交易的区块高度，r表示交易类型。
上述V和E为综合考虑性能及识别准确率的推荐构建方式，具体可以根据特征提取后获得的数据进行灵活调整。
S203：使用图嵌入技术根据构建的事务图建立异常行为识别模型。
优选的，所述异常行为识别模型，是使用图嵌入中的基于偏置随机游走的属性网络嵌入方法进行多次嵌入而形成的区块链行为识别模型，该识别模型主要考虑三种偏置随机游走方法：基于交易金额的随机游走策略、基于区块高度的随机游走策略和基于交易类型的随机游走策略。
参考Node2Vec等算法，使用上述随机游走策略，基于交易特征得到节点与周围节点之间的联系，使用Skip-gram模型求解来得到节点的嵌入向量。将得到的节点嵌入向量与节点特征相加，得到最终的节点嵌入向量。
优选的，所述基于交易金额的随机游走策略，从节点u到邻居节点 x∈Vu的转移概率为：
Figure SMS_1
其中MaxA(u,x)是指节点u与节点x的最大交易金额，
Figure SMS_2
指u与所有与其发生交易的节点之间的交易金额之和。
优选的，所述基于区块高度的随机游走策略，从节点u到邻居节点 x∈Vu的转移概率为
Figure SMS_3
其中MaxT(u,x)是指节点u与节点x发生交易时的最大区块高度，
Figure SMS_4
指u与所有与其发生交易的节点区块高度之和。
优选的，所述基于交易类型的随机游走策略，从节点u到邻居节点 x∈Vu的转移概率为
Figure SMS_5
其中MaxE(u,x)是指节点u与节点x之间最频繁的交易类型，
Figure SMS_6
指u与所有其发生交易的所有交易类型之和。
优选的，为了兼顾所述使用基于偏置随机游走的属性网络嵌入方法进行多次嵌入，可以使用超参数来平衡多次嵌入的影响，并使用Auto ML等自动调参算法对超参数进行调节，最终得到异常行为识别模型。
优选的，所述S300具体包括：
S301：交易行为发生前，根据S201、S202所述方法获取节点特征及交易特征并进行特征提取。
S302：将得到的交易节点的节点特征及交易特征输入S203得到的异常行为识别模型，识别是否为异常行为。
S303：根据识别结果提示用户交易风险。
本发明的一种基于图嵌入的区块链异常行为检测方法，能够实现对区块链交易中可能存在的异常行为进行有效检测并预警。一方面，通过公开数据集收集区块链中的异常行为节点进行全方位的特征提取，获得丰富的包含节点信息和交易信息的数据，这一做法相较于已有的仅采集节点信息或交易信息来进行识别的传统方法，后期得到的异常行为识别模型识别精度更高，更接近真实情况。此外与现有的检测方法相比，本发明的方法更注重后期对交易行为的检测，不局限于检测模型的构建，同时更注重模型建立后对交易行为进行检测并进行提示。
附图说明
图1：本发明的一种基于图嵌入的区块链异常行为检测方法流程框图。
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作出创造性劳动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。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例
如图1所示，一种基于图嵌入的区块链异常行为检测方法，包括：
S100：数据采集，获取互联网上已经公开的区块链异常行为节点，同时获取与所述异常行为节点数量相等的正常节点；
S200：异常行为识别模型建立，提取步骤S100中所述异常行为节点和所述正常节点的节点特征及交易特征，将特征提取后的所有节点构建为事务图，根据构建的事务图基于图嵌入技术建立异常行为识别模型；
S300：交易检测，利用异常行为识别模型判断交易发生时的交易风险，并提示用户风险等级。
所述S100具体包括：
S101：所述异常节行为点主要从EtherScamDB和Etherscan等开源数据库中获取，通过上述数据库提供的数据获取方法，根据自己习惯的数据存储方式进行存储。
优选的，提取异常行为节点时，通常是将同时存在于两个及以上数据库中的节点认定为异常行为节点。
S102：通过部署在本地的区块链客户端或区块链交易数据库获取与异常行为节点数量相等的正常节点。这些正常节点不能被任何数据库标记为异常行为节点，同时选取正常节点时应做到随机，区块的高度应均匀分布。
优选的，针对如以太坊等区分外部账户和合约账户的区块链平台，选取正常节点时应与S101获得的异常行为节点中外部账户及合约账户的比例相似。最好能够过滤大量查看空投信息的账户，减轻异常行为识别模型的识别压力。
所述S200具体包括：
S201：通过部署在本地的区块链客户端或区块链交易数据库，提取所述异常行为节点及所述正常节点的节点特征及交易特征。
优选的，所述节点特征包括但不限于：节点的余额、节点收到的最小金额、第一次交易与最后一次交易的时间戳之差、交易数量和创建的合约数量等。所述交易特征包括但不限于：交易的发出者、接收者、区块高度、交易金额、调用合约类型和交易类型等。
S202：将S201提取到的节点特征及交易特征构建为一个事务图。
所述事务图可以表示为G＝(V,E)，其中V是节点的集合，E是边的集合。
优选的，所述V是节点集合，用于存储S201提取的节点特征，每个节点可以表示为四元组，即V＝{v，d，b，m}，其中v表示节点，d表示第一次交易与最后一次交易的时间戳之差，b表示账户余额，m表示收到的最小金额。
优选的，所述E是边的集合，用于存储S201提取的交易特征，每个边可以表示为五元组，即 E＝{(vi，vj，w，t，r)|vi，vj∈V，w∈R+，t∈Z，r∈R}，其中(vi，vj)表示从vi到vj的交易，w表示交易金额，t表示交易的区块高度，r表示交易类型。
上述V和E为综合考虑性能及识别准确率的推荐构建方式，具体可以根据特征提取后获得的数据进行灵活调整。
S203：使用图嵌入技术根据构建的事务图建立异常行为识别模型。
优选的，所述异常行为识别模型，是使用图嵌入中的基于偏置随机游走的属性网络嵌入方法进行多次嵌入而形成的区块链行为识别模型，该识别模型主要考虑三种偏置随机游走方法：基于交易金额的随机游走策略、基于区块高度的随机游走策略和基于交易类型的随机游走策略。
参考Node2Vec等算法，使用上述随机游走策略，基于交易特征得到节点与周围节点之间的联系，使用Skip-gram模型求解来得到节点的嵌入向量。将得到的节点嵌入向量与节点特征相加，得到最终的节点嵌入向量。
考虑基于交易金额的随机游走策略主要是因为较大的交易金额意味着两个节点之间的关系越紧密，在基于交易金额的有偏采样下，从节点u到邻居节点x∈Vu的转移概率为
Figure SMS_7
其中MaxA(u,x)是指节点u与节点x最大的交易金额，
Figure SMS_8
指u与所有与其发生交易的节点之间的交易金额之和。
考虑基于区块高度的随机游走策略主要是因为每个边都有一个区块高度，区块高度越大，对节点当前关系的影响越大，在基于时间的有偏采样下，从节点u到邻居节点x∈Vu的转移概率为
Figure SMS_9
其中MaxT(u,x)是指节点u与节点x发生交易时的最大区块高度，
Figure SMS_10
指u与所有与其发生交易的节点的区块高度之和。
考虑基于交易类型的随机游走策略主要是因为区块链中存在多种类型的交易，研究表明，如以太坊等支持智能合约的交易平台绝大多数普通账户交易类型多为调用智能合约，为不同的交易类型设置不同的权重，在基于交易类型的有偏采样下，从节点u到邻居节点x∈Vu的转移概率为
Figure SMS_11
其中MaxE(u,x)是指节点u与节点x之间最频繁的交易类型，
Figure SMS_12
指u与所有其发生交易的所有交易类型之和。
优选的，针对区块链中以“比特币”为代表的不支持智能合约等功能，只有转账一种交易类型的区块链平台，可以将权重设置为统一值。针对区块链中以“以太坊”为代表的支持智能合约等功能的平台，可以将转账、创建合约、调用合约等交易类型的权重分别设置为1、2、3。
优选的，为了兼顾所述使用基于偏置随机游走的属性网络嵌入方法进行多次嵌入，可以使用超参数来平衡多次嵌入的影响，并使用Auto ML等自动调参算法对超参数进行调节，最终得到异常行为识别模型。
优选的，所述S300具体包括：
S301：交易行为发生前，根据S201、S202所述方法获取节点特征及交易特征并进行特征提取。
S302：将得到的交易节点的节点特征及交易特征输入S203得到的异常行为识别模型，识别是否为异常行为。
S303：根据识别结果提示用户交易风险。
以上所述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而言，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 (4)

1.一种基于图嵌入的区块链异常行为检测方法，其特征在于，该方法包括：
S100：数据采集，获取互联网上已经公开的区块链异常行为节点，同时获取与所述异常行为节点数量相等的正常节点；
S200：异常行为识别模型建立，提取步骤S100中所述异常行为节点和所述正常节点的节点特征及交易特征，将特征提取后的所有节点构建为事务图，根据构建的事务图基于图嵌入技术建立异常行为识别模型；
S300：交易检测，利用异常行为识别模型判断交易发生时的交易风险，并提示用户风险等级；
所述S100包括：
S101：所述异常行为节点从开源数据库中获取；
S102：通过部署在本地的区块链客户端或区块链交易数据库获取与所述异常行为节点数量相等的正常节点，这些正常节点不能被任何数据库标记为异常行为节点；
所述S200包括：
S201：通过部署在本地的区块链客户端或区块链交易数据库，提取所述异常行为节点和所述正常节点的节点特征及交易特征；
所述节点特征包括但不限于：节点的余额、节点收到的最小金额、第一次交易与最后一次交易的时间戳之差、交易数量和创建的合约数量；
所述交易特征包括但不限于：交易的发出者、接收者、区块高度、交易金额、调用合约类型和交易类型；
S202：将S201提取的节点特征及交易特征构建为一个事务图；
所述事务图表示为G＝(V,E)，其中V是节点的集合，E是边的集合；
所述V是节点集合，用于存储S201提取的节点特征，每个节点表示为四元组，即V＝{v，d，b，m}，其中v表示节点，d表示第一次交易与最后一次交易的时间戳之差，b表示账户余额，m表示收到的最小金额；
所述E是边的集合，用于存储S201提取的交易特征，每个边表示为五元组，即E＝{(vi，vj，w，t，r)|vi，vj∈V，w∈R+，t∈Z，r∈R}，其中(vi，vj)表示从vi到vj的交易，w表示交易金额，t表示交易的区块高度，r表示交易类型；
S203：使用图嵌入技术根据构建的事务图建立异常行为识别模型；
所述异常行为识别模型，是使用图嵌入中的基于偏置随机游走的属性网络嵌入方法进行多次嵌入而形成的区块链行为识别模型。
2.如权利要求1所述的一种基于图嵌入的区块链异常行为检测方法，其特征在于，
所述识别模型主要考虑三种偏置随机游走方法：基于交易金额的随机游走策略、基于区块高度的随机游走策略和基于交易类型的随机游走策略；
所述基于交易金额的随机游走策略，从节点u到邻居节点x∈Vu的转移概率为：
Figure FDA0004016813590000021
其中MaxA(u,x)是指节点u与节点x的最大交易金额，
Figure FDA0004016813590000022
指u与所有与其发生交易的节点之间的交易金额之和；
所述基于区块高度的随机游走策略，从节点u到邻居节点x∈Vu的转移概率为：
Figure FDA0004016813590000023
其中MaxT(u,x)是指节点u与节点x发生交易时的最大区块高度，
Figure FDA0004016813590000024
指u与所有与其发生交易的节点区块高度之和；
所述基于交易类型的随机游走策略，从节点u到邻居节点x∈Vu的转移概率为：
Figure FDA0004016813590000025
其中MaxE(u,x)是指节点u与节点x之间最频繁的交易类型，
Figure FDA0004016813590000031
指u与所有其发生交易的所有交易类型之和。
3.如权利要求2所述的一种基于图嵌入的区块链异常行为检测方法，其特征在于，
为了兼顾所述使用基于偏置随机游走的属性网络嵌入方法进行多次嵌入，使用超参数来平衡多次嵌入的影响，并使用自动调参算法对超参数进行调节，最终得到异常行为识别模型。
4.如权利要求1所述的一种基于图嵌入的区块链异常行为检测方法，其特征在于，
所述S300具体包括：
S301：交易行为发生前，根据S201、S202所述方法获取节点特征及交易特征并进行特征提取；
S302：将得到的交易节点的节点特征及交易特征输入S203得到的异常行为识别模型，识别是否为异常行为；
S303：根据识别结果提示用户交易风险。
CN202210229160.8A 2022-03-09 2022-03-09 一种基于图嵌入的区块链异常行为检测方法 Active CN114612235B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210229160.8A CN114612235B (zh) 2022-03-09 2022-03-09 一种基于图嵌入的区块链异常行为检测方法
US18/180,676 US11803855B2 (en) 2022-03-09 2023-03-08 Method for detecting block chain abnormal behavior based on graph embedding

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210229160.8A CN114612235B (zh) 2022-03-09 2022-03-09 一种基于图嵌入的区块链异常行为检测方法

Publications (2)

Publication Number Publication Date
CN114612235A CN114612235A (zh) 2022-06-10
CN114612235B true CN114612235B (zh) 2023-03-10

Family

ID=81860237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210229160.8A Active CN114612235B (zh) 2022-03-09 2022-03-09 一种基于图嵌入的区块链异常行为检测方法

Country Status (2)

Country Link
US (1) US11803855B2 (zh)
CN (1) CN114612235B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116361719B (zh) * 2023-03-27 2024-02-02 烟台大学 一种以太坊网络钓鱼用户的检测方法和系统
CN117033164B (zh) * 2023-05-17 2024-03-29 烟台大学 一种智能合约安全漏洞检测方法和系统
CN116628554B (zh) * 2023-05-31 2023-11-03 烟台大学 一种工业互联网数据异常的检测方法、系统和设备
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
CN117273422B (zh) * 2023-11-23 2024-03-15 西安睿智时代信息技术有限公司 用于数字化生产的供应链协同管控方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11682053B2 (en) * 2018-06-22 2023-06-20 Edatanetworks Inc. Blockchain tracking and managing of a transaction incented by a merchant donation to a consumer affinity
CN111667267B (zh) * 2020-05-29 2023-04-18 中国工商银行股份有限公司 一种区块链交易风险识别方法及装置
CN111882446B (zh) * 2020-07-28 2023-05-16 哈尔滨工业大学（威海） 一种基于图卷积网络的异常账户检测方法
CN113283909B (zh) * 2021-06-09 2022-11-08 广东工业大学 一种基于深度学习的以太坊钓鱼账户检测方法
CN113723954A (zh) * 2021-06-15 2021-11-30 复旦大学 一种对区块链中异常交易节点进行检测和监管的方法
CN113537806A (zh) * 2021-07-26 2021-10-22 平安普惠企业管理有限公司 异常用户识别方法、装置、电子设备及可读存储介质
CN113506179B (zh) * 2021-09-13 2022-01-11 北京大学深圳研究生院 数字货币交易中异常实体的检测方法、存储介质

Also Published As

Publication number Publication date
US11803855B2 (en) 2023-10-31
US20230289807A1 (en) 2023-09-14
CN114612235A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN114612235B (zh) 一种基于图嵌入的区块链异常行为检测方法
CN106952159B (zh) 一种不动产抵押品风险控制方法、系统及存储介质
CN112153426B (zh) 一种内容账号管理方法、装置、计算机设备及存储介质
CN111176953B (zh) 一种异常检测及其模型训练方法、计算机设备和存储介质
CN111209317A (zh) 一种知识图谱异常社区检测方法及装置
CN111159387A (zh) 基于多维度报警信息文本相似度分析的推荐方法
CN105096195A (zh) 基于互联网应用平台的账户资金数值处理方法和系统
CN112287020B (zh) 一种基于图分析的大数据挖掘方法
CN111435357A (zh) 加油站客户流失预测方法、装置、电子设备及存储介质
CN110991789B (zh) 置信区间的确定方法和装置、存储介质及电子装置
CN114185761A (zh) 日志采集方法、装置及设备
CN111488338B (zh) 应用于风控决策流的模型监控方法及装置
CN116308400A (zh) 基于用户扫码核销行为轨迹分析的客户维护方法及系统
CN115883392A (zh) 算力网络的数据感知方法、装置、电子设备及存储介质
CN116633589A (zh) 社交网络中恶意账户检测方法、设备及存储介质
LU501959B1 (en) Graph embedding based method for detecting abnormal behaviors of blockchain
CN112732690B (zh) 一种用于慢病检测及风险评估的稳定系统及方法
CN112752256B (zh) 客户画像标签确定方法、装置、设备及存储介质
CN111465021B (zh) 基于图的骚扰电话识别模型构建方法
CN114548769A (zh) 一种智能电网it资产大数据监测系统及方法
CN111722977A (zh) 系统巡检方法、装置及电子设备
CN110570025A (zh) 一种微信文章真实阅读率的预测方法、装置及设备
CN111178647A (zh) 一种推送工单的方法、系统及计算机存储介质
CN117113148B (zh) 基于时序图神经网络的风险识别方法、装置及存储介质
CN115689128B (zh) 基于crm的客户数据分析方法及系统

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
GR01 Patent grant
GR01 Patent grant