CN115099798A - 一种基于实体识别的比特币异常地址追踪系统 - Google Patents

一种基于实体识别的比特币异常地址追踪系统 Download PDF

Info

Publication number
CN115099798A
CN115099798A CN202210704277.7A CN202210704277A CN115099798A CN 115099798 A CN115099798 A CN 115099798A CN 202210704277 A CN202210704277 A CN 202210704277A CN 115099798 A CN115099798 A CN 115099798A
Authority
CN
China
Prior art keywords
entity
address
transaction
identification
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.)
Pending
Application number
CN202210704277.7A
Other languages
English (en)
Inventor
崔巍
汪皓
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202210704277.7A priority Critical patent/CN115099798A/zh
Publication of CN115099798A publication Critical patent/CN115099798A/zh
Pending legal-status Critical Current

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
    • G06Q20/04—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Technology Law (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种基于实体识别的比特币异常地址追踪系统，用于利用比特币链上交易信息和实体信息追踪网络中的异常地址。包括：由系统自动从网络添加新产生的区块交易；利用实体聚合模块更新数据库实体信息；利用交易图模块更新实体交易信息。在系统收到用户输入的目标地址后，根据已有数据库实体信息，追踪并分析地址与实体的相关交易，对地址进行简单评估。为了解决实体识别中存在的运行内存不足和可扩展性差等窘境，本发明还设计了一种基于标签传播的实体扩展方法，极大地提高了实体识别的可扩展性。本发明可以通过分析实体信息，提供对异常地址的行为分析，实现对非法行为的追踪，提高对比特币的监管能力。

Description

一种基于实体识别的比特币异常地址追踪系统
技术领域
本发明涉及区块链技术领域，特别是涉及一种基于实体识别的比特币异常地址追踪系统。
背景技术
比特币是一种点对点的匿名性极强基于区块链技术的加密货币。比特币的匿名性保护了用户的数据安全和隐私安全，却也为洗钱、勒索等违法犯罪行为提供了天然庇护所。2021年9月24日，中国人民银行发布《关于进一步防范和处置虚拟货币交易炒作风险的通知》，指出要完善异常交易监控模型，提高对洗钱等非法活动的测识别能力。但比特币极强的匿名性，以及各种混币政策的施行，极大地限制了对非法行为的追踪与检测。
现有的对于非法行为的追踪通常基于对实体的追踪，但随着比特币交易规模的日益庞大，对于实体的识别面临着运行内存不足、可扩展性差等窘境。而常见的异常检测利用机器学习、深度学习等人工智能的方法对比特币中的地址进行分类[参见文献：Sun Yin HH,Langenheldt K,Harlev M,et al.Regulating cryptocurrencies:a supervisedmachine learning approach to de-anonymizing the bitcoin blockchain[J].Journalof Management Information Systems,2019,36(1):37-73.]，但依赖于大量的已知标签数据集，需要大量的标注成本。
发明内容
本发明针对上述技术的缺陷，实现一种基于实体识别的比特币异常地址追踪系统，利用实体信息对异常地址追踪。
本发明还提供一种基于标签传播的实体扩展方法，解决实体识别中存在的运行内存不足和可扩展性差等窘境，提高实体识别的可扩展性。
本发明采用如下技术方案实现：
一种基于实体识别的比特币异常地址追踪系统，包括：实体聚合模块、交易图模块、地址追踪模块；其中：
实体聚合模块包括实体——地址映射表更新；
地址追踪模块包括异常地址追踪与分析；
交易图模块用于构建数据库以及异常交易分析。
优选的，异常地址追踪步骤包括：
由系统自动从网络添加新产生的区块交易；利用实体聚合模块更新数据库实体信息；利用交易图模块更新实体交易信息；
在系统收到用户输入的目标地址后，根据已有数据库信息，追踪并分析地址与实体的相关交易，对地址进行评估。
优选的，实体聚合模块工作流程包括：
a.利用启发式规则生成地址簇，基于图结构寻找实体，搭建每日实体——地址映射表；
b.对比已有地址集与每日实体——地址映射表中的地址，利用每日新增地址更新地址集；
c.利用基于标签传播的实体扩展方法更新地址的实体标签；
d.利用所生成的实体标签更新实体——地址映射表。
优选的，基于图结构寻找实体的方法包括：
a.利用有向二部图搭建地址与地址簇的从属关系图；
b.利用布尔代数将地址与地址簇的从属关系图转换为地址与地址的社区关系图；
c.通过寻找社区关系图中的子图从而寻找出对应的每日实体——地址映射表。
优选的，基于标签传播的实体扩展方法包括：
a.取出已有实体——地址映射表与生成的每日实体——地址映射表的地址交集，以地址为主键，主键地址所对应已有实体为标签，主键地址所对应每日实体为节点；
b.每次取节点所对应的标签中最小的标签为节点标签，对节点做标签传播算法，更新节点的标签；
c.以地址为主键，已有实体为节点，经标签传播后的标签为标签，对节点做标签传播算法，更新节点的标签；
d.更新已有实体——地址映射表中的所有地址的标签。
优选的，交易图模块包括地址——交易——地址图、地址——地址图、实体——交易——实体图、实体——实体图；其中：
地址——交易——地址图为有向二部图，用于描述地址参与同一笔交易构成的网络关系；
地址——地址图为有向图，用于描述地址与地址之间的交易历史关系；
实体——交易——实体图为有向二部图，用于描述实体参与同一笔交易构成的网络关系；
实体——实体图为有向图，用于描述实体与实体之间的交易历史关系。
优选的，地址——交易——地址图的输入边定义为：
{einId,adinId,txId,{amount,time,adType}}
其中各项从左到右分别表示：输入边的标识、输入地址的标识、交易标识、输入地址参与交易的金额、交易发生的时间、输入地址的脚本类型。
地址——交易——地址图的输出边定义为：
{eoutId,txId,adoutId,{amount,time,adType}}
其中各项从左到右分别表示：输出边的标识、交易标识、输出地址的标识、输出地址收到的交易金额、交易发生的时间、输出地址的脚本类型。
地址——地址图定义为：
{eId,adinId,adoutId,{num}}
其中各项从左到右分别表示：边的标识、输入地址的标识、输出地址的标识、发生交易的次数。
实体——交易——实体图的输入边定义为：
{einId,eninId,txId,{amount,time,adNum}}
其中各项从左到右分别表示：输入边的标识、输入实体的标识、交易标识、输入实体参与交易的金额、交易发生的时间、输入实体用于签名交易的地址个数。
实体——交易——实体图的输出边定义为：
{eoutId,txId,enoutId,{amount,time,adNum}}
其中各项从左到右分别表示：输出边的标识、交易标识、输出实体的标识、输出实体收到的交易金额、交易发生的时间、输出实体用于接受交易的地址个数。
实体——实体图定义为：
{eId,eninId,enoutId,{num,amount,maxTx,minTx}}
其中各项从左到右分别表示：边的标识、输入实体的标识、输出实体的标识、发生交易的次数、发生交易的总金额、输入实体给输出实体的单笔交易的最大金额、输入实体给输出实体的单笔交易的最小金额。
优选的，地址追踪模块工作流程包括：
a.从数据库中寻找目标地址所在实体作为目标实体；
b.寻找目标实体所参与交易；
c.分析目标实体的输入交易与输出交易；
d.对目标地址相关信息进行展示。
优选的，目标实体的交易分析包括实体余额、实体所包含的零余额地址数、实体所包含非零余额地址的余额、实体参与的交易量与交易额、交易实体对象的体量与交易频次。
优选的，目标地址相关信息展示包括对实体包含地址余额的分析和对实体相关交易的展示。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明公开一种基于实体识别的比特币异常地址追踪系统：由系统向网络请求比特币链上交易数据；利用实体聚合模块更新数据库实体信息；利用交易图模块更新实体交易信息。本发明通过对实体信息的更新和理解，提供对异常地址的行为分析，实现对非法行为的追踪，为比特币网络监管提供了新思路和新方法。
(2)本发明基于实体识别的比特币异常地址追踪系统中，利用图网络模型，在保留比特币链上数据特征的同时，更契合比特币交易的数据结构，便于对比特币交易信息和地址的追踪。
(3)本发明基于实体识别的比特币异常地址追踪系统中，创新地提出一种基于标签传播的实体扩展方法。该方法借助于标签传播算法的思想，将实体的更新转换为两次标签传播。该方法解决了实体识别中存在的运行内存不足和可扩展性差等窘境，提高了实体识别的可扩展性。
附图说明
图1为本发明一个实施例中比特币异常地址检测系统工作流程图。
图2为本发明一个实施例中基于标签传播的实体扩展方法及实体——地址映射表更新流程图。
具体实施方式
下面结合附图对本发明作进一步详细的描述。
如图1所示，本发明一种基于实体识别的比特币异常地址追踪系统工作流程包括如下步骤：
首先，由系统向比特币网络申请链上交易数据，将交易数据打包成地址——交易——地址图。地址——交易——地址图的输入边为：
{einId,adinId,txId,{amount,time,adType}}
其中各项从左到右分别表示：输入边的标识、输入地址的标识、交易标识、输入地址参与交易的金额、交易发生的时间、输入地址的脚本类型。
地址——交易——地址图的输出边为：
{eoutId,txId,adoutId,{amount,time,adType}}
其中各项从左到右分别表示：输出边的标识、交易标识、输出地址的标识、输出地址收到的交易金额、交易发生的时间、输出地址的脚本类型。
将每日新增的地址数据添加入数据库，更新地址——地址图。地址——地址图定义为：
{eId,adinId,adoutId,{num}}
其中各项从左到右分别表示：边的标识、输入地址的标识、输出地址的标识、发生交易的次数。
将新增的单日地址——交易——地址图送入实体聚合模块。实体识别的步骤包括：
a.利用启发式规则生成地址簇，基于图结构寻找实体，搭建每日实体——地址映射表；
b.对比已有地址集与每日实体——地址映射表中的地址，利用每日新增地址更新地址集；
c.利用基于标签传播的实体扩展方法更新地址的实体标签；
d.利用所生成的实体标签更新实体——地址映射表。
基于图结构的实体寻找方法包括：
a.利用有向二部图搭建地址与地址簇的从属关系图；
b.利用布尔代数将地址与地址簇的从属关系图转换为地址与地址的社区关系图；
c.通过寻找社区关系图中的子图从而寻找出对应的每日地址——实体映射表。
将更新完的实体——地址映射表存入数据库，并用该表更新实体——交易——实体图和实体——实体图。其中：实体——交易——实体图的输入边为：
{einId,eninId,txId,{amount,time,adNum}}
其中各项从左到右分别表示：输入边的标识、输入实体的标识、交易标识、输入实体参与交易的金额、交易发生的时间、输入实体用于签名交易的地址个数。
实体——交易——实体图输出边为：
{eoutId,txId,enoutId,{amount,time,adNum}}
其中各项从左到右分别表示：输出边的标识、交易标识、输出实体的标识、输出实体收到的交易金额、交易发生的时间、输出实体用于接受交易的地址个数。
实体——实体图的边为：
{eId,eninId,enoutId,{num,amount,maxTx,minTx}}
其中各项从左到右分别表示：边的标识、输入实体的标识、输出实体的标识、发生交易的次数、发生交易的总金额、输入实体给输出实体的单笔交易的最大金额、输入实体给输出实体的单笔交易的最小金额。
系统接收用户输入的目标地址，进入地址追踪模块，包括：
a.从数据库中寻找目标地址所在实体作为目标实体；
b.寻找目标实体所参与交易；
c.分析目标实体的输入交易与输出交易；
分析目标实体的输入交易与输出交易指标包括：实体余额、实体所包含的零余额地址数、实体所包含非零余额地址的余额、实体参与的交易量与交易额、交易实体对象的体量与交易频次。
d.对目标地址相关信息进行展示。
目标地址的相关信息展示包括对实体包含地址余额的分析和对实体相关交易的展示。
如图2所示，本发明一种基于标签传播的实体扩展方法及其相应实体——地址映射表更新包括如下步骤：
S1、取出已有实体——地址映射表与生成的每日实体——地址映射表的地址交集，将其对应的已有实体和每日实体标签进行连接：以地址为主键，主键地址所对应已有实体为伪标签，主键地址所对应每日实体为节点；
S2、每次取节点所对应的标签中最小的伪标签为节点真标签，对节点做标签传播算法，更新节点的标签；
S3、以地址为主键，已有实体为节点，经标签传播后的真标签为标签，对节点做标签传播算法，更新节点的标签；
S4、更新已有实体——地址映射表中的所有地址的标签。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于实体识别的比特币异常地址追踪系统，其特征在于，包括：实体聚合模块、交易图模块、地址追踪模块；其中：
实体聚合模块包括实体——地址映射表更新；
地址追踪模块包括异常地址追踪与分析；
交易图模块用于构建数据库以及异常交易分析。
2.根据权利要求1所述的比特币异常地址追踪系统，其特征在于，异常地址追踪步骤包括：
由系统自动从网络添加新产生的区块交易；利用实体聚合模块更新数据库实体信息；利用交易图模块更新实体交易信息；
在系统收到用户输入的目标地址后，根据已有数据库信息，追踪并分析地址与实体的相关交易，对地址进行评估。
3.根据权利要求1所述的比特币异常地址追踪系统，其特征在于，实体聚合模块工作流程包括：
a.利用启发式规则生成地址簇，基于图结构寻找实体，搭建每日实体——地址映射表；
b.对比已有地址集与每日实体——地址映射表中的地址，利用每日新增地址更新地址集；
c.利用基于标签传播的实体扩展方法更新地址的实体标签；
d.利用所生成的实体标签更新实体——地址映射表。
4.根据权利要求3所述的比特币异常地址追踪系统，其特征在于，基于图结构寻找实体的方法包括：
a.利用有向二部图搭建地址与地址簇的从属关系图；
b.利用布尔代数将地址与地址簇的从属关系图转换为地址与地址的社区关系图；
c.通过寻找社区关系图中的子图从而寻找出对应的每日实体——地址映射表。
5.根据权利要求3所述的比特币异常地址追踪系统，其特征在于，基于标签传播的实体扩展方法包括：
a.取出已有实体——地址映射表与生成的每日实体——地址映射表的地址交集，以地址为主键，主键地址所对应已有实体为标签，主键地址所对应每日实体为节点；
b.每次取节点所对应的标签中最小的标签为节点标签，对节点做标签传播算法，更新节点的标签；
c.以地址为主键，已有实体为节点，经标签传播后的标签为标签，对节点做标签传播算法，更新节点的标签；
d.更新已有实体——地址映射表中的所有地址的标签。
6.根据权利要求1所述的比特币异常地址追踪系统，其特征在于，交易图模块包括地址——交易——地址图、地址——地址图、实体——交易——实体图、实体——实体图；其中：
地址——交易——地址图为有向二部图，用于描述地址参与同一笔交易构成的网络关系；
地址——地址图为有向图，用于描述地址与地址之间的交易历史关系；
实体——交易——实体图为有向二部图，用于描述实体参与同一笔交易构成的网络关系；
实体——实体图为有向图，用于描述实体与实体之间的交易历史关系。
7.根据权利要求6所述的比特币异常地址追踪系统，其特征在于：
地址——交易——地址图的输入边定义为：
{einId,adinId,txId,{amount,time,adType}}
其中各项从左到右分别表示：输入边的标识、输入地址的标识、交易标识、输入地址参与交易的金额、交易发生的时间、输入地址的脚本类型；
地址——交易——地址图的输出边定义为：
{eoutId,txId,adoutId,{amount,time,adType}}
其中各项从左到右分别表示：输出边的标识、交易标识、输出地址的标识、输出地址收到的交易金额、交易发生的时间、输出地址的脚本类型；
地址——地址图定义为：
{eId,adinId,adoutId,{num}}
其中各项从左到右分别表示：边的标识、输入地址的标识、输出地址的标识、发生交易的次数；
实体——交易——实体图的输入边定义为：
{einId,eninId,txId,{amount,time,adNum}}
其中各项从左到右分别表示：输入边的标识、输入实体的标识、交易标识、输入实体参与交易的金额、交易发生的时间、输入实体用于签名交易的地址个数；
实体——交易——实体图的输出边定义为：
{eoutId,txId,enoutId,{amount,time,adNum}}
其中各项从左到右分别表示：输出边的标识、交易标识、输出实体的标识、输出实体收到的交易金额、交易发生的时间、输出实体用于接受交易的地址个数；
实体——实体图定义为：
{eId,eninId,enoutId,{num,amount,maxTx,minTx}}
其中各项从左到右分别表示：边的标识、输入实体的标识、输出实体的标识、发生交易的次数、发生交易的总金额、输入实体给输出实体的单笔交易的最大金额、输入实体给输出实体的单笔交易的最小金额。
8.根据权利要求1所述的比特币异常地址追踪系统，其特征在于，地址追踪模块工作流程包括：
a.从数据库中寻找目标地址所在实体作为目标实体；
b.寻找目标实体所参与交易；
c.分析目标实体的输入交易与输出交易；
d.对目标地址相关信息进行展示。
9.根据权利要求8所述的比特币异常地址追踪系统，其特征在于，目标实体的交易分析包括实体余额、实体所包含的零余额地址数、实体所包含非零余额地址的余额、实体参与的交易量与交易额、交易实体对象的体量与交易频次。
10.根据权利要求8所述的比特币异常地址追踪系统，其特征在于，目标地址相关信息展示包括对实体包含地址余额的分析和对实体相关交易的展示。
CN202210704277.7A 2022-06-21 2022-06-21 一种基于实体识别的比特币异常地址追踪系统 Pending CN115099798A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210704277.7A CN115099798A (zh) 2022-06-21 2022-06-21 一种基于实体识别的比特币异常地址追踪系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210704277.7A CN115099798A (zh) 2022-06-21 2022-06-21 一种基于实体识别的比特币异常地址追踪系统

Publications (1)

Publication Number Publication Date
CN115099798A true CN115099798A (zh) 2022-09-23

Family

ID=83293230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210704277.7A Pending CN115099798A (zh) 2022-06-21 2022-06-21 一种基于实体识别的比特币异常地址追踪系统

Country Status (1)

Country Link
CN (1) CN115099798A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117522583A (zh) * 2024-01-08 2024-02-06 江苏通付盾科技有限公司 一种基于余额分析的链上合约攻击交易检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117522583A (zh) * 2024-01-08 2024-02-06 江苏通付盾科技有限公司 一种基于余额分析的链上合约攻击交易检测方法
CN117522583B (zh) * 2024-01-08 2024-04-26 江苏通付盾科技有限公司 一种基于余额分析的链上合约攻击交易检测方法

Similar Documents

Publication Publication Date Title
Wang et al. Heterogeneous network representation learning approach for ethereum identity identification
Van Vlasselaer et al. Gotcha! network-based fraud detection for social security fraud
Zhou et al. Internet financial fraud detection based on a distributed big data approach with node2vec
CN110414987B (zh) 账户集合的识别方法、装置和计算机系统
KR20200094827A (ko) 암호화폐 거래 분석 방법 및 시스템
Ahmed Collective anomaly detection techniques for network traffic analysis
US11538044B2 (en) System and method for generation of case-based data for training machine learning classifiers
CN111475838A (zh) 基于深度神经网络的图数据匿名方法、装置、存储介质
Cheng et al. Secure Digital Asset Transactions: Integrating Distributed Ledger Technology with Safe AI Mechanisms
Zandian et al. Feature extraction method based on social network analysis
CN110825817B (zh) 一种企业疑似关联关系判定方法及系统
Shah et al. Bitcoin data analytics: Scalable techniques for transaction clustering and embedding generation
Shamsi et al. Chartalist: Labeled graph datasets for utxo and account-based blockchains
Kumar et al. Investigation on privacy preserving using K-anonymity techniques
CN115099798A (zh) 一种基于实体识别的比特币异常地址追踪系统
Liu et al. Social group query based on multi-fuzzy-constrained strong simulation
Saxena et al. Efficient blockchain addresses classification through cascading ensemble learning approach
Wang et al. EtherFuzz: mutation fuzzing smart contracts for TOD vulnerability detection
Ma et al. MLRP-KG: Mine landslide risk prediction based on knowledge graph
Jamshidi et al. An efficient data enrichment scheme for fraud detection using social network analysis
He et al. TokenCat: detect flaw of authentication on ERC20 tokens
Gupta et al. Security measures in data mining
Ezhilmathi et al. Challenges in Tracing Proxy Addresses by Mining Bitcoin Fraternize Service Transactions
Sagar et al. Online transaction fraud detection techniques: A review of data mining approaches
Xi et al. A review on data analysis of Bitcoin transaction entity

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