CN116628613A - 一种区块链异常交易检测方法、系统、设备及存储介质 - Google Patents
一种区块链异常交易检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116628613A CN116628613A CN202310628315.XA CN202310628315A CN116628613A CN 116628613 A CN116628613 A CN 116628613A CN 202310628315 A CN202310628315 A CN 202310628315A CN 116628613 A CN116628613 A CN 116628613A
- Authority
- CN
- China
- Prior art keywords
- transaction
- blockchain
- network
- address
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 79
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000013145 classification model Methods 0.000 claims abstract description 55
- 238000012098 association analyses Methods 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 45
- 238000000034 method Methods 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000003012 network analysis Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004900 laundering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例提供了一种区块链异常交易检测方法、系统、设备及存储介质,用以解决现有的区块链异常交易检测方案无法应对实时犯罪活动的技术问题,属于区块链技术领域。包括:基于区块链交易网络的智能合约,获取交易数据;基于所述交易数据,对区块链网络地址和交易实体地址进行关联,生成地址关联分析结果;基于所述地址关联分析结果,构建交易实体分类模型;基于所述交易实体分类模型识别本次交易的类型,进而构建交易用户画像;基于所述交易用户画像,检测本次交易是否为异常交易,并在异常交易时触发区块链告警机制。实现了区块链交易的异常检测,能够实时检测异常交易,并进行告警,提升了区块链交易平台的安全性,保障商业安全。
Description
技术领域
本申请涉及区块链技术领域,尤其涉及一种区块链异常交易检测方法、系统、设备及存储介质。
背景技术
区块链的去中心化、交易无需真实身份的特征不仅吸引了大量的投资者,也给了犯罪分子可乘之机,区块链在给商业活动带来便利的同时,也成为了诈骗、黑市贸易、洗钱等违法犯罪活动的温床。
目前,国内外研究人员虽然提出了不同的区块链异常交易检测方案,但面对犯罪分子层出不穷的犯罪活动,这些方案往往难以实现特定的功能,并且这些检测方案多是事后检测,并不能实时监测违法犯罪活动。因此,亟需一种科学合理的区块链异常交易检测方法。
发明内容
本申请实施例提供了一种区块链异常交易检测方法、系统、设备及存储介质,用以解决现有的区块链异常交易检测方案无法应对实时犯罪活动的技术问题。
一方面,本申请实施例提供了一种区块链异常交易检测方法,所述方法包括:基于区块链交易网络的智能合约,获取交易数据;基于所述交易数据,对区块链网络地址和交易实体地址进行关联,生成地址关联分析结果;基于所述地址关联分析结果,构建交易实体分类模型;基于所述交易实体分类模型识别本次交易的类型,进而构建交易用户画像;基于所述交易用户画像,检测本次交易是否为异常交易,并在异常交易时触发区块链告警机制。
在本申请的一种实现方式中,对区块链网络地址和交易实体地址进行关联的过程,具体为:使用无向地址交易网构建邻接矩阵;按顺序读取所述邻接矩阵的列向量,并对所述邻接矩阵的信息进行局部谱聚类,以实现节点划分,从而关联交易地址。
在本申请的一种实现方式中,构建交易实体分类模型的过程,具体为:构建交易图;其中,所述交易图包括:地址交易图、实体交易图;对原始用户的区块链交易网络进行网络抽样,并基于网络抽样结果确定所述交易实体分类模型的原始网络结构;提取所述地址交易图、所述实体交易图中的时序特征及网络特征,并基于随机森林训练所述交易实体分类模型。
在本申请的一种实现方式中,构建交易用户画像的过程,具体为:基于所述交易实体分类模型识别的本次交易类型结果以及构建的交易图,建立同属实体网络;其中,所述同属实体网络包括:同属地址交易网络、同属实体交易网络;基于所述交易实体分类模型分别提取所述同属实体网络中的地址和实体的统计特征、时序特征、网络特征;对提取的所述统计特征、所述时序特征、所述网络特征进行组合,得到交易用户画像。
在本申请的一种实现方式中,检测本次交易是否为异常交易的过程,具体为:获取实时交易数据;将所述实时交易数据,输入训练好的交易实体分类模型中进行识别,输出本次交易的用户画像;将本次交易的用户画像与数据库中异常交易用户画像进行匹配,基于匹配度确定本次交易的风险值,若所述风险值超过预设风险阈值,则确定本次交易为异常交易。
在本申请的一种实现方式中,所述方法还包括:基于随机网络抽样及同属实体网络的同属地址网及实体地址网进行网络分析,确定离群点;基于所述离群点以及历史交易用户画像,生成异常交易类型。
其次,本申请实施例还提供了一种区块链异常交易检测系统,所述系统包括:交易数据获取模块,用于基于区块链交易网络的智能合约,获取交易数据;地址关联分析模块,用于基于所述交易数据,对区块链网络地址和交易实体地址进行关联,生成地址关联分析结果;分类模型构建模块,用于基于所述地址关联分析结果,构建交易实体分类模型;用户画像构建模块,用于基于所述交易实体分类模型识别本次交易的类型,进而构建交易用户画像;异常交易检测模块,基于所述交易用户画像,检测本次交易是否为异常交易,并在异常交易时触发区块链告警机制。
在本申请的一种实现方式中,所述分类模型构建模块包括:交易图构建子模块,用于构建交易图;其中,所述交易图包括:地址交易图、实体交易图;抽样子模块,用于对原始用户的区块链交易网络进行网络抽样,并基于网络抽样结果确定所述交易实体分类模型的原始网络结构;特征提取子模块,用于提取所述地址交易图、所述实体交易图中的时序特征及网络特征,并基于随机森林训练所述交易实体分类模型。
再其次,本申请实施例还提供了一种区块链异常交易检测设备,所述设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:基于区块链交易网络的智能合约,获取交易数据;基于所述交易数据,对区块链网络地址和交易实体地址进行关联,生成地址关联分析结果;基于所述地址关联分析结果,构建交易实体分类模型;基于所述交易实体分类模型识别本次交易的类型,进而构建交易用户画像;基于所述交易用户画像,检测本次交易是否为异常交易,并在异常交易时触发区块链告警机制。
最后,本申请实施例还提供了一种区块链异常交易检测的非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:基于区块链交易网络的智能合约,获取交易数据;基于所述交易数据,对区块链网络地址和交易实体地址进行关联,生成地址关联分析结果;基于所述地址关联分析结果,构建交易实体分类模型;基于所述交易实体分类模型识别本次交易的类型,进而构建交易用户画像;基于所述交易用户画像,检测本次交易是否为异常交易,并在异常交易时触发区块链告警机制。
本申请实施例提供的一种区块链异常交易检测方法、系统、设备及存储介质,通过实时的交易数据检测分析异常交易,从交易地址关联、交易类型识别以及异常交易检测三个过程实现了区块链交易的异常检测,能够实时检测异常交易,并进行告警,本申请实施例提供的一种区块链异常交易检测方法能够提升区块链交易平台的安全性,保障商业安全。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种区块链异常交易检测方法流程图;
图2为本申请实施例提供的一种区块链异常交易检测系统组成图;
图3为本申请实施例提供的一种区块链异常交易检测设备示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种区块链异常交易检测方法、系统、设备及存储介质,用以解决现有的区块链异常交易检测方案无法应对实时犯罪活动的技术问题。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种区块链异常交易检测方法流程图。如图1所示,该方法主要包括以下步骤:
步骤101、基于区块链交易网络的智能合约,获取交易数据。
在本申请实施例中,首先通过区块链交易网络的智能合约对各种公有链交易数据以及网络层节点信息进行采集,这个过程主要可以应用多粒度复杂网络分析法进行采集。
步骤102、基于所述交易数据,对区块链网络地址和交易实体地址进行关联,生成地址关联分析结果。
在本申请实施例中,首先,使用无向地址交易网构建邻接矩阵;然后按顺序读取所述邻接矩阵的列向量,并对所述邻接矩阵的信息进行局部谱聚类,以实现节点划分,从而关联交易地址。
步骤103、基于所述地址关联分析结果,构建交易实体分类模型。
在本申请实施例中,首先,构建交易图;其中,所述交易图包括:地址交易图、实体交易图;其次,对原始用户的区块链交易网络进行网络抽样,并基于网络抽样结果确定所述交易实体分类模型的原始网络结构;最后,提取所述地址交易图、所述实体交易图中的时序特征及网络特征,并基于随机森林训练所述交易实体分类模型。
步骤104、基于所述交易实体分类模型识别本次交易的类型,进而构建交易用户画像。
在本申请实施例中,首先,基于所述交易实体分类模型识别的本次交易类型结果以及构建的交易图,建立同属实体网络;其中,所述同属实体网络包括:同属地址交易网络、同属实体交易网络;其次,基于所述交易实体分类模型分别提取所述同属实体网络中的地址和实体的统计特征、时序特征、网络特征;最后,对提取的所述统计特征、所述时序特征、所述网络特征进行组合,得到交易用户画像。
需要说明的是,异常交易类型是事先定义的,过程为:基于随机网络抽样及同属实体网络的同属地址网及实体地址网进行网络分析,确定离群点;然后基于所述离群点以及历史交易用户画像,生成异常交易类型。
步骤105、基于所述交易用户画像,检测本次交易是否为异常交易,并在异常交易时触发区块链告警机制。
在本申请实施例中,首先,获取实时交易数据;其次,将所述实时交易数据,输入训练好的交易实体分类模型中进行识别,输出本次交易的用户画像;最后,将本次交易的用户画像与数据库中异常交易用户画像进行匹配,基于匹配度确定本次交易的风险值,若所述风险值超过预设风险阈值,则确定本次交易为异常交易。
以上是本申请实施例提供的一种区块链异常交易检测方法,基于同样的发明构思,本申请实施例还提供了一种区块链异常交易检测系统,图2为本申请实施例提供的一种区块链异常交易检测系统组成图,如图2所示,所述系统主要包括:交易数据获取模块201,用于基于区块链交易网络的智能合约,获取交易数据;地址关联分析模块202,用于基于所述交易数据,对区块链网络地址和交易实体地址进行关联,生成地址关联分析结果;分类模型构建模块203,用于基于所述地址关联分析结果,构建交易实体分类模型;用户画像构建模块204,用于基于所述交易实体分类模型识别本次交易的类型,进而构建交易用户画像;异常交易检测模块205,基于所述交易用户画像,检测本次交易是否为异常交易,并在异常交易时触发区块链告警机制。
在本申请实施例中,所述分类模型构建模块203包括:交易图构建子模块,用于构建交易图;其中,所述交易图包括:地址交易图、实体交易图;抽样子模块,用于对原始用户的区块链交易网络进行网络抽样,并基于网络抽样结果确定所述交易实体分类模型的原始网络结构;特征提取子模块,用于提取所述地址交易图、所述实体交易图中的时序特征及网络特征,并基于随机森林训练所述交易实体分类模型。
以上是本申请实施例提供的一种区块链异常交易检测系统,基于同样的发明构思,本申请实施例还提供了一种区块链异常交易检测设备,图3为本申请实施例提供的一种区块链异常交易检测设备示意图,如图3所示,该设备主要包括:至少一个处理器301;以及,与至少一个处理器通信连接的存储器302;其中,存储器302存储有可被至少一个处理器301执行的指令,指令被至少一个处理器301执行,以使至少一个处理器301能够完成:基于区块链交易网络的智能合约,获取交易数据;基于所述交易数据,对区块链网络地址和交易实体地址进行关联,生成地址关联分析结果;基于所述地址关联分析结果,构建交易实体分类模型;基于所述交易实体分类模型识别本次交易的类型,进而构建交易用户画像;基于所述交易用户画像,检测本次交易是否为异常交易,并在异常交易时触发区块链告警机制。
除此之外,本申请实施例还提供了一种区块链异常交易检测的非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:基于区块链交易网络的智能合约,获取交易数据;基于所述交易数据,对区块链网络地址和交易实体地址进行关联,生成地址关联分析结果;基于所述地址关联分析结果,构建交易实体分类模型;基于所述交易实体分类模型识别本次交易的类型,进而构建交易用户画像;基于所述交易用户画像,检测本次交易是否为异常交易,并在异常交易时触发区块链告警机制。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种区块链异常交易检测方法,其特征在于,所述方法包括:
基于区块链交易网络的智能合约,获取交易数据;
基于所述交易数据,对区块链网络地址和交易实体地址进行关联,生成地址关联分析结果;
基于所述地址关联分析结果,构建交易实体分类模型;
基于所述交易实体分类模型识别本次交易的类型,进而构建交易用户画像;
基于所述交易用户画像,检测本次交易是否为异常交易,并在异常交易时触发区块链告警机制。
2.根据权利要求1所述的一种区块链异常交易检测方法,其特征在于,对区块链网络地址和交易实体地址进行关联的过程,具体为:
使用无向地址交易网构建邻接矩阵;
按顺序读取所述邻接矩阵的列向量,并对所述邻接矩阵的信息进行局部谱聚类,以实现节点划分,从而关联交易地址。
3.根据权利要求1所述的一种区块链异常交易检测方法,其特征在于,构建交易实体分类模型的过程,具体为:
构建交易图;其中,所述交易图包括:地址交易图、实体交易图;
对原始用户的区块链交易网络进行网络抽样,并基于网络抽样结果确定所述交易实体分类模型的原始网络结构;
提取所述地址交易图、所述实体交易图中的时序特征及网络特征,并基于随机森林训练所述交易实体分类模型。
4.根据权利要求1所述的一种区块链异常交易检测方法,其特征在于,构建交易用户画像的过程,具体为:
基于所述交易实体分类模型识别的本次交易类型结果以及构建的交易图,建立同属实体网络;其中,所述同属实体网络包括:同属地址交易网络、同属实体交易网络;
基于所述交易实体分类模型分别提取所述同属实体网络中的地址和实体的统计特征、时序特征、网络特征;
对提取的所述统计特征、所述时序特征、所述网络特征进行组合,得到交易用户画像。
5.根据权利要求1所述的一种区块链异常交易检测方法,其特征在于,检测本次交易是否为异常交易的过程,具体为:
获取实时交易数据;
将所述实时交易数据,输入训练好的交易实体分类模型中进行识别,输出本次交易的用户画像;
将本次交易的用户画像与数据库中异常交易用户画像进行匹配,基于匹配度确定本次交易的风险值,若所述风险值超过预设风险阈值,则确定本次交易为异常交易。
6.根据权利要求1所述的一种区块链异常交易检测方法,其特征在于,所述方法还包括:
基于随机网络抽样及同属实体网络的同属地址网及实体地址网进行网络分析,确定离群点;
基于所述离群点以及历史交易用户画像,生成异常交易类型。
7.一种区块链异常交易检测系统,其特征在于,所述系统包括:
交易数据获取模块,用于基于区块链交易网络的智能合约,获取交易数据;
地址关联分析模块,用于基于所述交易数据,对区块链网络地址和交易实体地址进行关联,生成地址关联分析结果;
分类模型构建模块,用于基于所述地址关联分析结果,构建交易实体分类模型;
用户画像构建模块,用于基于所述交易实体分类模型识别本次交易的类型,进而构建交易用户画像;
异常交易检测模块,基于所述交易用户画像,检测本次交易是否为异常交易,并在异常交易时触发区块链告警机制。
8.根据权利要求7所述的一种区块链异常交易检测系统,其特征在于,所述分类模型构建模块包括:
交易图构建子模块,用于构建交易图;其中,所述交易图包括:地址交易图、实体交易图;
抽样子模块,用于对原始用户的区块链交易网络进行网络抽样,并基于网络抽样结果确定所述交易实体分类模型的原始网络结构;
特征提取子模块,用于提取所述地址交易图、所述实体交易图中的时序特征及网络特征,并基于随机森林训练所述交易实体分类模型。
9.一种区块链异常交易检测设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
基于区块链交易网络的智能合约,获取交易数据;
基于所述交易数据,对区块链网络地址和交易实体地址进行关联,生成地址关联分析结果;
基于所述地址关联分析结果,构建交易实体分类模型;
基于所述交易实体分类模型识别本次交易的类型,进而构建交易用户画像;
基于所述交易用户画像,检测本次交易是否为异常交易,并在异常交易时触发区块链告警机制。
10.一种区块链异常交易检测的非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
基于区块链交易网络的智能合约,获取交易数据;
基于所述交易数据,对区块链网络地址和交易实体地址进行关联,生成地址关联分析结果;
基于所述地址关联分析结果,构建交易实体分类模型;
基于所述交易实体分类模型识别本次交易的类型,进而构建交易用户画像;
基于所述交易用户画像,检测本次交易是否为异常交易,并在异常交易时触发区块链告警机制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310628315.XA CN116628613A (zh) | 2023-05-29 | 2023-05-29 | 一种区块链异常交易检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310628315.XA CN116628613A (zh) | 2023-05-29 | 2023-05-29 | 一种区块链异常交易检测方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116628613A true CN116628613A (zh) | 2023-08-22 |
Family
ID=87636417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310628315.XA Pending CN116628613A (zh) | 2023-05-29 | 2023-05-29 | 一种区块链异常交易检测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628613A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118378204A (zh) * | 2024-06-26 | 2024-07-23 | 中科链安(北京)科技有限公司 | 基于模式匹配的区块链异常交易行为识别方法及设备 |
-
2023
- 2023-05-29 CN CN202310628315.XA patent/CN116628613A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118378204A (zh) * | 2024-06-26 | 2024-07-23 | 中科链安(北京)科技有限公司 | 基于模式匹配的区块链异常交易行为识别方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109767322B (zh) | 基于大数据的可疑交易分析方法、装置和计算机设备 | |
TWI673666B (zh) | 資料風險控制的方法及裝置 | |
CN109948704A (zh) | 一种交易监测方法与装置 | |
CN110659318B (zh) | 基于大数据的策略推送方法、系统及计算机设备 | |
CN110659973B (zh) | 资金追踪方法、装置及设备 | |
CN109191226B (zh) | 风险控制方法和装置 | |
CN112837069B (zh) | 基于区块链与大数据的安全支付方法及云平台系统 | |
CN109345375B (zh) | 一种可疑洗钱行为识别方法及装置 | |
CN116628613A (zh) | 一种区块链异常交易检测方法、系统、设备及存储介质 | |
CN112200196A (zh) | 钓鱼网站检测方法、装置、设备及计算机可读存储介质 | |
Abdelhamid et al. | Automatic bank fraud detection using support vector machines | |
CN112631889A (zh) | 针对应用系统的画像方法、装置、设备及可读存储介质 | |
CN110675078A (zh) | 上市公司风险诊断方法、系统、计算机终端及存储介质 | |
CN111445252A (zh) | 一种生物特征库的建立方法、装置及设备 | |
Soni et al. | Reducing risk in KYC (know your customer) for large Indian banks using big data analytics | |
WO2018074027A1 (ja) | 異常検出装置、制御方法、及びプログラム | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
CN112200592B (zh) | 一种空壳公司识别方法、装置及设备 | |
CN107016028B (zh) | 数据处理方法及其设备 | |
CN112907308B (zh) | 数据检测方法和装置、计算机可读存储介质 | |
CN111383027A (zh) | 一种账户的涉案检测方法、装置、设备及存储介质 | |
CN109308673A (zh) | 一种房源监管方法及装置 | |
CN110956445B (zh) | 用于生成风险文件的方法和装置 | |
CN113469816A (zh) | 基于多组学技术的数字货币识别方法、系统和存储介质 | |
CN117952619B (zh) | 基于数字人民币钱包账户关联性的风险行为分析方法、系统及计算机可读介质 |
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 |