CN116664293A - 区块链加密货币调证回函的解析方法及控制系统 - Google Patents
区块链加密货币调证回函的解析方法及控制系统 Download PDFInfo
- Publication number
- CN116664293A CN116664293A CN202310468697.4A CN202310468697A CN116664293A CN 116664293 A CN116664293 A CN 116664293A CN 202310468697 A CN202310468697 A CN 202310468697A CN 116664293 A CN116664293 A CN 116664293A
- Authority
- CN
- China
- Prior art keywords
- data
- reply
- transaction
- model
- data set
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 59
- 238000012546 transfer Methods 0.000 title claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000004140 cleaning Methods 0.000 claims abstract description 17
- 230000001502 supplementing effect Effects 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 6
- 239000013589 supplement Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Accounting & Taxation (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种区块链加密货币调证回函的解析方法及控制系统,解析方法包括如下步骤:S100、获取区块链交易数据和去中心化交易所回函模板数据,建立数据集;S200、对数据集的数据进行清洗和特征提取后,利用特征训练解析模型;S300、获取去中心化交易所的调证回函数据,将调证回函数据送入解析模型中,识别并提取得到关键数据;S400、将关键数据补充至数据集,并生成回函报告。能够在交易资金溯源过程中,有效的获取去中心化交易所交易记录数据,并自动将解析后的交易数据补充至资金分析系统中,以使交易资金链路更加完整,无需人工进行整理,提高调证和解析的效率,且解析结果更加准确,节约人工成本。
Description
技术领域
本公开涉及区块链技术领域,尤其涉及一种区块链加密货币调证回函的解析方法及控制系统。
背景技术
随着区块链技术的发展和加密货币的广泛应用,加密货币交易市场规模不断扩大。由于加密货币的匿名性和去中心化特性,因此在对交易资金溯源的过程中发现,很多资金最终流向去中心化交易所CEX进行交易和变现。去中心化交易所的交易记录存储于服务方的数据中心,对应数据无法在区块链上获得到,从而导致资金分析时的交易链路中断,加大分析难度。
目前通常采用调证的方式获取去中心化交易所返回的信息与数据,并对调证回函信息进行解析,实现对应数据的获取。传统的调证回函解析方法一般通过人工进行数据整理,不仅解析效率低、操作繁琐,还严重影响调证的准确性,无法高效的将解析得到的交易数据补充进资金分析系统之中。
发明内容
为了解决上述问题,本申请提出一种区块链加密货币调证回函的解析方法及控制系统,以解决上述问题。
本申请一方面,提出一种区块链加密货币调证回函的解析方法,包括如下步骤:
S100、获取区块链交易数据和去中心化交易所回函模板数据,建立数据集;
S200、对所述数据集的数据进行清洗和特征提取后,利用特征训练解析模型;
S300、获取去中心化交易所的调证回函数据,将所述调证回函数据送入所述解析模型中,识别并提取得到关键数据;
S400、将所述关键数据补充至所述数据集,并按照生成回函报告。
作为本申请的一可选实施方案,可选地,在步骤S100中,获取区块链交易数据和去中心化交易所回函模板数据,建立数据集,包括:
S110、获取区块链上区块全节点的交易数据,并存储于数据库中;
S120、获取去中心化交易所回函模板数据,存储于数据库中,并与步骤S110获取的所述交易数据建立数据集。
作为本申请的一可选实施方案,可选地,在步骤S200中,对所述数据集的数据进行清洗和特征提取后,利用特征训练解析模型,包括:
S210、清洗所述数据集的数据;
S220、利用深度学习卷积神经网络对清洗后的所述数据集进行特征提取;
S230、创建解析模型,并利用所述特征训练所述解析模型。
作为本申请的一可选实施方案,可选地,在步骤S210中,清洗所述数据集的数据,包括:
S211、标记所述数据集中的错误数据,并处理重复数据;
S212、将经过步骤S211处理后的所述数据集的数据格式化和标准化后,完成所述数据集的清洗。
作为本申请的一可选实施方案,可选地,在步骤S220中,利用深度学习卷积神经网络对清洗后的所述数据集进行特征提取,包括:
S221、构建基于深度学习卷积神经网络的特征提取模型并训练,得到训练后的所述特征提取模型;
S222、根据训练后的所述特征提取模型对清洗后的所述数据集进行特征提取。
作为本申请的一可选实施方案,可选地,在步骤S230中,创建解析模型,并利用所述特征训练所述解析模型,包括:
S231、构建基于深度学习卷积神经网络的解析模型;
S232、基于提取后的所述特征对所述解析模型进行训练,并将训练后的所述解析模型嵌入资金分析系统。
作为本申请的一可选实施方案,可选地,在步骤S300中,获取去中心化交易所的调证回函数据,将所述调证回函数据送入所述解析模型中,识别并提取得到关键数据,包括:
S310、向所述去中心化交易所发送调证请求,获取所述去中心化交易所的调证回函数据;
S320、将所述调证回函数据上传至训练后的所述解析模型,通过所述解析模型识别并提取得到关键数据。
作为本申请的一可选实施方案,可选地,在步骤S221中,在训练所述特征提取模型时,根据清洗后的所述数据集的交易基本属性特征、交易参与方特征、交易行为特征和资金流动特征进行训练。
本申请另一方面,提供了一种控制系统,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现上述任一项所述的一种区块链加密货币调证回函的解析方法。
本发明的技术效果:
本申请提供一种区块链加密货币调证回函的解析方法,能够在交易资金溯源过程中,有效的获取去中心化交易所交易记录数据,并自动将解析后的交易数据补充至资金分析系统中,以使交易资金链路更加完整,无需人工进行整理,提高调证和解析的效率,且解析结果更加准确,节约人工成本。具体的,将获取的区块链交易数据和去中心化交易所的回函模板数据建立一个数据集,对数据集中的数据进数据清洗,采用清洗后的数据提取特征信息。训练基于深度学习卷积神经网络的特征提取模型后,通过特征提取模型对交易数据进行特征提取,并利用特征训练解析模型。需要说明的是,采用基于卷积神经网络的解析模型,能够自动识别和提取自去中心化交易所获取的回函数据,得到回函数据中包括的关键数据,提高解析效果和准确率。将训练好的解析模型嵌入资金分析系统中,用于自动解析调证回函数据,并将解析后的数据存储至资金分析系统中,从而来补充资金到达去中心化交易所后缺失的交易信息,使交易链路完整,实现区块链交易记录的追溯与调查的目的。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出为本发明区块链加密货币调证回函的解析方法的实施流程示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
实施例1
如图1所示,本申请提供一种区块链加密货币调证回函的解析方法,包括如下步骤:
S100、获取区块链交易数据和去中心化交易所回函模板数据,建立数据集;
S200、对所述数据集的数据进行清洗和特征提取后,利用特征训练解析模型;
S300、获取去中心化交易所的调证回函数据,将所述调证回函数据送入所述解析模型中,识别并提取得到关键数据;
S400、将所述关键数据补充至所述数据集,并按照生成回函报告。
本实施例提供一种区块链加密货币调证回函的解析方法,能够在交易资金溯源过程中,有效的获取去中心化交易所交易记录数据,并自动将解析后的交易数据补充至资金分析系统中,以使交易资金链路更加完整,无需人工进行整理,提高调证和解析的效率,且解析结果更加准确,节约人工成本。具体的,通过获取大量区块链交易数据和去中心化交易所的回函模板数据建立一个数据集,为后续分析和处理提供充分的数据基础。其中,通过去中心化交易所提供的接口实现获取回函模板数据的目的。并且在利用数据集训练解析模型之前,需要对数据集中的数据进数据清洗,采用清洗后的数据提取特征信息,转换为规范化的数据格式,以便于后续的数据分析和挖掘。训练基于深度学习卷积神经网络的特征提取模型后,通过特征提取模型对交易数据进行特征提取,并利用特征训练解析模型,需要说明的是,采用基于卷积神经网络的解析模型,能够自动识别和提取自去中心化交易所获取的回函数据,得到回函数据中包括的关键数据,如交易所名称、交易记录和时间戳等,将训练好的解析模型嵌入资金分析系统中,用于自动解析调证回函数据,并将解析后的数据存储至资金分析系统中,从而来补充资金到达去中心化交易所后缺失的交易信息,使交易链路完整,实现区块链交易记录的追溯与调查。同时解析得到的关键数据进行提取并设定的结构生成回函报告,以使分析人员能够快速获取到重要的信息,并将解析到的关键数据补充至相应的数据集中,从而在分析资金交易时更直观地看到展示数据。
作为本申请的一可选实施方案,可选地,在步骤S100中,获取区块链交易数据和去中心化交易所回函模板数据,建立数据集,包括:
S110、获取区块链上区块全节点的交易数据,并存储于数据库中;
S120、获取去中心化交易所回函模板数据,存储于数据库中,并与步骤S110获取的所述交易数据建立数据集。
本实施例中,分别获取区块链交易数据和去中心化交易所回函模板数据构建数据集。具体的,利用区块全节点获取区块链上的全部交易数据,并在其存储于数据库中。回函模板数据用于描述去中心化交易所内用户的交易数据,其中不同交易所提供的回函内容格式不同,均需获取存储至数据库中,便于在处理交易数据时参考。需要说明的是,为了能够实现对于数据的高效管理和查询,具体可采用分布式数据库技术,如StarRocks等,实现数据的高效存储和管理。还需说明的是,对于StarRocks数据库可用MySQL或MongoDB数据库替代,对此不做限定,能够实现存储区块链交易数据和去中心化交易所回函模板数据即可。
作为本申请的一可选实施方案,可选地,在步骤S200中,对所述数据集的数据进行清洗和特征提取后,利用特征训练解析模型,包括:
S210、清洗所述数据集的数据;
S220、利用深度学习卷积神经网络对清洗后的所述数据集进行特征提取;
S230、创建解析模型,并利用所述特征训练所述解析模型。
进一步的,在步骤S210中,清洗所述数据集的数据,包括:
S211、标记所述数据集中的错误数据,并处理重复数据;
S212、将经过步骤S211处理后的所述数据集的数据格式化和标准化后,完成所述数据集的清洗。
本实施例中,利用清洗后的数据提取特征信息,并通过特征训练解析模型。具体的,获取得到的调证回函模板数据需进行去重、筛选、格式化等处理,去除无效信息,确保数据的准确性和完整性。遍历所有数据,对存在明显错误或不合法的数据,将其标记为异常值,防止对后续分析造成干扰。通过比对各个字段的数值,判断是否存在重复数据,其中对于重复数据可以直接删除,也可以保留一条记录并将其他记录进行合并。进一步的,还需对数据的格式进行规范化处理,把“日期格式、数字格式、文本格式、地址格式、资金格式”进行限定,通过使用正则表达式、字符串操作方式实现。更进一步的,还需要对数据进行标准化处理,使其具有相同的单位和数据范围,便于后续分析,实现对于数据进行归一化和标准化的处理。
进一步的,在步骤S220中,利用深度学习卷积神经网络对清洗后的所述数据集进行特征提取,包括:
S221、构建基于深度学习卷积神经网络的特征提取模型并训练,得到训练后的所述特征提取模型;
S222、根据训练后的所述特征提取模型对清洗后的所述数据集进行特征提取。
本实施例中,对清洗后的数据利用分词、命名实体识别和语法分析等提取特征信息,便于后续的数据分析和挖掘。首先需要训练特征提取模型,具体的根据交易基本属性特征、交易方参与特征、交易行为特征和资金流动特征进行训练。其中,交易基本属性特征包括区块链、交易时间、交易金额、交易币种等基本属性,交易参与方包括交易双方的钱包地址、交易所名称、交易所国家等信息,通过交易方参与特征识别交易所以及其所在的国家地区。同时,通过分析交易行为模式,提取交易频率、交易量和交易方式,如市价单、限价单等特征,帮助刻画交易者的行为习惯。通过对交易数据进行时间序列分析,得到资金的流动路径、资金流入和流出的时间以及金额等特征,帮助发现资金的流动规律,识别资金的流向。
更进一步的,在步骤S230中,创建解析模型,并利用所述特征训练所述解析模型,包括:
S231、构建基于深度学习卷积神经网络的解析模型;
S232、基于提取后的所述特征对所述解析模型进行训练,并将训练后的所述解析模型嵌入资金分析系统。
本实施例中,通过特征训练基于深度学习卷积神经网络的解析模型,用于识别和自动提取回函中的关键数据,包括交易所名称、交易记录、时间戳和地址信息等。需要说明的是,本申请还采用对抗网络生成模型来扩充数据集,对抗网络生成模型对原始数据进行扰动生成新的数据,扩大训练数据集,提高了模型的准确性和泛化能力。同时通过大规模数据集的训练,能够有效的提高模型的解析准确率和鲁棒性。将训练完成的解析模型嵌入资金分析系统中,用于自动解析调证回函中的数据,并将解析后的数据存储至系统中,便于后续分析和应用,实现自动解析调证回函数据的目的。
作为本申请的一可选实施方案,可选地,在步骤S300中,获取去中心化交易所调证回函数据,将所述调证回函数据送入所述解析模型中,识别并提取得到关键数据,包括:
S310、向所述去中心化交易所发送调证请求,获取所述去中心化交易所的调证回函数据;
S320、将所述调证回函数据上传至训练后的所述解析模型,通过所述解析模型识别并提取得到关键数据。
本实施例中,通过向交易所发送调证请求,如待查询的地址信息等,并由交易所接口获取得到调证回函数据,其中调证回函数据为csv格式,将调证回函数据上传至训练好的解析模型中,自动识别交易记录数据,进行结构化处理,将交易数据与地址进行匹配,对匹配后的数据进行统计分析,提取交易数据中的关键信息,并补充至资金分析系统,为用户提供更全面和详细的加密货币交易记录。需要说明的是,交易数据结构的内容包括交易哈希值、交易输入的地址和金额、交易输出的地址和金额、交易时间戳、交易手续费、地址余额、地址收到的交易列表和地址发出的交易列表。例如解析出区块链具体为BTC,交易金额为9.5,具体的资金流动方向为流入,发送地址from和接收地址to的哈希值,以及交易创建的具体时间,从而实现提取到交易数据中关键信息的目的。对于调证回函的数据自动化处理能够有效的额提高调证效率和准确性。还需要说明的是,特征提取模型采用基于深度学习卷积神经网络的特征提取模型,利用训练好的特征提取模型对交易序列数据进行特征提取。
作为本申请的一可选实施方案,可选地,在步骤S221中,在训练所述特征提取模型时,根据清洗后的所述数据集的交易基本属性特征、交易参与方特征、交易行为特征和资金流动特征进行训练。
因此,本申请通过对区块链加密货币交易数据的有效分析,通过训练解析模型实现对交易所返回的调证数据进行智能解析,且能够接收不同交易所的回函数据,批量处理大量的调证回函数据,无需再进行定制化开发。对调证回函信息进行解析,提取其中的关键信息,并通过前端展示技术将解析后的信息直观地呈现给用户,且会把解析的交易数据补充到资金分析系统中,补充数据完整性,使交易资金链路完整不再缺少。
需要说明的是,尽管以作为示例介绍了如上,但本领域技术人员能够理解,本公开应不限于此。事实上,用户完全可根据实际应用场景灵活设定,只要可以按照上述技术方法实现本申请的技术功能即可。
实施例2
更进一步地,本申请提供了一种控制系统,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现上述任一项所述的一种区块链加密货币调证回函的解析方法。
本公开实施例来控制系统包括处理器以及用于存储处理器可执行指令的存储器。其中,处理器被配置为执行可执行指令时实现前面任一所述的一种区块链加密货币调证回函的解析方法。
此处,应当指出的是,处理器的个数可以为一个或多个。同时,在本公开实施例的控制系统中,还可以包括输入装置和输出装置。其中,处理器、存储器、输入装置和输出装置之间可以通过总线连接,也可以通过其他方式连接,此处不进行具体限定。
存储器作为一计算机可读存储介质,可用于存储软件程序、计算机可执行程序和各种模块,如:本公开实施例的一种区块链加密货币调证回函的解析方法所对应的程序或模块。处理器通过运行存储在存储器中的软件程序或模块,从而执行控制系统的各种功能应用及数据处理。
输入装置可用于接收输入的数字或信号。其中,信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置可以包括显示屏等显示设备。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种区块链加密货币调证回函的解析方法,其特征在于,包括如下步骤:
S100、获取区块链交易数据和去中心化交易所回函模板数据,建立数据集;
S200、对所述数据集的数据进行清洗和特征提取后,利用特征训练解析模型;
S300、获取去中心化交易所的调证回函数据,将所述调证回函数据送入所述解析模型中,识别并提取得到关键数据;
S400、将所述关键数据补充至所述数据集,并生成回函报告。
2.根据权利要求1所述的区块链加密货币调证回函的解析方法,其特征在于,在步骤S100中,获取区块链交易数据和去中心化交易所回函模板数据,建立数据集,包括:
S110、获取区块链上区块全节点的交易数据,并存储于数据库中;
S120、获取去中心化交易所回函模板数据,存储于数据库中,并与步骤S110获取的所述交易数据建立数据集。
3.根据权利要求1所述的区块链加密货币调证回函的解析方法,其特征在于,在步骤S200中,对所述数据集的数据进行清洗和特征提取后,利用特征训练解析模型,包括:
S210、清洗所述数据集的数据;
S220、利用深度学习卷积神经网络对清洗后的所述数据集进行特征提取;
S230、创建解析模型,并利用所述特征训练所述解析模型。
4.根据权利要求3所述的区块链加密货币调证回函的解析方法,其特征在于,在步骤S210中,清洗所述数据集的数据,包括:
S211、标记所述数据集中的错误数据,并处理重复数据;
S212、将经过步骤S211处理后的所述数据集的数据格式化和标准化后,完成所述数据集的清洗。
5.根据权利要求3所述的区块链加密货币调证回函的解析方法,其特征在于,在步骤S220中,利用深度学习卷积神经网络对清洗后的所述数据集进行特征提取,包括:
S221、构建基于深度学习卷积神经网络的特征提取模型并训练,得到训练后的所述特征提取模型;
S222、根据训练后的所述特征提取模型对清洗后的所述数据集进行特征提取。
6.根据权利要求3所述的区块链加密货币调证回函的解析方法,其特征在于,在步骤S230中,创建解析模型,并利用所述特征训练所述解析模型,包括:
S231、构建基于深度学习卷积神经网络的解析模型;
S232、基于提取后的所述特征对所述解析模型进行训练,并将训练后的所述解析模型嵌入资金分析系统。
7.根据权利要求1所述的区块链加密货币调证回函的解析方法,其特征在于,在步骤S300中,获取去中心化交易所的调证回函数据,将所述调证回函数据送入所述解析模型中,识别并提取得到关键数据,包括:
S310、向所述去中心化交易所发送调证请求,获取所述去中心化交易所的调证回函数据;
S320、将所述调证回函数据上传至训练后的所述解析模型,通过所述解析模型识别并提取得到关键数据。
8.根据权利要求5所述的区块链加密货币调证回函的解析方法,其特征在于,在步骤S221中,在训练所述特征提取模型时,根据清洗后的所述数据集的交易基本属性特征、交易参与方特征、交易行为特征和资金流动特征进行训练。
9.一种控制系统,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现权利要求1至8中任一项所述的一种区块链加密货币调证回函的解析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310468697.4A CN116664293A (zh) | 2023-04-27 | 2023-04-27 | 区块链加密货币调证回函的解析方法及控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310468697.4A CN116664293A (zh) | 2023-04-27 | 2023-04-27 | 区块链加密货币调证回函的解析方法及控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116664293A true CN116664293A (zh) | 2023-08-29 |
Family
ID=87725085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310468697.4A Pending CN116664293A (zh) | 2023-04-27 | 2023-04-27 | 区块链加密货币调证回函的解析方法及控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664293A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116955967A (zh) * | 2023-09-20 | 2023-10-27 | 成都无糖信息技术有限公司 | 一种在网络靶场中模拟侦查调证的系统和方法 |
-
2023
- 2023-04-27 CN CN202310468697.4A patent/CN116664293A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116955967A (zh) * | 2023-09-20 | 2023-10-27 | 成都无糖信息技术有限公司 | 一种在网络靶场中模拟侦查调证的系统和方法 |
CN116955967B (zh) * | 2023-09-20 | 2023-12-08 | 成都无糖信息技术有限公司 | 一种在网络靶场中模拟侦查调证的系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263024B (zh) | 数据处理方法、终端设备及计算机存储介质 | |
WO2022257925A1 (zh) | 基于数字孪生的故障预测方法、装置、服务器及存储介质 | |
CN107784552B (zh) | 信息推送任务执行方法、装置、计算机设备和存储介质 | |
CN108399180B (zh) | 一种知识图谱构建方法、装置及服务器 | |
CN110472154B (zh) | 一种资源推送方法、装置、电子设备及可读存储介质 | |
CN112882699B (zh) | 基于流程配置引擎的业务处理方法、装置、设备及介质 | |
CN107918618B (zh) | 数据处理方法及装置 | |
CN108876213B (zh) | 基于区块链的产品管理方法、装置、介质及电子设备 | |
CN112613917A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
CN111581210A (zh) | 数据的导入方法及系统 | |
CN116664293A (zh) | 区块链加密货币调证回函的解析方法及控制系统 | |
CN113032580A (zh) | 关联档案推荐方法、系统及电子设备 | |
CN114902212A (zh) | 画像生成方法、装置、服务器及存储介质 | |
CN112069269B (zh) | 基于大数据和多维特征的数据溯源方法及大数据云服务器 | |
CN111340062A (zh) | 一种映射关系确定方法及装置 | |
CN111046632A (zh) | 一种数据提取转换方法、系统、存储介质及电子设备 | |
CN109697224B (zh) | 一种账单消息处理方法、装置和存储介质 | |
CN113282837B (zh) | 事件分析方法、装置、计算机设备及存储介质 | |
CN112329814B (zh) | 一种发票数据处理方法及设备 | |
CN112651753A (zh) | 基于区块链的智能合约生成方法、系统及电子设备 | |
CN113076316B (zh) | 一种信息关系映射的分析方法、装置、设备及存储介质 | |
CN107180047B (zh) | 文件的生成方法和装置 | |
CN114860847B (zh) | 应用于大数据平台的数据链路处理方法、系统及介质 | |
CN114630314A (zh) | 终端信息库的更新方法、装置、设备及存储介质 | |
CN115496036A (zh) | 文本数据智能标注方法、装置、计算机设备和存储介质 |
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 |