CN117272195A - 基于图卷积注意力网络的区块链异常节点检测方法及系统 - Google Patents
基于图卷积注意力网络的区块链异常节点检测方法及系统 Download PDFInfo
- Publication number
- CN117272195A CN117272195A CN202311059274.3A CN202311059274A CN117272195A CN 117272195 A CN117272195 A CN 117272195A CN 202311059274 A CN202311059274 A CN 202311059274A CN 117272195 A CN117272195 A CN 117272195A
- Authority
- CN
- China
- Prior art keywords
- feature
- node
- graph
- blockchain
- sampling
- 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 57
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 83
- 239000011159 matrix material Substances 0.000 claims description 69
- 239000011229 interlayer Substances 0.000 claims description 42
- 239000010410 layer Substances 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 19
- 238000013145 classification model Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000005096 rolling process Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
-
- 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
- H04L9/40—Network security protocols
-
- 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卷积注意力网络的区块链异常节点检测方法及系统,涉及人工智能领域,具体涉及区块链异常检测,实现了一种基于图采样和图卷积注意力网络的异常节点检测方法,所述方法通过区块链节点的图结构特征和属性特征构建区块链节点的特征图,使用层相关重要采样算法LADIES对特征图采样,然后构建图卷积注意力网络模型,学习区块链节点的特征表示,将最终的节点表示输入到分类模型中进行二分类,实现对区块链中异常节点的检测。本发明的区块链异常节点检测方法能够实现对区块链网络中异常节点的检测,为区块链安全可靠的交易提供了准确和可靠的技术支持。
Description
技术领域
本发明属于区块链技术和人工智能领域,具体涉及一种基于图卷积注意力网络的区块链异常节点检测方法及系统。
背景技术
区块链使得整个系统中的所有节点能够在去信任的环境中自由地交换数据,解决了交易信任问题,但这同时也产生了交易安全问题。由于交易双方用户无须公开身份来建立信任,不法分子可能入侵进行非法交易。因此,检测区块链中的异常节点问题成为一个亟需解决的安全问题。
最近的研究开始引入机器学习方法来进行区块链异常检测,基于机器学习的异常检测方法能够较准确的识别出异常节点,并且还能发现一些传统方法无法发现的规律,提高异常检测的准确率。但是基于机器学习的检测方法的性能往往取决于数据的特征信息,而如何提取有用的数据特征是一项困难的任务。区块链数据信息组成复杂且维度较高,简单的机器学习模型很难学习到这些复杂信息隐含的潜在信息,导致模型效果较差。图神经网络可以有效且准确的学习数据的特征信息,但是大规模的图神经网络模型训练需要大量计算资源,导致内存消耗过大的问题。
发明内容
本发明基于上述背景和现有技术所存在的问题,本发明采用了如下技术方案:第一方面,提供了一种基于图卷积注意力网络的区块链异常节点检测方法,其能够利用层相关重要采样算法LADIES和图卷积注意力网络对区块链网络中异常节点进行检测,获得检测异常节点和正常节点的分类模型。步骤包括:
步骤1,根据区块链节点的图结构特征和区块链节点关联的属性特征数据构建区块链节点的特征图,使用邻接矩阵存储特征图中区块链节点的图结构信息,特征矩阵存储特征图中区块链节点的属性特征信息;
步骤2,特征图采样,利用层相关重要采样算法LADIES对特征图进行采样,获得层间采样邻接矩阵和层间采样特征矩阵;
步骤3,构建图卷积注意力网络模型,将层间采样邻接矩阵和层间采样特征矩阵输入到图卷积注意力网络模型中进行训练,以学习最终的节点表示,其中图卷积注意力网络模型包括图卷积网络和图注意力网络;
步骤4,构建异常节点分类模型,将最终的节点表示输入到分类模型进行分类,实现对异常节点的检测。
作为一种可实施方式,所述根据区块链节点的图结构特征和区块链节点关联的属性特征信息构建关于区块链节点网络的特征图,包括以下步骤:
获取区块链节点之间交易流的图结构特征数据和区块链节点关联的属性特征数据,其中,区块链节点之间交易流的图结构特征数据表示区块链节点之间的邻接关系,区块链节点关联的属性特征数据表示每个区块链节点的属性特征;
基于区块链节点之间的图结构特征和区块链节点的属性特征构建区块链节点网络的特征图。
作为一种可实施方式,所述获取区块链节点之间交易流的图结构特征数据和区块链节点关联的属性特征数据,包括以下步骤:
将区块链节点与其它所有区块链节点之间是否存在交易流的状态,作为节点与其他节点之间交易流的图结构特征,若存在交易流,状态记录为1,否则为0;
将区块链节点每月交易频率、节点交易对象ID分布和月交易总金额次数,作为节点属性特征。
作为一种可实施方式,所述利用层相关重要采样算法LADIES对所述特征图进行采样,得到特征子图并形成层间采样邻接矩阵和层间采样特征矩阵,包括以下步骤:
基于特征图,随机初始化采样节点;
根据初始采样节点选取在图中的所有邻居节点作为当前层的采样节点;
基于当前层的采样节点的度计算采样概率,通过所述采样概率对固定数量的节点进行采样,进而构建层间采样邻接矩阵和层间采样特征矩阵。
作为一种可实施方式,所述将所述层间采样邻接矩阵和层间采样特征矩阵输入至图卷积注意力网络模型中,输出节点表示,包括以下步骤:
将层间采样邻接矩阵和层间采样特征矩阵输入到图卷积网络,图卷积网络通过卷积方式来学习特征子图中每个区块链节点及相邻区块链节点的信息,以获得区块链节点的新特征表示;
将所述新特征表示输入到图注意力网络,通过新特征表示计算区块链节点之间的相关性,相关性表示给节点之间的边分配的权重;
基于所述权重聚合区块链节点的邻居信息以获得最终的节点表示;
其中,所述图卷积注意力网络模型包括图卷积网络和图注意力网络,图卷积网络和图注意力网络通过随机梯度下降法来进行训练,经过多次迭代训练得到图卷积注意力网络模型。
作为一种可实施方式,所述分类模型为逻辑回归模型;
所述逻辑回归模型的输出为区块链节点异常和正常概率,若异常的概率不小于正常的概率,则输出为异常节点;否则为正常节点。
第二方面,提供了一种基于图卷积注意力网络的区块链异常节点检测系统,其特征在于,包括特征图构建模块、第一处理模块、第二处理模块及分类判断模块:
所述特征图构建模块,用于根据区块链节点的图结构特征和区块链节点关联的属性特征数据构建关于区块链节点的特征图,其中,特征图中的区块链节点表示区块链中的交易并包括对应的属性特征信息,特征图的边界表示两个交易之间是否存在交易流的图结构特征信息;
所述第一处理模块,利用层相关重要采样算法LADIES对所述特征图进行采样,得到特征子图并形成层间采样矩阵;
所述第二处理模块,用于将所述层间采样矩阵输入至图卷积注意力网络模型中,输出节点表示;
所述分类判断模块,用于将所述节点表示输入到分类模型中,得到节点表示的分类结果,进而判断节点表示对应的区块链节点的检测是否异常。
第三方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如下所述的方法:
根据区块链节点的图结构特征和区块链节点关联的属性特征数据构建关于区块链节点的特征图,其中,特征图中的区块链节点表示区块链中的交易并包括对应的属性特征信息,特征图的边界表示两个交易之间是否存在交易流的图结构特征信息;
利用层相关重要采样算法LADIES对所述特征图进行采样,得到特征子图并形成层间采样邻接矩阵和层间采样特征矩阵,其中,邻接矩阵用于存储图结构特征信息,特征矩阵用于存储属性特征信息;
将所述层间采样邻接矩阵和层间采样特征矩阵输入至图卷积注意力网络模型中,输出节点表示;
将所述节点表示输入到分类模型中,得到节点表示的分类结果,进而判断节点表示对应的区块链节点的检测是否异常。
第四方面,提供一种基于图卷积注意力网络的区块链异常节点检测装置,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下所述的方法:
根据区块链节点的图结构特征和区块链节点关联的属性特征数据构建关于区块链节点的特征图,其中,特征图中的区块链节点表示区块链中的交易并包括对应的属性特征信息,特征图的边界表示两个交易之间是否存在交易流的图结构特征信息;
利用层相关重要采样算法LADIES对所述特征图进行采样,得到特征子图并形成层间采样邻接矩阵和层间采样特征矩阵,其中,邻接矩阵用于存储图结构特征信息,特征矩阵用于存储属性特征信息;
将所述层间采样邻接矩阵和层间采样特征矩阵输入至图卷积注意力网络模型中,输出节点表示;
将所述节点表示输入到分类模型中,得到节点表示的分类结果,进而判断节点表示对应的区块链节点的检测是否异常。
本发明至少包括以下有益效果:
(1)提出一种基于图卷积注意力网络的区块链异常节点检测方法及系统,为区块链节点的安全问题提供了一种新思路,有效捕获了区块链中异常节点,提高了区块链异常节点检测的准确率和可靠性;
(2)提出一种基于图卷积注意力网络的区块链异常节点检测方法及系统,通过图采样算法在一定程度上解决了图神经网络因计算量过大而产生的耗费内存的问题。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明基于图卷积注意力网络的区块链异常节点检测方法步骤示意图;
图2为本发明基于图卷积注意力网络的区块链异常节点检测方法流程图;
图3为本发明基于图卷积注意力网络的区块链异常节点检测系统的系统拓扑图。
具体实施方式
为了清晰地阐述本发明,使本发明实施例的目的、技术方案和优点更加清楚,下面结合了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,以令本领域技术人员参照说明书文字能够据以实施。下面将附图结合具体实施方式对本发明的技术加以详细说明。
本发明应用于区块链异常节点检测的方法,发明的步骤示意图如图1所示,具体步骤如下:
(1)在公共数据集Elliptic上构建基于区块链节点的特征图。将区块链的每一个交易作为图中的一个节点,连接两个节点的边表示两个节点间存在交易流,每个节点还包含了166个关联的属性特征,图2为区块链异常节点检测方法的流程图。图2A是特征图构建过程,图上节点分为正常节点和异常节点,每个节点包含节点属性信息,节点与节点之间通过关系连接为边,节点和边构成的图结构特征以及节点属性特征共同组成节点特征图。
(2)对区块链网络的特征图进行图采样处理,为后续图卷积注意力网络模型的训练做输入准备。区块链节点交易数据信息转换为图数据结构,图数据通过邻接矩阵和特征矩阵转变为满足模型输入的形式。邻接矩阵表示图结构,描述了节点间是否存在关系,特征矩阵表示节点属性特征,包含的属性特征有区块链节点每月交易频率、节点交易对象ID分布和月交易总金额次数。
使用图神经网络训练区块链数据存在计算量过大导致耗费大量内存的问题,所以在此之前我们先使用用于训练深度和大型图卷积网络的层相关重要采样算法LADIES对图进行采样处理,获得新的特征子图。LADIES既可以确保密集的计算图,又可以避免感受野的急剧扩张。如图2B的图采样所示,在特征图上随机初始化采样节点,基于该采样节点,LADIES选择其邻域节点,构造二分子图并计算重要性相应的概率。然后,它根据计算出的概率对固定数量的节点进行采样,并每层递归地执行此过程以构造整个新的子图。该子图包含的图结构数据和节点属性数据分别使用邻接矩阵和特征矩阵描述,以满足模型的输入要求。LADIES的使用显著降低了图神经网络的计算时间和内存成本。
最后,根据公开数据集节点的标签,对已知属性的区块链节点按照异常节点和正常节点贴标签,形成图卷积注意力模型的训练集和测试集,其中训练集和测试集按照7:3的比例随机划分,为了减少随机划分数据集带来的偏差,随机划分过程重复10次。
(3)构建图卷积注意力网络模型,本发明构建一个多层的半监督节点分类图卷积注意力模型,如图2C所示,将图采样后的邻接矩阵和特征矩阵输入到图卷积注意力网络模型的卷积层,模型中的多个卷积层通过卷积操作学习节点新的特征表示,图卷积网络将输入的F维特征重新映射为F'维特征,图的结构在卷积层之间共享,标签用yi表示,本发明中节点标签只有异常节点和正常节点两种。
图卷积网络的基本思想是通过卷积方式聚合来自邻居的节点信息来学习节点低维表示,同时保留图的结构信息。具体来说,图卷积网络的消息传播规则用公式表示为:
其中,H(l)表示第l个卷积层输出的节点表示,H(0)=X,X是初始特征矩阵,权重为第l个卷积层的可训练权重矩阵,Relu是非线性激活函数,/>是邻接矩阵的预处理,其计算如下:
其中A为图的邻接矩阵,表示任意两个顶点之间的邻接关系,存在关联矩阵值为1,否则为0。D为A的度矩阵,其对角线上的值是顶点的度,表示该顶点连接的顶点个数,IN为单位矩阵。
根据图卷积网络的消息传播规则,经过多次迭代,可以得到多个F'维特征表示。多层图卷积层可以很好地捕获异构图中的信息,但是图卷积网络没有考虑到不同节点的特征表示贡献不同的问题。因此,我们引入了图注意力网络来进一步改进节点表示,其重视不同节点邻居对节点表示的贡献,从而得到更准确的节点表示。
计算节点j到节点i的注意力系数如下:
其中表示第l层节点j对节点i的重要性,/>是来自第l个图卷积层的节点表示。||是拼接操作,/>是前馈神经网络,/>是共享权重矩阵。为了计算注意力值,使用映射节点i和节点j的表示,并将它们的结果用向量连接起来。然后,利用前馈神经网络/>将连接向量映射到实数,并利用非线性激活函数Relu激活连接向量。最后,为了更好的分配权重,我们需要将与所有邻居计算出的相关度进行统一的归一化处理,具体形式为softmax归一化:
其中att是注意力权重系数,Ni是节点i在图中的所有邻居。
接下来,我们将注意力系数与它们对应的特征进行线性组合,并将它们相加,从而得到每个节点的最终节点表示。
(4)构建分类模型,分类模型采用逻辑回归模型,该模型将节点的最终表示作为输入,通过线性回归运算得到回归值,然后将回归值输入到sigmoid函数中得到[0,1]区间中的一个概率值。进一步计算逻辑回归的损失,也称为对数似然损失,其公式为:
其中y为真实值,hθ(x)为预测值。通过使用随机梯度下降优化算法调整参数来减少损失函数的值,提高模型异常节点检测的性能。最后,通过分类模型进行节点表示对应的区块链节点异常检测。
综上所述,本发明提供的基于图卷积注意力网络的区块链异常节点检测方法及系统为区块链异常节点检测提供了一种技术支持,本发明利用特征图来描述区块链网络中节点的交易情况,又利用图卷积注意力网络对进行采样后的特征图进行学习,最后通过异常节点分类模型检测节点类型,提高了模型异常节点检测的准确性和可靠性。
实施例2:
一种基于图卷积注意力网络的区块链异常节点检测系统,包括特征图构建模块、第一处理模块、第二处理模块及分类判断模块;
所述特征图构建模块,用于根据区块链节点的图结构特征和区块链节点关联的属性特征数据构建关于区块链节点的特征图,其中,特征图中的区块链节点表示区块链中的交易并包括对应的属性特征信息,特征图的边界表示两个交易之间是否存在交易流的图结构特征信息;
所述第一处理模块,利用层相关重要采样算法LADIES对所述特征图进行采样,得到特征子图并形成层间采样邻接矩阵和层间采样特征矩阵;
所述第二处理模块,用于将所述层间采样邻接矩阵和层间采样特征矩阵输入至图卷积注意力网络模型中,输出节点表示;
所述分类判断模块,用于将所述节点表示输入到分类模型中,得到节点表示的分类结果,进而判断节点表示对应的区块链节点的检测是否异常。
在不脱离本发明的精神和范围的情况下做出的各种变化和变型,所有等同的技术方案也属于本发明的范畴。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同、相似的部分互相参见即可。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式,本发明系统拓扑图如图3所示,其中区块链节点的图结构特征数据和属性特征数据通过输入设备存储在存储器中,然后数据被处理器的四个模块处理,处理结果再次存储到存储器,最后通过输出设备输出区块链节点的检测结果。
本发明是参照根据本发明的方法、终端设备(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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
需要说明的是:
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (9)
1.基于图卷积注意力网络的区块链异常节点检测方法,其特征在于,包括如下步骤:
根据区块链节点的图结构特征和区块链节点关联的属性特征数据构建关于区块链节点的特征图,其中,特征图中的区块链节点表示区块链中的交易并包括对应的属性特征信息,特征图的边界表示两个交易之间是否存在交易流的图结构特征信息;
利用层相关重要采样算法LADIES对所述特征图进行采样,得到特征子图并形成层间采样邻接矩阵和层间采样特征矩阵,其中,邻接矩阵用于存储图结构特征信息,特征矩阵用于存储属性特征信息;
将所述层间采样邻接矩阵和层间采样特征矩阵输入至图卷积注意力网络模型中,输出节点表示;
将所述节点表示输入到分类模型中,得到节点表示的分类结果,进而判断节点表示对应的区块链节点的检测是否异常。
2.根据权利要求1所述的基于图卷积注意力网络的区块链异常节点检测方法,其特征在于,所述根据区块链节点的图结构特征和区块链节点关联的属性特征信息构建关于区块链节点网络的特征图,包括以下步骤:
获取区块链节点之间交易流的图结构特征数据和区块链节点关联的属性特征数据,其中,区块链节点之间交易流的图结构特征数据表示区块链节点之间的邻接关系,区块链节点关联的属性特征数据表示每个区块链节点的属性特征;
基于区块链节点之间的图结构特征和区块链节点的属性特征构建区块链节点网络的特征图。
3.根据权利要求2所述的基于图卷积注意力网络的区块链异常节点检测方法,其特征在于,所述获取区块链节点之间交易流的图结构特征数据和区块链节点关联的属性特征数据,包括以下步骤:
将区块链节点与其它所有区块链节点之间是否存在交易流的状态,作为节点与其他节点之间交易流的图结构特征,若存在交易流,状态记录为1,否则为0;
将区块链节点每月交易频率、节点交易对象ID分布和月交易总金额次数,作为节点属性特征。
4.根据权利要求1所述的基于图卷积注意力网络的区块链异常节点检测方法,其特征在于,所述利用层相关重要采样算法LADIES对所述特征图进行采样,得到特征子图并形成层间采样邻接矩阵和层间采样特征矩阵,包括以下步骤:
基于特征图,随机初始化采样节点;
根据初始采样节点选取在图中的所有邻居节点作为当前层的采样节点;
基于当前层的采样节点的度计算采样概率,通过所述采样概率对固定数量的节点进行采样,进而构建层间采样邻接矩阵和层间采样特征矩阵。
5.根据权利要求1所述的基于图卷积注意力网络的区块链异常节点检测方法,其特征在于,所述将所述层间采样邻接矩阵和层间采样特征矩阵输入至图卷积注意力网络模型中,输出节点表示,包括以下步骤:
将层间采样邻接矩阵和层间采样特征矩阵输入到图卷积网络,图卷积网络通过卷积方式来学习特征子图中每个区块链节点及相邻区块链节点的信息,以获得区块链节点的新特征表示;
将所述新特征表示输入到图注意力网络,通过新特征表示计算区块链节点之间的相关性,相关性表示给节点之间的边分配的权重;
基于所述权重聚合区块链节点的邻居信息以获得最终的节点表示;
其中,所述图卷积注意力网络模型包括图卷积网络和图注意力网络,图卷积网络和图注意力网络通过随机梯度下降法来进行训练,经过多次迭代训练得到图卷积注意力网络模型。
6.根据权利要求1所述的基于图卷积注意力网络的区块链异常节点检测方法,其特征在于,所述分类模型为逻辑回归模型;
所述逻辑回归模型的输出为区块链节点异常和正常概率,若异常的概率不小于正常的概率,则输出为异常节点;否则为正常节点。
7.一种基于图卷积注意力网络的区块链异常节点检测系统,其特征在于,包括特征图构建模块、第一处理模块、第二处理模块及分类判断模块;
所述特征图构建模块,用于根据区块链节点的图结构特征和区块链节点关联的属性特征数据构建关于区块链节点的特征图,其中,特征图中的区块链节点表示区块链中的交易并包括对应的属性特征信息,特征图的边界表示两个交易之间是否存在交易流的图结构特征信息;
所述第一处理模块,利用层相关重要采样算法LADIES对所述特征图进行采样,得到特征子图并形成层间采样邻接矩阵和层间采样特征矩阵,其中,邻接矩阵用于存储图结构特征信息,特征矩阵用于存储属性特征信息;
所述第二处理模块,将所述层间采样邻接矩阵和层间采样特征矩阵输入至图卷积注意力网络模型中,输出节点表示;
所述分类判断模块,用于将所述节点表示输入到分类模型中,得到节点表示的分类结果,进而判断节点表示对应的区块链节点的检测是否异常。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述的方法。
9.基于图卷积注意力网络的区块链异常节点检测装置,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311059274.3A CN117272195A (zh) | 2023-08-21 | 2023-08-21 | 基于图卷积注意力网络的区块链异常节点检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311059274.3A CN117272195A (zh) | 2023-08-21 | 2023-08-21 | 基于图卷积注意力网络的区块链异常节点检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117272195A true CN117272195A (zh) | 2023-12-22 |
Family
ID=89214908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311059274.3A Pending CN117272195A (zh) | 2023-08-21 | 2023-08-21 | 基于图卷积注意力网络的区块链异常节点检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272195A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574308A (zh) * | 2024-01-17 | 2024-02-20 | 江西金格信安云技术有限公司 | 基于人工智能的计量芯片异常检测方法及系统 |
-
2023
- 2023-08-21 CN CN202311059274.3A patent/CN117272195A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574308A (zh) * | 2024-01-17 | 2024-02-20 | 江西金格信安云技术有限公司 | 基于人工智能的计量芯片异常检测方法及系统 |
CN117574308B (zh) * | 2024-01-17 | 2024-03-26 | 江西金格信安云技术有限公司 | 基于人工智能的计量芯片异常检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529168B (zh) | 一种基于gcn的属性多层网络表示学习方法 | |
US11042802B2 (en) | System and method for hierarchically building predictive analytic models on a dataset | |
CN113065974B (zh) | 一种基于动态网络表示学习的链路预测方法 | |
CN113780002B (zh) | 基于图表示学习和深度强化学习的知识推理方法及装置 | |
CN113962358B (zh) | 一种基于时序超图注意力神经网络的信息扩散预测方法 | |
Qiu et al. | An adaptive social spammer detection model with semi-supervised broad learning | |
CN113268675B (zh) | 一种基于图注意力网络的社交媒体谣言检测方法和系统 | |
CN117272195A (zh) | 基于图卷积注意力网络的区块链异常节点检测方法及系统 | |
WO2023155508A1 (zh) | 一种基于图卷积神经网络和知识库的论文相关性分析方法 | |
Huang | Network intrusion detection based on an improved long-short-term memory model in combination with multiple spatiotemporal structures | |
CN114708479B (zh) | 一种基于图结构和特征的自适应防御方法 | |
CN111144500A (zh) | 基于解析高斯机制的差分隐私深度学习分类方法 | |
Zhang et al. | An intrusion detection method based on stacked sparse autoencoder and improved gaussian mixture model | |
CN114265954B (zh) | 基于位置与结构信息的图表示学习方法 | |
CN115409155A (zh) | 基于Transformer增强霍克斯过程的信息级联预测系统及方法 | |
CN114118416A (zh) | 一种基于多任务学习的变分图自动编码器方法 | |
CN115470520A (zh) | 一种在垂直联邦框架下的差分隐私及去噪的数据保护方法 | |
CN115131605A (zh) | 一种基于自适应子图的结构感知图对比学习方法 | |
Xie et al. | Research and application of intrusion detection method based on hierarchical features | |
CN114254738A (zh) | 双层演化的动态图卷积神经网络模型构建方法及应用 | |
Shen et al. | A parallel and reverse Learn++. NSE classification algorithm | |
Chen et al. | Research on Prediction of News Public Opinion Guiding Power Based on Neural Network | |
Xie et al. | L-bgnn: Layerwise trained bipartite graph neural networks | |
CN116842073B (zh) | 图数据的挖掘方法、装置和电子设备 | |
Kuang et al. | Network link connectivity prediction based on GCN and differentiable pooling model |
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 |