CN117829990A - 基于区块链的资产流转溯源方法、装置、设备及存储介质 - Google Patents
基于区块链的资产流转溯源方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117829990A CN117829990A CN202311396385.3A CN202311396385A CN117829990A CN 117829990 A CN117829990 A CN 117829990A CN 202311396385 A CN202311396385 A CN 202311396385A CN 117829990 A CN117829990 A CN 117829990A
- Authority
- CN
- China
- Prior art keywords
- asset
- address
- tracing
- data
- node
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000012800 visualization Methods 0.000 claims abstract description 26
- 230000001939 inductive effect Effects 0.000 claims abstract 2
- 230000002776 aggregation Effects 0.000 claims description 157
- 238000004220 aggregation Methods 0.000 claims description 157
- 238000012546 transfer Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000006698 induction Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007704 transition Effects 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- 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
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- 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
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种基于区块链的资产流转溯源方法、装置、设备及存储介质，涉及区块链技术领域，可以展示资产从源头到终点的路径和交易记录，对资产的流向和所有权变更进行可视化。所述方法包括：获取数据仓库中存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，将资产溯源数据归纳为多个资产交易链数据；将多个资产交易链数据输入至图神经网络模型，构建初始溯源图；获取地址标签库；根据地址标签库，将初始溯源图中的地址节点替换为对应的地址标签节点，并对地址标签节点进行聚类，得到资产流转溯源图；采用预设可视化工具对资产流转溯源图进行可视化，并将可视化结果发送至监管终端进行展示。
Description
技术领域
本申请涉及区块链技术领域，特别是涉及一种基于区块链的资产流转溯源方法、装置、设备及存储介质。
背景技术
随着区块链技术的不断发展，其逐渐拓展至金融领域，使数字资产成为了现有价值资产中重要的一部分，这种数字交易具有显著的匿名性，所有的交易详细信息都被保存在一个公开的账本上。在账本上用来表示交易双方的是地址而非具体的人，交易的确认则是通过公钥进行。虽然报告公开，但交易背后的人是无法确认的。若无法对数字资产进行精准溯源，则会对社会造成相应的危害和财产的损失，因此，亟需一种基于区块链的资产流转溯源方法。
发明内容
有鉴于此，本申请提供了一种基于区块链的资产流转溯源方法、装置、设备及存储介质，主要目的在于解决目前若无法对数字资产进行精准溯源，则会对社会造成相应的危害和财产的损失的问题。
依据本申请第一方面，提供了一种基于区块链的资产流转溯源方法，该方法包括：
获取数据仓库中存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，将资产溯源数据归纳为多个资产交易链数据，每个所述资产交易链数据包括至少两个地址信息；
将多个所述资产交易链数据输入至图神经网络模型，构建初始溯源图，初始溯源图包括多个地址节点，任意两个地址节点之间的边表示相连的两个地址节点对应的资产转移信息；
获取地址标签库，地址标签库中存储多个地址标签，每个地址标签表示一个实体对应的至少一个地址；
根据地址标签库，将所述初始溯源图中的地址节点替换为对应的地址标签节点，并对地址标签节点进行聚类，得到资产流转溯源图；
采用预设可视化工具对所述资产流转溯源图进行可视化，并将可视化结果发送至监管终端进行展示。
可选地，所述获取数据仓库中存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，将资产溯源数据归纳为多个资产交易链数据，包括：
在所述数据仓库中获取多条所述资产溯源数据进行预处理，所述预处理包括但不限于数据清洗处理、噪声去除处理和格式转换处理，其中，多条所述资产溯源数据来源于区块链记录的区块数据和交易数据、交易所记录的资产流转数据以及社媒平台记录的社媒数据；
在每条所述资产溯源数据中提取符合预设特征匹配规则的全部溯源特征，并按照预设数据格式，对所述全部溯源特征进行归纳整理，得到所述资产溯源数据对应的资产交易链数据，其中，每个所述溯源特征包括买方地址信息、卖方地址信息和资产转移信息；
持续归纳整理每条所述资产溯源数据中提取出的全部溯源特征，得到多个所述资产交易链数据。
可选地，所述将多个所述资产交易链数据输入至图神经网络模型，构建初始溯源图，包括：
将多个所述资产交易链数据输入至训练好的图神经网络模型，以使所述图神经网络模型生成空白图谱，将每个所述资产交易链数据包括的两个地址信息分别映射为所述空白图谱中的两个地址节点，以及将所述资产交易链数据包括的资产转移信息映射为所述两个地址节点之间的原始边，所述资产转移信息包括但不限于资产种类、交易时间和交易额度；
将每个所述资产交易链数据映射至所述初始图谱，得到所述初始溯源图。
可选地，所述根据地址标签库，将所述初始溯源图中的地址节点替换为对应的地址标签节点，包括：
对于任意地址标签对应的实体，查询所述地址标签关联的至少一个地址，将所述至少一个地址中的每个地址与所述初始溯源图中的地址节点进行比对；
若存在节点标识与所述至少一个地址中的任一地址一致的指定地址节点，则将所述指定地址节点的节点标识替换为所述地址标签，以将所述指定地址节点替换为地址标签节点；
重复上述步骤，将所述初始溯源图中的地址节点全部替换为对应的地址标签节点。
可选地，所述对地址标签节点进行聚类，得到资产流转溯源图，包括：
在全部地址标签节点中，确定节点标识一致的至少一个目标地址标签节点，将至少一个所述目标地址标签节点合并，得到目标聚合节点；
构建多个目标聚合节点之间的聚合边，得到所述资产流转溯源图。
可选地，所述构建多个目标聚合节点之间的聚合边，得到所述资产流转溯源图，包括：
在多个所述目标聚合节点中选择第一聚合节点，查询所述第一聚合节点对应的第一地址标签节点；
确定所述第一地址标签节点连接的原始边，以及与所述原始边相连的第二地址标签节点；
查询所述第二地址标签节点关联的第二聚合节点，并查询所述第一聚合节点和所述第二聚合节点之间是否存在聚合边；
若不存在所述聚合边，则构建所述第一聚合节点和所述第二聚合节点之间的聚合边，并根据所述原始边的属性定义所述聚合边的属性；
若存在所述聚合边，则根据所述原始边的属性调整所述聚合边的属性。
可选地，所述方法还包括：
响应于地址溯源指令，读取所述地址溯源指令携带的待溯源实体；
读取所述资产流转溯源图中每个聚合节点的节点标识，查询节点标识与所述待溯源实体一致的第一指定聚合节点，并查询与所述第一指定聚合节点相连的第二指定聚合节点；
读取所述第一指定聚合节点与所述第二指定聚合节点之间的聚合边的边属性，得到资产转移信息，将所述资产转移信息上报至所述监管终端进行展示。
依据本申请第二方面，提供了一种基于区块链的资产流转溯源装置，该装置包括：
匹配模块，用于获取数据仓库中存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，将资产溯源数据归纳为多个资产交易链数据，每个所述资产交易链数据包括至少两个地址信息；
构建模块，用于将多个所述资产交易链数据输入至图神经网络模型，构建初始溯源图，初始溯源图包括多个地址节点，任意两个地址节点之间的边表示相连的两个地址节点对应的资产转移信息；
获取模块，用于获取地址标签库，地址标签库中存储多个地址标签，每个地址标签表示一个实体对应的至少一个地址；
聚类模块，用于根据地址标签库，将所述初始溯源图中的地址节点替换为对应的地址标签节点，并对地址标签节点进行聚类，得到资产流转溯源图；
展示模块，用于采用预设可视化工具对所述资产流转溯源图进行可视化，并将可视化结果发送至监管终端进行展示，以使所述监管终端采用所述资产流转溯源图进行资产溯源。
可选地，所述匹配模块，用于在所述数据仓库中获取多条所述资产溯源数据进行数据预处理，所述数据预处理包括但不限于数据清洗处理、噪声去除处理和格式转换处理，其中，多条所述资产溯源数据来源于区块链记录的区块数据和交易数据、交易所记录的资产流转数据以及社媒平台记录的社媒数据；在每条所述资产溯源数据中提取符合预设特征匹配规则的全部溯源特征，并按照预设数据格式，对所述全部溯源特征进行归纳整理，得到所述资产溯源数据对应的资产交易链数据，其中，每个所述溯源特征包括买方地址信息、卖方地址信息和资产转移信息；持续归纳整理每条所述资产溯源数据中提取出的全部溯源特征，得到多个所述资产交易链数据。
可选地，所述构建模块，用于将多个所述资产交易链数据输入至训练好的图神经网络模型，以使所述图神经网络模型生成空白图谱，将每个所述资产交易链数据包括的两个地址信息分别映射为所述空白图谱中的两个地址节点，以及将所述资产交易链数据包括的资产转移信息映射为所述两个地址节点之间的原始边，所述资产转移信息包括但不限于资产种类、交易时间和交易额度；将每个所述资产交易链数据映射至所述初始图谱，得到所述初始溯源图。
可选地，所述聚类模块，用于对于任意地址标签对应的实体，查询所述地址标签关联的至少一个地址，将所述至少一个地址中的每个地址与所述初始溯源图中的地址节点进行比对；若存在节点标识与所述至少一个地址中的任一地址一致的指定地址节点，则将所述指定地址节点的节点标识替换为所述地址标签，以将所述指定地址节点替换为地址标签节点；重复上述步骤，将所述初始溯源图中的地址节点全部替换为对应的地址标签节点。
可选地，所述聚类模块，用于在全部地址标签节点中，确定节点标识一致的至少一个目标地址标签节点，将至少一个所述目标地址标签节点合并，得到目标聚合节点；构建多个目标聚合节点之间的聚合边，得到所述资产流转溯源图。
可选地，所述聚类模块，用于在多个所述目标聚合节点中选择第一聚合节点，查询所述第一聚合节点对应的第一地址标签节点；确定所述第一地址标签节点连接的原始边，以及与所述原始边相连的第二地址标签节点；查询所述第二地址标签节点关联的第二聚合节点，并查询所述第一聚合节点和所述第二聚合节点之间是否存在聚合边；若不存在所述聚合边，则构建所述第一聚合节点和所述第二聚合节点之间的聚合边，并根据所述原始边的属性定义所述聚合边的属性；若存在所述聚合边，则根据所述原始边的属性调整所述聚合边的属性。
可选地，所述装置还包括：
第一读取模块，用于响应于地址溯源指令，读取所述地址溯源指令携带的待溯源实体；
查询模块，用于读取所述资产流转溯源图中每个聚合节点的节点标识，查询节点标识与所述待溯源实体一致的第一指定聚合节点，并查询与所述第一指定聚合节点相连的第二指定聚合节点；
第二读取模块，用于读取所述第一指定聚合节点与所述第二指定聚合节点之间的聚合边的边属性，得到资产转移信息，将所述资产转移信息上报至所述监管终端进行展示。
依据本申请第三方面，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述方法的步骤。
依据本申请第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法的步骤。
借由上述技术方案，本申请提供的一种基于区块链的资产流转溯源方法、装置、设备及存储介质，本申请首先获取数据仓库中存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，将资产溯源数据归纳为多个资产交易链数据。随后，将多个资产交易链数据输入至图神经网络模型，构建初始溯源图，初始溯源图包括多个地址节点。接下来，获取地址标签库，地址标签库中存储多个地址标签，每个地址标签表示一个实体对应的至少一个地址。进而根据地址标签库，将初始溯源图中的地址节点替换为对应的地址标签节点，并对地址标签节点进行聚类，得到资产流转溯源图。最后，采用预设可视化工具对资产流转溯源图进行可视化，并将可视化结果发送至监管终端进行展示，以使监管终端使用资产流转溯源图进行资产溯源。本申请实施例通过预处理和特征匹配，将多条资产溯源数据归纳为资产交易链数据，构建溯源图，可以更有效地追踪和分析资产的流转情况，提高资产溯源的能力。资产流转溯源图可以展示资产从源头到终点的路径和交易记录，对资产的流向和所有权变更进行可视化，以使监管终端能够直观地了解资产的流转情况，提高对资产交易的可信度和透明度。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请实施例提供的一种基于区块链的资产流转溯源方法流程示意图；
图2示出了本申请实施例提供的一种基于区块链的资产流转溯源方法流程示意图；
图3示出了本申请实施例提供的一种基于区块链的资产流转溯源装置的结构示意图；
图4示出了本申请实施例提供的一种计算机设备的装置结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
随着区块链技术的不断发展，其逐渐拓展至金融领域，使数字资产成为了现有价值资产中重要的一部分，这种数字交易具有显著的匿名性，所有的交易详细信息都被保存在一个公开的账本上。在账本上用来表示交易双方的是地址而非具体的人，交易的确认则是通过公钥进行。虽然报告公开，但交易背后的人是无法确认的。若无法对数字资产进行精准溯源，则会对社会造成相应的危害和财产的损失，因此，亟需一种基于区块链的资产流转溯源方法。因此，本申请实施例提供了一种基于区块链的资产流转溯源方法、装置、设备及存储介质，首先获取数据仓库中存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，将资产溯源数据归纳为多个资产交易链数据。随后，将多个资产交易链数据输入至图神经网络模型，构建初始溯源图，初始溯源图包括多个地址节点。接下来，获取地址标签库，地址标签库中存储多个地址标签，每个地址标签表示一个实体对应的至少一个地址。进而根据地址标签库，将初始溯源图中的地址节点替换为对应的地址标签节点，并对地址标签节点进行聚类，得到资产流转溯源图。最后，采用预设可视化工具对资产流转溯源图进行可视化，并将可视化结果发送至监管终端进行展示，以使监管终端使用资产流转溯源图进行资产溯源。本申请实施例通过预处理和特征匹配，将多条资产溯源数据归纳为资产交易链数据，构建溯源图，可以更有效地追踪和分析资产的流转情况，提高资产溯源的能力。资产流转溯源图可以展示资产从源头到终点的路径和交易记录，对资产的流向和所有权变更进行可视化，以使监管终端能够直观地了解资产的流转情况，提高对资产交易的可信度和透明度。
本申请实施例提供了一种基于区块链的资产流转溯源方法，如图1所示，该方法包括：
101、获取数据仓库中存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，将资产溯源数据归纳为多个资产交易链数据，每个资产交易链数据包括至少两个地址信息。
本申请实施例所提供的资产溯源方法适用于资产溯源系统，系统在生成资产流转溯源图之前需要通过数据采集接口向多个数据源发送数据采集请求，接收多个数据源根据数据采集请求发送的已被授权的资产溯源数据，并存储至数据仓库中，以便于后续系统可以直接从数据仓库中提取数据来构建资产流转溯源图。需要说明的是，数据仓库中的数据还会应用到其他业务，因此系统可以为接收到的资产溯源数据标明数据来源，标明后存储至数据仓库中。
在实际运行过程中，监管终端可以向系统发送溯源图构建指令，系统响应于溯源图构建指令，在数据仓库中读取存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，以提取出溯源特征并将提取出的溯源特征归纳整理为资产交易链数据，其中，每个资产交易链数据包括至少两个地址信息，一个为卖方的地址信息，另一个为买方的地址信息。
102、将多个资产交易链数据输入至图神经网络模型，构建初始溯源图，初始溯源图包括多个地址节点，任意两个地址节点之间的边表示相连的两个地址节点对应的资产转移信息。
在本申请实施例中，系统将整理好的多个资产交易链数据输入至图神经网络模型，由训练好的图神经网络模型将多个资产交易链数据映射至初始图谱，得到初始溯源图。需要说明的是，初始溯源图中存在多个地址节点，每个地址节点代表一个地址，任意两个地址节点之间的边表示相连地址节点之间的资产转移信息，例如资产转移方向、资产转移数据，资产种类、资产转移时间等。103、获取地址标签库，地址标签库中存储多个地址标签，每个地址标签表示一个实体对应的至少一个地址。
地址标签库用于存储收集到的包含地址和对应实体的数据，数据采集系统首先对收集到的地址标签数据首先需要进行数据清洗和去重的操作，包括处理错误或无效的地址、规范化地址格式、处理重复的地址标签等，进而将处理后的地址标签数据存储至地址标签库中。地址标签库中的每个地址标签对应一个实体，对于每个实体，至少要有一个对应的地址。
104、根据地址标签库，将初始溯源图中的地址节点替换为对应的地址标签节点，并对地址标签节点进行聚类，得到资产流转溯源图。
在本申请实施例中，系统在获取到地址标签库后，便可以访问地址标签库中存储的地址标签数据，进而根据地址标签数据，将初始溯源图中的地址节点替换为对应的地址标签节点，实现将指定地址节点替换为实体对应的地址标签。进一步地，从多个目标聚合节点中挑选一个来作为第一聚合节点，通过查询第一聚合节点对应的地址标签节点来确定每个地址标签节点连接的原始边，对于任意一个原始边，确定与该原始边相连的第二聚合节点。最终，根据原始边的属性决定如何在这两个聚合节点之间创建或调整聚合边。重复进行上述步骤，以处理更多的聚合节点或其他类型的节点，得到资产流转溯源图。
105、采用预设可视化工具对资产流转溯源图进行可视化，并将可视化结果发送至监管终端进行展示，以使监管终端使用资产流转溯源图进行资产溯源。
在本申请实施例中，通过将可视化结果发送至监管终端，可以方便监管人员对资产流转进行全方位的监控和分析。监管人员可以使用资产流转溯源图来追踪资产的流转路径，了解资产在流转过程中的各种情况，包括资产的来源、去向、处理过程等信息。
本实施例提供的基于区块链的资产流转溯源方法，首先获取数据仓库中存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，将资产溯源数据归纳为多个资产交易链数据。随后，将多个资产交易链数据输入至图神经网络模型，构建初始溯源图，初始溯源图包括多个地址节点。接下来，获取地址标签库，地址标签库中存储多个地址标签，每个地址标签表示一个实体对应的至少一个地址。进而根据地址标签库，将初始溯源图中的地址节点替换为对应的地址标签节点，并对地址标签节点进行聚类，得到资产流转溯源图。最后，采用预设可视化工具对资产流转溯源图进行可视化，并将可视化结果发送至监管终端进行展示，以使监管终端使用资产流转溯源图进行资产溯源。本申请实施例通过预处理和特征匹配，将多条资产溯源数据归纳为资产交易链数据，构建溯源图，可以更有效地追踪和分析资产的流转情况，提高资产溯源的能力。资产流转溯源图可以展示资产从源头到终点的路径和交易记录，对资产的流向和所有权变更进行可视化，以使监管终端能够直观地了解资产的流转情况，提高对资产交易的可信度和透明度。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的实施过程，本申请实施例提供了一种基于区块链的资产流转溯源方法，如图2所示，该方法包括：
201、获取数据仓库中存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，将资产溯源数据归纳为多个资产交易链数据。
本申请实施例所提供的资产溯源方法适用于资产溯源系统，系统在生成资产流转溯源图之前需要通过数据采集接口向多个数据源发送数据采集请求，接收多个数据源根据数据采集请求发送的已被授权的资产溯源数据，并存储至数据仓库中，以便于后续系统可以直接从数据仓库中提取数据来构建资产流转溯源图。需要说明的是，数据仓库中的数据还会应用到其他业务，因此系统可以为接收到的资产溯源数据标明数据来源，标明后存储至数据仓库中。
在实际运行过程中，监管终端可以向系统发送溯源图构建指令，系统响应于溯源图构建指令，在数据仓库中读取存储的多条资产溯源数据进行预处理，包括但不限于数据清洗、噪声去除和格式转换，使得从不同来源(例如区块链记录、交易所数据和社媒平台数据)获取的数据可以统一成规范的格式，以便于后续的处理和分析。进一步地，系统按照预设的匹配规则从每条溯源数据中提取出有效的溯源特征，例如，买方地址、卖方地址和资产转移信息等。这些溯源特征不仅可以用来重构出资产的流转路径，也有助于对资产交易行为进行进一步的分析。系统持续归纳整理从每条资产溯源数据中提取出的全部溯源特征，得到多个资产交易链数据。
202、将多个资产交易链数据输入至图神经网络模型，构建初始溯源图。
在本申请实施例中，系统将整理好的多个资产交易链数据输入至图神经网络模型，由训练好的图神经网络模型将多个资产交易链数据映射至初始图谱，得到初始溯源图。
具体地，对于每个资产交易链数据，图神经网络模型首先生成空白图谱，进一步地，将资产交易链数据中涉及的两个地址信息分别映射为空白图谱中的两个地址节点。比如一个交易链数据涉及到买方地址A和卖方地址B，那么在空白图谱中会有两个对应的地址节点，分别表示地址信息A和地址信息B。进一步地，根据资产交易链数据中的资产转移信息，定义两个地址节点之间的原始边。具体地，可以根据资产转移信息中的资产流转方向，在两个地址节点之间构建一条有向线，进而根据资产转移信息中的资产种类、交易时间、交易额度等内容定义该有向线的属性，得到两个地址节点之间的原始边。例如，如果交易链数据表示从地址A向地址B转移，那么在初始溯源图中，会有一条从节点A指向节点B的边，该原始边的属性标注着资产种类、交易时间和交易额度等信息。重复以上步骤，对每个资产交易链数据进行映射，直到所有的资产交易链数据都被映射到初始图谱中，得到初始溯源图。
203、获取地址标签库，根据地址标签库，将初始溯源图中的地址节点替换为对应的地址标签节点。
地址标签库用于存储收集到的包含地址和对应实体的数据，数据采集系统首先对收集到的地址标签数据首先需要进行数据清洗和去重的操作，包括处理错误或无效的地址、规范化地址格式、处理重复的地址标签等，进而将处理后的地址标签数据存储至地址标签库中。地址标签库中的每个地址标签对应一个实体，对于每个实体，至少要有一个对应的地址。
在本申请实施例中，为了更直观的表示实体与地址之间的关联关系，系统在获取到地址标签库后，便可以访问地址标签库中存储的地址标签数据。对于任意实体对应地址标签，确定该地址标签下的至少一个地址，分别将至少一个地址中的每个地址与初始溯源图中的地址节点进行比对。如果比对结果指示至少一个地址与初始溯源图中的某个地址节点一致，即地址匹配成功，那么将对应的地址节点的节点标识替换为实体对应的地址标签。替换后，该地址节点就变成了一个地址标签节点，标识了实体对应的地址信息。
204、对地址标签节点进行聚类，得到资产流转溯源图。
在本申请实施例中，系统采用并查集算法将每个地址标签节点设置为独立的集合，每个目标地址标签节点的父节点均指向自己，并且每个集合的排名为0，在全部地址标签节点中进行查找，当查找到两个节点标识一致的目标地址标签节点时，如果两个目标地址标签节点的父节点不同，则说明两个目标地址标签节点尚未合并。此时检查两个标签节点对应的集合的排名，如果排名不同，则将排名较小的集合添加至排名较大的集合，并增加合并后的集合的排名。如果排名相同，则随机从两个目标地址标签节点对应的集合中选择一个集合作为合并后的集合，将另一个集合合并进来，并增加合并后的集合的排名。遍历所有地址标签节点并进行合并后，具有相同标识的地址标签都将成为一个集合，每个集合的父节点即为目标聚合节点。进一步地，系统建立多个目标聚合节点之间的聚合边，以形成聚合关系，得到资产流转溯源图。具体地，在多个目标聚合节点中选择第一个聚合节点，并查询第一个聚合节点对应的第一个地址标签节点。进而通过查询其对应的地址标签节点来确定地址标签节点连接的原始边，以及与原始边相连的第二个地址标签节点。查询第二个地址标签节点关联的第二个聚合节点，并检查第一个聚合节点和第二个聚合节点之间是否存在聚合边。若不存在聚合边，则构建第一个聚合节点和第二个聚合节点之间的聚合边，并根据原始边的属性定义聚合边的属性。若存在聚合边，则根据原始边的属性调整现有聚合边的属性，以确保属性的一致性。重复进行上述步骤，以处理更多的聚合节点或其他类型的节点，得到目标聚合节点。例如有以下地址标签节点：节点A1、A2、A3均标识"用户甲"的地址标签、节点B1、B2标识"用户乙"的地址标签、地址节点C1标识"用户丙"的地址标签、节点D1、D2、D3标识"用户丁"的地址标签。在此基础上，将节点标识一致的地址节点进行合并：A1、A2、A3合并为聚合节点“用户甲”、B1、B2合并为聚合节点"用户乙"、C1保持一样，为聚合节点"用户丙"、D1、D2、D3合并为聚合节点"用户丁"。然后，在这些聚合节点之间建立聚合边，以表示他们之间的资产流转关系。选择“用户甲”节点作为第一聚合节点，确定“用户甲”节点关联的地址节点A1、A2、A3，其中地址"A1"转入地址“D1”那么就可以检查聚合节点“用户甲”和D1对应的第二聚合节点“用户乙”之间是否存在聚合边，如果存在聚合边，则判断聚合边的方向是否是从用户甲指向用户乙，若是，则根据原始边的属性，比如交易额、时间等调整聚合边的属性。若否，则构建一条由用户甲指向用户乙的聚合边，再根据原始边的属性，比如交易额、时间等定义聚合边的属性。同样的，如果不存在聚合边，则构建一条由用户甲指向用户乙的聚合边，再根据原始边的属性，比如交易额、时间等定义聚合边的属性。
通过对地址标签节点的合并和聚合边的构建，可以更好地将相似的节点聚合在一起，简化图结构，提高图的可读性和易理解性。此外，通过对聚合边的属性进行定义和调整，可以更有效地为后续分析和研究提供支持，并为预测未来的资产流转提供参考。
205、采用预设可视化工具对资产流转溯源图进行可视化，并将可视化结果发送至监管终端进行展示。
在本申请实施例中，通过将可视化结果发送至监管终端，可以方便监管人员对资产流转进行全方位的监控和分析。监管人员可以使用资产流转溯源图来追踪资产的流转路径，了解资产在流转过程中的各种情况，包括资产的来源、去向、处理过程等信息。
206、响应于地址溯源指令，对待溯源实体进行溯源。
在本申请实施例中，还提供了一种根据待溯源实体进行资产溯源的方式，具体地，资产溯源系统响应于地址溯源指令，读取地址溯源指令携带的待溯源实体。接下来，读取资产流转溯源图中每个聚合节点的节点标识，查询节点标识与待溯源实体一致的第一指定聚合节点，并查询与第一指定聚合节点相连的第二指定聚合节点。进一步地，读取第一指定聚合节点与第二指定聚合节点之间的聚合边的边属性，得到资产转移信息。最终，将资产转移信息上报至监管终端进行展示。另外，根据溯源需求，还可以按照资产转移信息来进行溯源，系统按照资产转移信息查询资产流转溯源图中聚合边的属性，确定目标聚合边和与目标聚合边相连的第一指定聚合节点和第二指定聚合节点，根据资产的流转方向资产种类和资产数量，继续向上溯源，确定第三指定聚合节点，直至追溯到交易原始节点，将溯源结果上报至监管终端。
本申请实施例提供的方法，首先获取数据仓库中存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，将资产溯源数据归纳为多个资产交易链数据。随后，将多个资产交易链数据输入至图神经网络模型，构建初始溯源图，初始溯源图包括多个地址节点。接下来，获取地址标签库，地址标签库中存储多个地址标签，每个地址标签表示一个实体对应的至少一个地址。进而根据地址标签库，将初始溯源图中的地址节点替换为对应的地址标签节点，并对地址标签节点进行聚类，得到资产流转溯源图。最后，采用预设可视化工具对资产流转溯源图进行可视化，并将可视化结果发送至监管终端进行展示，以使监管终端使用资产流转溯源图进行资产溯源。本申请实施例通过预处理和特征匹配，将多条资产溯源数据归纳为资产交易链数据，构建溯源图，可以更有效地追踪和分析资产的流转情况，提高资产溯源的能力。资产流转溯源图可以展示资产从源头到终点的路径和交易记录，对资产的流向和所有权变更进行可视化，以使监管终端能够直观地了解资产的流转情况，提高对资产交易的可信度和透明度。
进一步地，作为图1所述方法的具体实现，本申请实施例提供了一种基于区块链的资产流转溯源装置，如图3所示，所述装置包括：匹配模块301、构建模块302、获取模块303、聚类模块304、展示模块305。
该匹配模块301，用于获取数据仓库中存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，将资产溯源数据归纳为多个资产交易链数据，每个所述资产交易链数据包括至少两个地址信息；
该构建模块302，用于将多个所述资产交易链数据输入至图神经网络模型，构建初始溯源图，初始溯源图包括多个地址节点，任意两个地址节点之间的边表示相连的两个地址节点对应的资产转移信息；
该获取模块303，用于获取地址标签库，地址标签库中存储多个地址标签，每个地址标签表示一个实体对应的至少一个地址；
该聚类模块304，用于根据地址标签库，将所述初始溯源图中的地址节点替换为对应的地址标签节点，并对地址标签节点进行聚类，得到资产流转溯源图；
该展示模块305，用于采用预设可视化工具对所述资产流转溯源图进行可视化，并将可视化结果发送至监管终端进行展示，以使所述监管终端采用所述资产流转溯源图进行资产溯源。
在具体的应用场景中，该匹配模块301，用于在所述数据仓库中获取多条所述资产溯源数据进行数据预处理，所述数据预处理包括但不限于数据清洗处理、噪声去除处理和格式转换处理，其中，多条所述资产溯源数据来源于区块链记录的区块数据和交易数据、交易所记录的资产流转数据以及社媒平台记录的社媒数据；在每条所述资产溯源数据中提取符合预设特征匹配规则的全部溯源特征，并按照预设数据格式，对所述全部溯源特征进行归纳整理，得到所述资产溯源数据对应的资产交易链数据，其中，每个所述溯源特征包括买方地址信息、卖方地址信息和资产转移信息；持续归纳整理每条所述资产溯源数据中提取出的全部溯源特征，得到多个所述资产交易链数据。
在具体的应用场景中，该构建模块302，用于将多个所述资产交易链数据输入至训练好的图神经网络模型，以使所述图神经网络模型生成空白图谱，将每个所述资产交易链数据包括的两个地址信息分别映射为所述空白图谱中的两个地址节点，以及将所述资产交易链数据包括的资产转移信息映射为所述两个地址节点之间的原始边，所述资产转移信息包括但不限于资产种类、交易时间和交易额度；将每个所述资产交易链数据映射至所述初始图谱，得到所述初始溯源图。
在具体的应用场景中，该聚类模块304，用于对于任意地址标签对应的实体，查询所述地址标签关联的至少一个地址，将所述至少一个地址中的每个地址与所述初始溯源图中的地址节点进行比对；若存在节点标识与所述至少一个地址中的任一地址一致的指定地址节点，则将所述指定地址节点的节点标识替换为所述地址标签，以将所述指定地址节点替换为地址标签节点；重复上述步骤，将所述初始溯源图中的地址节点全部替换为对应的地址标签节点。
在具体的应用场景中，该聚类模块304，用于在全部地址标签节点中，确定节点标识一致的至少一个目标地址标签节点，将至少一个所述目标地址标签节点合并，得到目标聚合节点；构建多个目标聚合节点之间的聚合边，得到所述资产流转溯源图。
在具体的应用场景中，该聚类模块304，用于在多个所述目标聚合节点中选择第一聚合节点，查询所述第一聚合节点对应的第一地址标签节点；确定所述第一地址标签节点连接的原始边，以及与所述原始边相连的第二地址标签节点；查询所述第二地址标签节点关联的第二聚合节点，并查询所述第一聚合节点和所述第二聚合节点之间是否存在聚合边；若不存在所述聚合边，则构建所述第一聚合节点和所述第二聚合节点之间的聚合边，并根据所述原始边的属性定义所述聚合边的属性；若存在所述聚合边，则根据所述原始边的属性调整所述聚合边的属性。
在具体的应用场景中，该装置还包括：第一读取模块306、查询模块307、第二读取模块308。
该第一读取模块306，用于响应于地址溯源指令，读取所述地址溯源指令携带的待溯源实体；
该查询模块307，用于读取所述资产流转溯源图中每个聚合节点的节点标识，查询节点标识与所述待溯源实体一致的第一指定聚合节点，并查询与所述第一指定聚合节点相连的第二指定聚合节点；
该第二读取模块308，用于读取所述第一指定聚合节点与所述第二指定聚合节点之间的聚合边的边属性，得到资产转移信息，将所述资产转移信息上报至所述监管终端进行展示。
本申请实施例提供的装置，首先获取数据仓库中存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，将资产溯源数据归纳为多个资产交易链数据。随后，将多个资产交易链数据输入至图神经网络模型，构建初始溯源图，初始溯源图包括多个地址节点。接下来，获取地址标签库，地址标签库中存储多个地址标签，每个地址标签表示一个实体对应的至少一个地址。进而根据地址标签库，将初始溯源图中的地址节点替换为对应的地址标签节点，并对地址标签节点进行聚类，得到资产流转溯源图。最后，采用预设可视化工具对资产流转溯源图进行可视化，并将可视化结果发送至监管终端进行展示，以使监管终端使用资产流转溯源图进行资产溯源。本申请实施例通过预处理和特征匹配，将多条资产溯源数据归纳为资产交易链数据，构建溯源图，可以更有效地追踪和分析资产的流转情况，提高资产溯源的能力。资产流转溯源图可以展示资产从源头到终点的路径和交易记录，对资产的流向和所有权变更进行可视化，以使监管终端能够直观地了解资产的流转情况，提高对资产交易的可信度和透明度。
需要说明的是，本申请实施例提供的一种基于区块链的资产流转溯源装置所涉及各功能单元的其他相应描述，可以参考图1和图2中的对应描述，在此不再赘述。
在示例性实施例中，参见图4，还提供了一种设备，该设备包括通信总线、处理器、存储器和通信接口，还可以包括输入输出接口和显示设备，其中，各个功能单元之间可以通过总线完成相互间的通信。该存储器存储有计算机程序，处理器，用于执行存储器上所存放的程序，执行上述实施例中的基于区块链的资产流转溯源方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于区块链的资产流转溯源方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。
以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种基于区块链的资产流转溯源方法，其特征在于，包括：
获取数据仓库中存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，将资产溯源数据归纳为多个资产交易链数据，每个所述资产交易链数据包括至少两个地址信息；
将多个所述资产交易链数据输入至图神经网络模型，构建初始溯源图，初始溯源图包括多个地址节点，任意两个地址节点之间的边表示相连的两个地址节点对应的资产转移信息；
获取地址标签库，地址标签库中存储多个地址标签，每个地址标签表示一个实体对应的至少一个地址；
根据地址标签库，将所述初始溯源图中的地址节点替换为对应的地址标签节点，并对地址标签节点进行聚类，得到资产流转溯源图；
采用预设可视化工具对所述资产流转溯源图进行可视化，并将可视化结果发送至监管终端进行展示，以使所述监管终端使用所述资产流转溯源图进行资产溯源。
2.根据权利要求1所述的方法，其特征在于，所述获取数据仓库中存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，将资产溯源数据归纳为多个资产交易链数据，包括：
在所述数据仓库中获取多条所述资产溯源数据进行预处理，所述预处理包括但不限于数据清洗处理、噪声去除处理和格式转换处理，其中，多条所述资产溯源数据来源于区块链记录的区块数据和交易数据、交易所记录的资产流转数据以及社媒平台记录的社媒数据；
在每条所述资产溯源数据中提取符合预设特征匹配规则的全部溯源特征，并按照预设数据格式，对所述全部溯源特征进行归纳整理，得到所述资产溯源数据对应的资产交易链数据，其中，每个所述溯源特征包括买方地址信息、卖方地址信息和资产转移信息；
持续归纳整理每条所述资产溯源数据中提取出的全部溯源特征，得到多个所述资产交易链数据。
3.根据权利要求1所述的方法，其特征在于，所述将多个所述资产交易链数据输入至图神经网络模型，构建初始溯源图，包括：
将多个所述资产交易链数据输入至训练好的图神经网络模型，以使所述图神经网络模型生成空白图谱，将每个所述资产交易链数据包括的两个地址信息分别映射为所述空白图谱中的两个地址节点，以及将所述资产交易链数据包括的资产转移信息映射为所述两个地址节点之间的原始边，所述资产转移信息包括但不限于资产种类、交易时间和交易额度；
将每个所述资产交易链数据映射至所述初始图谱，得到所述初始溯源图。
4.根据权利要求1所述的方法，其特征在于，所述根据地址标签库，将所述初始溯源图中的地址节点替换为对应的地址标签节点，包括：
对于任意地址标签对应的实体，查询所述地址标签关联的至少一个地址，将所述至少一个地址中的每个地址与所述初始溯源图中的地址节点进行比对；
若存在节点标识与所述至少一个地址中的任一地址一致的指定地址节点，则将所述指定地址节点的节点标识替换为所述地址标签，以将所述指定地址节点替换为地址标签节点；
重复上述步骤，将所述初始溯源图中的地址节点全部替换为对应的地址标签节点。
5.根据权利要求1所述的方法，其特征在于，所述对地址标签节点进行聚类，得到资产流转溯源图，包括：
在全部地址标签节点中，确定节点标识一致的至少一个目标地址标签节点，将至少一个所述目标地址标签节点合并，得到目标聚合节点；
构建多个目标聚合节点之间的聚合边，得到所述资产流转溯源图。
6.根据权利要求5所述的方法，其特征在于，所述构建多个目标聚合节点之间的聚合边，得到所述资产流转溯源图，包括：
在多个所述目标聚合节点中选择第一聚合节点，查询所述第一聚合节点对应的第一地址标签节点；
确定所述第一地址标签节点连接的原始边，以及与所述原始边相连的第二地址标签节点；
查询所述第二地址标签节点关联的第二聚合节点，并查询所述第一聚合节点和所述第二聚合节点之间是否存在聚合边；
若不存在所述聚合边，则构建所述第一聚合节点和所述第二聚合节点之间的聚合边，并根据所述原始边的属性定义所述聚合边的属性；
若存在所述聚合边，则根据所述原始边的属性调整所述聚合边的属性。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
响应于地址溯源指令，读取所述地址溯源指令携带的待溯源实体；
读取所述资产流转溯源图中每个聚合节点的节点标识，查询节点标识与所述待溯源实体一致的第一指定聚合节点，并查询与所述第一指定聚合节点相连的第二指定聚合节点；
读取所述第一指定聚合节点与所述第二指定聚合节点之间的聚合边的边属性，得到资产转移信息，将所述资产转移信息上报至所述监管终端进行展示。
8.一种基于区块链的资产流转溯源装置，其特征在于，包括：
匹配模块，用于获取数据仓库中存储的多条资产溯源数据进行预处理，并对预处理后的资产溯源数据进行特征匹配，将资产溯源数据归纳为多个资产交易链数据，每个所述资产交易链数据包括至少两个地址信息；
构建模块，用于将多个所述资产交易链数据输入至图神经网络模型，构建初始溯源图，初始溯源图包括多个地址节点，任意两个地址节点之间的边表示相连的两个地址节点对应的资产转移信息；
获取模块，用于获取地址标签库，地址标签库中存储多个地址标签，每个地址标签表示一个实体对应的至少一个地址；
聚类模块，用于根据地址标签库，将所述初始溯源图中的地址节点替换为对应的地址标签节点，并对地址标签节点进行聚类，得到资产流转溯源图；
展示模块，用于采用预设可视化工具对所述资产流转溯源图进行可视化，并将可视化结果发送至监管终端进行展示，以使所述监管终端采用所述资产流转溯源图进行资产溯源。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311396385.3A CN117829990A (zh) | 2023-10-25 | 2023-10-25 | 基于区块链的资产流转溯源方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311396385.3A CN117829990A (zh) | 2023-10-25 | 2023-10-25 | 基于区块链的资产流转溯源方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117829990A true CN117829990A (zh) | 2024-04-05 |
Family
ID=90503533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311396385.3A Pending CN117829990A (zh) | 2023-10-25 | 2023-10-25 | 基于区块链的资产流转溯源方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117829990A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118115160A (zh) * | 2024-04-29 | 2024-05-31 | 中科链安(北京)科技有限公司 | 对多地址在时间区间内区块链交易追溯方法和系统 |
-
2023
- 2023-10-25 CN CN202311396385.3A patent/CN117829990A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118115160A (zh) * | 2024-04-29 | 2024-05-31 | 中科链安(北京)科技有限公司 | 对多地址在时间区间内区块链交易追溯方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9792289B2 (en) | Systems and methods for file clustering, multi-drive forensic analysis and data protection | |
| CN111949834B (zh) | 选址方法和选址平台系统 | |
| US8412712B2 (en) | Grouping methods for best-value determination from values for an attribute type of specific entity | |
| CN108241867B (zh) | 一种分类方法及装置 | |
| CN111460312A (zh) | 空壳企业识别方法、装置及计算机设备 | |
| US20100161602A1 (en) | Grouping similar values for a specific attribute type of an entity to determine relevance and best values | |
| CN113157489B (zh) | 数据库数据备份方法、装置及计算机设备 | |
| CN117829990A (zh) | 基于区块链的资产流转溯源方法、装置、设备及存储介质 | |
| CN113111369B (zh) | 一种数据标注中的数据保护方法及系统 | |
| CN111078980A (zh) | 基于征信大数据的管理方法、装置、设备及存储介质 | |
| US20170140301A1 (en) | Identifying social business characteristic user | |
| CN110675238A (zh) | 客户标签配置方法、系统、可读存储介质及电子设备 | |
| WO2020019489A1 (zh) | 员工离职原因的预测方法及相关装置 | |
| CN116545709A (zh) | 敏感数据的溯源方法、装置及设备 | |
| CN110825817B (zh) | 一种企业疑似关联关系判定方法及系统 | |
| CN109711849B (zh) | 以太坊地址画像生成方法、装置、电子设备及存储介质 | |
| CN113553360A (zh) | 多企业关系分析方法、装置、电子设备、存储介质和计算机程序 | |
| CN110598124B (zh) | 数值属性挖掘方法、装置、计算机设备和存储介质 | |
| CN115293291B (zh) | 排序模型的训练方法、排序方法、装置、电子设备及介质 | |
| Lo et al. | An emperical study on application of big data analytics to automate service desk business process | |
| US10409970B2 (en) | System and method for resolving user identification | |
| CN117669759A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN106971309A (zh) | 一种基于云计算的企业分销管理系统 | |
| CN111382343B (zh) | 一种标签体系生成方法及装置 | |
| CN112651641A (zh) | 画像管理数据的处理方法和装置 |
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 |