KR102629499B1 - Gat 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템 및 방법 - Google Patents

Gat 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템 및 방법 Download PDF

Info

Publication number
KR102629499B1
KR102629499B1 KR1020230122305A KR20230122305A KR102629499B1 KR 102629499 B1 KR102629499 B1 KR 102629499B1 KR 1020230122305 A KR1020230122305 A KR 1020230122305A KR 20230122305 A KR20230122305 A KR 20230122305A KR 102629499 B1 KR102629499 B1 KR 102629499B1
Authority
KR
South Korea
Prior art keywords
virtual asset
gat
risk
wallet address
blacklist
Prior art date
Application number
KR1020230122305A
Other languages
English (en)
Inventor
박혜연
전효연
정규환
이한주
최연철
Original Assignee
주식회사 보난자팩토리
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 주식회사 보난자팩토리 filed Critical 주식회사 보난자팩토리
Priority to KR1020230122305A priority Critical patent/KR102629499B1/ko
Application granted granted Critical
Publication of KR102629499B1 publication Critical patent/KR102629499B1/ko

Links

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
    • G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
    • G06Q20/36—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes
    • G06Q20/367—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes involving electronic purses or money safes
    • G06Q20/3678—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using electronic wallets or electronic money safes involving electronic purses or money safes e-cash details, e.g. blinded, divisible or detecting double spending
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q20/02—Payment architectures, schemes or protocols involving a neutral party, e.g. certification authority, notary or trusted third party [TTP]
    • 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
    • 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
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템 및 방법이 개시된다. 인덱스 데이터베이스 서버에 미리 저장된 각 가상 자산별 풀 노드의 인덱스, 가상자산 거래분석 데이터베이스 서버에 미리 저장된 거래 공통 항목 정보 및 메인 블랙리스트 서버에 미리 저장되어 있는 고위험 가상자산 지갑주소로 구성되는 메인 블랙리스트를 이용하여 그래프 어텐션 네트워크 기반의 인공지능 모델을 학습하고, 학습된 인공지능 모델에 기반한GAT스코어를 산출하고, 산출된 GAT 스코어를 이용하여 고위험 가상자산 지갑주소를 추정하고, 추정된 고위험 가상자산 지갑주소로 구성되는 GAT 블랙리스트를 생성하는 GAT AI 엔진 서버; 상기 GAT AI 엔진 서버에서 생성된 GAT 블랙리스트가 저장되는 GAT 블랙리스트 데이터베이스 서버를 구성한다.

Description

GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템 및 방법{SYSTEM AND METHOD OF CREATING VIRTUAL ASSET WALLET ADDRESS BLACKLIST BASED ON GAT}
본 발명은 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템 및 방법에 관한 것으로서, 좀 더 구체적으로는 GAT(graph attention network) 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템 및 방법에 관한 것이다.
블록체인에 기반한 가상 자산은 그 특성상 자금 추적이 어려워 불법적인 금융 거래에 자주 이용되고 한다. 가상 자산 지갑 자체가 매우 위험한 거래에 자주 사용되는 경우, 이를 미리 확인하여 부정 사용을 차단할 필요가 있다.
그러나, 가상 자산 지갑의 생성이 매우 용이하고 보안이나 인증에 관한 절차가 허술하여 누구든지 언제든지 가상 자산 지갑을 수시로 생성하여 부정 사용에 이용하는 경우가 많다.
이에, 위험성이 높은 가상 자산 지갑이나 유해한 가상 자산 지갑을 미리 지하여 불법적인 거래나 부정 사용에 이용되는 것을 미연에 방지할 필요가 있다.
그러나, 현재의 가상 자산 거래소에서는 이를 방지할 수 있는 수단 자체가 결여되어 있다.
특히, 수많은 가상자산 지갑들에 대해 불법적인 위험성이 높은지 낮은지 여부를 판단할 수 있는 기준 자체가 제대로 정립되어 있지 않다. 이에, 가상자산 지갑의 불법성에 대한 가능성을 정확하게 추정할 수 있는 알고리즘이 필요한 실정이다.
공개특허공보 10-2020-0073803 공개특허공보 10-2023-0028439
본 발명의 목적은 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템을 제공하는 데 있다.
본 발명의 다른 목적은 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 방법을 제공하는 데 있다.
상술한 본 발명의 목적에 따른 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템은, 인덱스 데이터베이스 서버에 미리 저장된 각 가상 자산별 풀 노드의 인덱스, 가상자산 거래분석 데이터베이스 서버에 미리 저장된 거래 공통 항목 정보 및 메인 블랙리스트 서버에 미리 저장되어 있는 고위험 가상자산 지갑주소로 구성되는 메인 블랙리스트를 이용하여 그래프 어텐션 네트워크 기반의 인공지능 모델을 학습하고, 학습된 인공지능 모델에 기반한GAT스코어를 산출하고, 산출된 GAT 스코어를 이용하여 고위험 가상자산 지갑주소를 추정하고, 추정된 고위험 가상자산 지갑주소로 구성되는 GAT 블랙리스트를 생성하는 GAT AI 엔진 서버; 상기 GAT AI 엔진 서버에서 생성된 GAT 블랙리스트가 저장되는 GAT 블랙리스트 데이터베이스 서버를 포함하도록 구성될 수 있다.
여기서, 상기 GAT AI 엔진 서버는, 상기 가상자산 거래분석 데이터베이스 서버에 저장된 거래 공통 항목 정보를 전처리하여 코인 종류별로 라벨링하고 소정의 가상자산 지갑주소에 대응되는 트랜잭션을 조회하는 제1 데이터 전처리 모듈; 상기 제1 데이터 전처리 모듈에서 조회된 트랜잭션을 이용하여 GAT 학습을 수행하는 AI 학습 모듈; 상기 제1 데이터 전처리 모듈에서 라벨링되지 않은 트랜잭션을 상기 AI 학습 모듈이 재학습할 수 있도록 수도라벨링(pseudo labeling)하여 상기 AI 학습 모듈로 피드백하는 티쳐 모듈; 상기 AI 학습 모듈에서 수행된 GAT 학습 결과에 기반하여 각 가상자산 지갑주소의 GAT 스코어에 대응되는 위험도를 산출하는 제1 위험도 산출 모듈을 포함하도록 구성될 수 있다.
그리고 가상자산 거래소 서버로부터 가상자산 지갑주소를 수신하고, 수신된 가상자산 지갑주소에 대한 위험도를 산출하여 상기 가상자산 거래소 서버로 응답하는 고위험 지갑주소 서비스 서버를 더 포함하도록 구성될 수 있다.
그리고 상기 고위험 지갑주소 서비스 서버는, 가상자산 거래소 서버로부터 가상자산 지갑주소를 수신하여 전처리를 수행하는 제2 데이터 전처리 모듈; 상기 제2 데이터 전처리 모듈에서 전처리가 수행된 가상자산 지갑주소의 트랜잭션을 상기 가상자산 거래분석 데이터베이스 서버에서 조회하는 트랜잭션 조회 모듈; 상기 트랜잭션 조회 모듈에서 조회된 트랜잭션을 이용하여 해당 가상자산 지갑주소의 GAT 스코어에 대응되는 위험도를 산출하는 제2 위험도 산출 모듈; 상기 AI 학습 모듈이 상기 제2 위험도 산출 모듈에서 산출된 위험도에 기반하여 인공지능 모델을 학습하도록 요청하는 학습 업데이트 모듈을 포함하도록 구성될 수 있다.
그리고 관리자 단말로부터 가상자산 지갑주소를 수신하고, 수신된 가상자산 지갑주소에 대한 위험도를 산출하여 상기 가상자산 거래소 서버로 응답하는 고위험 지갑주소 관리 서버를 더 포함하도록 구성될 수 있다.
상술한 본 발명의 다른 목적에 따른 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 방법은, GAT AI 엔진 서버가 인덱스 데이터베이스 서버에 미리 저장된 각 가상 자산별 풀 노드의 인덱스, 가상자산 거래분석 데이터베이스 서버에 미리 저장된 거래 공통 항목 정보 및 메인 블랙리스트 서버에 미리 저장되어 있는 고위험 가상자산 지갑주소로 구성되는 메인 블랙리스트를 이용하여 그래프 어텐션 네트워크 기반의 인공지능 모델을 학습하는 단계; 상기 GAT AI 엔진 서버가 상기 학습된 인공지능 모델에 기반한GAT스코어를 산출하는 단계; 상기 GAT AI 엔진 서버가 상기 산출된 GAT 스코어를 이용하여 고위험 가상자산 지갑주소를 추정하고, 추정된 고위험 가상자산 지갑주소로 구성되는 GAT 블랙리스트를 생성하는 단계; GAT 블랙리스트 데이터베이스 서버에 상기 GAT AI 엔진 서버에서 생성된 GAT 블랙리스트가 저장되는 단계를 포함하도록 구성될 수 있다.
여기서, 고위험 지갑주소 서비스 서버가 가상자산 거래소 서버로부터 가상자산 지갑주소를 수신하고, 수신된 가상자산 지갑주소에 대한 위험도를 산출하여 상기 가상자산 거래소 서버로 응답하는 단계를 더 포함하도록 구성될 수 있다.
그리고 고위험 지갑주소 관리 서버가 관리자 단말로부터 가상자산 지갑주소를 수신하고, 수신된 가상자산 지갑주소에 대한 위험도를 산출하여 상기 관리자 단말로 응답하는 단계를 더 포함하도록 구성될 수 있다.
상술한 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템 및 방법에 의하면, 가상 자산 네트워크 별로 풀 노드와 해당 트랜잭션 데이터를 수집하고 수집된 풀 노드와 트랜잭션 데이터에서 부정 사용 등의 가능성이 높은 풀 노드를 미리 탐지하기 위한 학습 데이터를 풀 노드와 트랜잭션 데이터에서 자동으로 추출하여 생성한 데이터베이스와 아울러 각 가상자산 지갑주소의 블랙리스트와 화이트리스트를 생성하여 구축한 데이터베이스를 기반으로 GAT 학습 을 수행하도록 구성됨으로써, 모든 가상자산 지갑주소에 대한 불법적인 사용이나 부정 거래의 가능성을 보다 정확하게 추정하여 모니터링할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템의 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템의 세부 구성도이다.
도 3은 본 발명의 실시예에 따른 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 방법의 흐름도이다.
도4 및 도 6은 본 발명의 실시예에 따른 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 방법의 세부 순서도이다.
도5는 본 발명의 일 실시예에 따른 위험도 산출 데이터의 예이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 발명을 실시하기 위한 구체적인 내용에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템의 블록 구성도이고, 도 2는 본 발명의 일 실시예에 따른 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템의 세부 구성도이다.
도 1및 도 2를 참조하면, GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템(300)은 GAT AI 엔진 서버(310), GAT 블랙리스트 데이터베이스 서버(320), 고위험 지갑주소 서비스 서버(330), 고위험 지갑주소 관리 서버(340)를 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
GAT AI 엔진 서버(310)는 인덱스 데이터베이스 서버(101)에 미리 저장된 각 가상 자산별 풀 노드의 인덱스, 가상자산 거래분석 데이터베이스 서버(102)에 미리 저장된 거래 공통 항목 정보 및 메인 블랙리스트 서버(201)에 미리 저장되어 있는 고위험 가상자산 지갑주소로 구성되는 메인 블랙리스트를 이용하여 그래프 어텐션 네트워크 기반의 인공지능 모델을 학습하도록 구성될 수 있다.
여기서, 인덱스 데이터베이스 서버(101)는 각 가상자산별 풀노드의 인덱스가 저장되는 구성이며, 여기서 인덱스는 각 가상자산 지갑주소들을 순차적인 인덱싱을 통해 미리 생성될 수 있다. 그리고 거래 공통 항목 정보는 모든 트랜잭션에 대한 송금자 지갑 주소, 수신자 지갑 주소, 가상 자산 전송량, 송금 수수료, 거래 시간, 트랜잭션 해쉬, 이전 거래 출력 및 서명이 될 수 있다.
그리고 GAT AI 엔진 서버(310) 위 학습된 인공지능 모델에 기반한GAT스코어를 산출하고, 산출된 GAT 스코어를 이용하여 고위험 가상자산 지갑주소를 추정하고, 추정된 고위험 가상자산 지갑주소로 구성되는 GAT 블랙리스트를 생성하도록 구성될 수 있다.
GAT AI 엔진 서버(310)는 제1 데이터 전처리 모듈(311), AI 학습 모듈(312), 티쳐 모듈(313), 제1 위험도 산출 모듈(314)을 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
제1 데이터 전처리 모듈(311)은 가상자산 거래분석 데이터베이스 서버(102)에 저장된 거래 공통 항목 정보를 전처리하여 코인 종류별로 라벨링하고 소정의 가상자산 지갑주소에 대응되는 트랜잭션을 조회하도록 구성될 수 있다.
AI 학습 모듈(312)은 제1 데이터 전처리 모듈(311)에서 조회된 트랜잭션을 이용하여 GAT 학습을 수행하도록 구성될 수 있다.
이때, AI 학습 모듈(312)은 다음과 같은 과정을 통해 GAT 학습 모델을 수행하여 GAT 블랙 리스트를 생성할 수 있다.
먼저 AI 학습 모듈(312)은 인덱스 데이터베이스 서버(101)에 미리 저장된 각 가상 자산별 풀 노드의 인덱스 및 가상자산 거래분석 데이터베이스 서버(102)에 미리 저장된 거래 공통 항목 정보를 이용하여 전체 트랜잭션에 대한 그래프 어텐션 네트워크 기반의 GAT 그래프 구조를 추출할 수 있다. 그리고 GAT 그래프 구조를 구성하는 연결 관계를 엣지(edge)로 대응시킨 인접행렬을 생성할 수 있다.
그리고 AI 학습 모듈(312)은 메인 블랙리스트 서버(201)에 미리 저장되어 있는 고위험 가상자산 지갑주소로 구성되는 메인 블랙리스트를 이용하여 위험 카테고리별로 행렬화된 데이터에 대해 크롤링 수집시 온라인 원천 사이트별로 사전 설정된 가중치를 부여하여 특성행렬을 생성할 수 있다.
그리고 AI 학습 모듈(312)은 GAT 그래프 구조의 노드와 엣지를 구성하는 특성행렬과 접행렬을 어텐션 레이어(attention layer)에 통과시켜 고위험 가상자산 지갑주소로 라벨링된 학습데이터에 대한 사전 학습모델을 생성할 수 있다. 그리고 그 사전 학습모델을 활용하여 고위험 가상자산 지갑주소에 대한 라벨이 없는 데이터를 예측하고 그 예측 결과를 고위험 가상자산 지갑주소를 추정하는 GAT 스코어로 사용하는 준지도학습 기반의 메인 학습모델을 수행할 수 있다.
이때, AI 학습 모듈(312)은 메인 학습모델을 반복적으로 수행하여 고위험 가상자산 지갑주소를 추정하는 GAT 스코어가 저장된 GAT 블랙스트DB를 자동으로 생성 및 업데이트하도록 구성될 수 있다.
한편, AI 학습 모듈(312)은 BTC 네트워크의 경우에 전체 트랜잭션을 그래프 구조의 노드로 대응시키고, ETH 네트워크의 경우에는 전체 지갑주소를 그래프 구조의 노드로 대응시켜 고위험 가산자산의 지갑주소 또는 트랜잭션의 카테고리 분류값으로 특성행렬을 생성하도록 구성될 수 있다.
그리고 AI 학습 모듈(312)은 BTC 네트워크의 경우에는 트랜잭션간 연결관계를 엣지로 대응시키고, ETH 네트워크의 경우에는 지갑주소간 연결관계를 엣지로 대응시킨 인접행렬을 생성하도록 구성될 수 있다.
다른 한편, GAT 블랙리스트를 생성하는 과정은 다음과 같이 이루어진다.
먼저 임의의 가상자산 지갑주소를 입력한다. 그리고 임의의 가상자산 지갑주소와 인접한 모든 트랜잭션을 조회한다. 그리고 모든 트랜잭션 각각에 대한 위험 카테고리 분류 및 고위험 가상자산 지갑주소로 추정되는 확률값을 조회한다. 그리고 각각의 트랜잭션에 대한 위험 카테고리 분류 및 고위험 가상자산 지갑주소의 추정되는 확률값을 모두 병합하여 상기 임의의 가상자산 지갑주소에 대한 전체 위험도를 산출한다.
여기서, 확률 값을 조회하는 과정은 GAT 블랙리스트 데이터베이스에서 임의의 가상자산 지갑주소와 관련된 블록체인 네트워크 내 모든 트랜잭션을 조회하는 과정과, 모든 트랜잭션 중에서 고위험 가상자산 지갑주소를 추정하는 GAT 스코어로 라벨링된 트랜젝션 데이터를 활용하여 고위험 가상자산 지갑주소에 대한 라벨이 없는 데이터를 예측하고 그 예측 결과를 고위험 가상자산 지갑주소를 추정하는 위험 확률값으로 사용하는 과정과, 모든 트랜잭션 각각에 대하여 위험 카테고리 분류 및 고위험 가상자산 지갑주소를 추정하는 확률값을 저장하는 과정으로 이루어진다.
티쳐 모듈(313)은 제1 데이터 전처리 모듈(311)에서 라벨링되지 않은 트랜잭션을 AI 학습 모듈이 재학습할 수 있도록 수도라벨링(pseudo labeling)하여 AI 학습 모듈로 피드백하도록 구성될 수 있다.
제1 위험도 산출 모듈(314)은 AI 학습 모듈(312)에서 수행된 GAT 학습 결과에 기반하여 각 가상자산 지갑주소의 GAT 스코어에 대응되는 위험도를 산출하도록 구성될 수 있다.
GAT 블랙리스트 데이터베이스 서버(320)는 GAT AI 엔진 서버(310)에서 생성된 GAT 블랙리스트가 저장되도록 구성될 수 있다.
고위험 지갑주소 서비스 서버(330)는 가상자산 거래소 서버로부터 가상자산 지갑주소를 수신하고, 수신된 가상자산 지갑주소에 대한 위험도를 산출하여 가상자산 거래소 서버로 응답하도록 구성될 수 있다.
고위험 지갑주소 서비스 서버(330)는 제2 데이터 전처리 모듈(331), 트랜잭션 조회 모듈(332), 제2 위험도 산출 모듈(333), 학습 업데이트 모듈(334)을 포함하도록 구성될 수 있다.
이하, 세부적인 구성에 대하여 설명한다.
제2 데이터 전처리 모듈(331)은 가상자산 거래소 서버로부터 가상자산 지갑주소를 수신하여 전처리를 수행하도록 구성될 수 있다.
트랜잭션 조회 모듈(332)은 제2 데이터 전처리 모듈(331)에서 전처리가 수행된 가상자산 지갑주소의 트랜잭션을 가상자산 거래분석 데이터베이스 서버(102)에서 조회하도록 구성될 수 있다.
제2 위험도 산출 모듈(333)은 트랜잭션 조회 모듈(332)에서 조회된 트랜잭션을 이용하여 해당 가상자산 지갑주소의 GAT 스코어에 대응되는 위험도를 산출하도록 구성될 수 있다.
학습 업데이트 모듈(334)은 AI 학습 모듈(312)이 제2 위험도 산출 모듈(333)에서 산출된 위험도에 기반하여 인공지능 모델을 학습하도록 요청하도록 구성될 수 있다.
고위험 지갑주소 관리 서버(340)는 관리자 단말(400)로부터 가상자산 지갑주소를 수신하고, 수신된 가상자산 지갑주소에 대한 위험도를 산출하여 관리자 단말(400)로 응답하도록 구성될 수 있다.
도 3은 본 발명의 실시예에 따른 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 방법의 흐름도이다.
도 3을 참조하면, GAT AI 엔진 서버(310)가 인덱스 데이터베이스 서버(101)에 미리 저장된 각 가상 자산별 풀 노드의 인덱스, 가상자산 거래분석 데이터베이스 서버(102)에 미리 저장된 거래 공통 항목 정보 및 메인 블랙리스트 서버(201)에 미리 저장되어 있는 고위험 가상자산 지갑주소로 구성되는 메인 블랙리스트를 이용하여 그래프 어텐션 네트워크 기반의 인공지능 모델을 학습한다(S10).
다음으로, GAT AI 엔진 서버(310)가 학습된 인공지능 모델에 기반한GAT스코어를 산출한다(S20).
다음으로, GAT AI 엔진 서버(310)가 산출된 GAT 스코어를 이용하여 고위험 가상자산 지갑주소를 추정하고, 추정된 고위험 가상자산 지갑주소로 구성되는 GAT 블랙리스트를 생성한다(S30).
다음으로, GAT 블랙리스트 데이터베이스 서버(320)에 GAT AI 엔진 서버(310)에서 생성된 GAT 블랙리스트가 저장된다(S40).
다음으로, 고위험 지갑주소 서비스 서버(330)가 가상자산 거래소 서버로부터 가상자산 지갑주소를 수신하고, 수신된 가상자산 지갑주소에 대한 위험도를 산출하여 가상자산 거래소 서버로 응답한다(S50).
다음으로, 고위험 지갑주소 관리 서버(330)가 관리자 단말(400)로부터 가상자산 지갑주소를 수신하고, 수신된 가상자산 지갑주소에 대한 위험도를 산출하여 관리자 단말(400)로 응답한다(S60).
도 4 및 도6은 본 발명의 실시예에 따른 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 방법의 세부 순서도이고, 도 5는 본 발명의 일 실시예에 따른 위험도 산출 데이터의 예이다.
여기서, 도 4는 GAT 기반 학습 모델을 생성하는 세부 순서에 관한 것으로서, 소정의 지갑 주소에 대한 트랜잭션을 모두 조회하여 GAT 알고리즘에 기반하여 학습을 수행하도록 구성된다. 이때, 데이터 전처리 과정에서 라벨링이 되지 못한 데이터에 대해서도 티쳐 모듈(313)에 의한 재학습을 통해 데이터의 정확도를 높이도록 구성된다. 그리고 GAT 스코어에 대응되는 위험도를 산출하여 GAT 기반의 블랙리스트를 생성할 수 있다. 또한, 임시 티쳐를 통해 언라벨 데이터를 즉시 수용하여 바로 재학습을 하는 과정을 예시하고 있다.
도 5에서는 특정 BTC 지갑주소 A의 트랜잭션을 검색하고 카테고리별로 A의 트랜잭션 합을 산출한 후, A의 총 송수신량을 모니터링한 결과를 나타낸다.
예를 들어, A의 Threat 카테고리의 총 송수신량은 12.4이고, Tumble 카테고리의 총 송수신량은 20.1531이다. 그리고 A의 모든 카테고리의 총 송수신량은 100이다.
여기서 A의 위험도는 카테고리별 송수신량 최대값을 A의 총 송수신량으로 나누어 산출된다. 즉, A의 Tumble의 위험도는 경우 20.1531/100은 20.1531%가 된다.
도 6에서는 가상자산 거래소 서버에서 요청하는 가상자산 지갑주소의 위험도를 산출하여 응답하는 과정을 나타낸다. 이때, 위험도 산출 결과를 GAT 블랙리스트 데이터베이스 서버(320)에 업데이트하여 데이터베이스를 구축하게 된다.
상기와 같이, 본 발명은, 가상 자산 네트워크 별로 풀 노드와 해당 트랜잭션 데이터를 수집하고 수집된 풀 노드와 트랜잭션 데이터에서 부정 사용 등의 가능성이 높은 풀 노드를 미리 탐지하기 위한 학습 데이터를 풀 노드와 트랜잭션 데이터에서 자동으로 추출하여 생성한 데이터베이스와 아울러 각 가상자산 지갑주소의 블랙리스트와 화이트리스트를 생성하여 구축한 데이터베이스를 기반으로 GAT 학습 을 수행하도록 구성됨으로써, 모든 가상자산 지갑주소에 대한 불법적인 사용이나 부정 거래의 가능성을 보다 정확하게 추정하여 모니터링할 수 있는 효과가 있다.
이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
310: GAT AI 엔진 서버
311: 제1 데이터 전처리 모듈
312: AI 학습 모듈
313: 티쳐 모듈
314: 제1 위험도 산출 모듈
320: GAT 블랙리스트 데이터베이스 서버
330: 고위험 지갑주소 서비스 서버
331: 제2 데이터 전처리 모듈
332: 트랜잭션 조회 모듈
333: 제2 위험도 산출 모듈
334: 학습 업데이트 모듈
340: 고위험 지갑주소 관리 서버

Claims (8)

  1. 인덱스 데이터베이스 서버에 미리 저장된 각 가상 자산별 풀 노드의 인덱스, 가상자산 거래분석 데이터베이스 서버에 미리 저장된 거래 공통 항목 정보 및 메인 블랙리스트 서버에 미리 저장되어 있는 고위험 가상자산 지갑주소로 구성되는 메인 블랙리스트를 이용하여 그래프 어텐션 네트워크 기반의 인공지능 모델을 학습하고, 학습된 인공지능 모델에 기반한GAT스코어를 산출하고, 산출된 GAT 스코어를 이용하여 고위험 가상자산 지갑주소를 추정하고, 추정된 고위험 가상자산 지갑주소로 구성되는 GAT 블랙리스트를 생성하는 GAT AI 엔진 서버;
    상기 GAT AI 엔진 서버에서 생성된 GAT 블랙리스트가 저장되는 GAT 블랙리스트 데이터베이스 서버를 포함하고,
    상기 GAT AI 엔진 서버는,
    상기 가상자산 거래분석 데이터베이스 서버에 저장된 거래 공통 항목 정보를 전처리하여 코인 종류별로 라벨링하고 소정의 가상자산 지갑주소에 대응되는 트랜잭션을 조회하는 제1 데이터 전처리 모듈;
    상기 제1 데이터 전처리 모듈에서 조회된 트랜잭션을 이용하여 GAT 학습을 수행하는 AI 학습 모듈;
    상기 제1 데이터 전처리 모듈에서 라벨링되지 않은 트랜잭션을 상기 AI 학습 모듈이 재학습할 수 있도록 쇠도 라벨링(pseudo labeling)하여 상기 AI 학습 모듈로 피드백하는 티쳐 모듈;
    상기 AI 학습 모듈에서 수행된 GAT 학습 결과에 기반하여 각 가상자산 지갑주소의 GAT 스코어에 대응되는 위험도를 산출하는 제1 위험도 산출 모듈을 포함하도록 구성되고,
    상기 AI 학습 모듈은,
    상기 인덱스 데이터베이스 서버에 미리 저장된 각 가상 자산별 풀 노드의 인덱스 및 상기 가상자산 거래분석 데이터베이스 서버에 미리 저장된 거래 공통 항목 정보를 이용하여 전체 트랜잭션에 대한 그래프 어텐션 네트워크 기반의 GAT 그래프 구조를 추출하고, GAT 그래프 구조를 구성하는 연결 관계를 엣지(edge)로 대응시킨 인접행렬을 생성하고, 상기 메인 블랙리스트 서버에 미리 저장되어 있는 고위험 가상자산 지갑주소로 구성되는 메인 블랙리스트를 이용하여 위험 카테고리별로 행렬화된 데이터에 대해 크롤링 수집시 온라인 원천 사이트별로 사전 설정된 가중치를 부여하여 특성행렬을 생성하고, GAT 그래프 구조의 노드와 엣지를 구성하는 특성행렬과 인접행렬을 어텐션 레이어(attention layer)에 통과시켜 고위험 가상자산 지갑주소로 라벨링된 학습데이터에 대한 사전 학습모델을 생성하고, 생성된 사전 학습모델을 활용하여 고위험 가상자산 지갑주소에 대한 라벨이 없는 데이터를 예측하고, 예측 결과를 고위험 가상자산 지갑주소를 추정하는 GAT 스코어로 사용하는 준지도학습 기반의 메인 학습모델을 수행하고, 상기 메인 학습모델을 반복적으로 수행하여 고위험 가상자산 지갑주소를 추정하는 GAT 스코어가 저장된 GAT 블랙리스트DB를 자동으로 생성 및 업데이트하도록 구성되는 것을 특징으로 하는 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템.
  2. 삭제
  3. 제1항에 있어서,
    가상자산 거래소 서버로부터 가상자산 지갑주소를 수신하고, 수신된 가상자산 지갑주소에 대한 위험도를 산출하여 상기 가상자산 거래소 서버로 응답하는 고위험 지갑주소 서비스 서버를 더 포함하도록 구성되는 것을 특징으로 하는 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템.
  4. 제3항에 있어서, 상기 고위험 지갑주소 서비스 서버는,
    가상자산 거래소 서버로부터 가상자산 지갑주소를 수신하여 전처리를 수행하는 제2 데이터 전처리 모듈
    상기 제2 데이터 전처리 모듈에서 전처리가 수행된 가상자산 지갑주소의 트랜잭션을 상기 가상자산 거래분석 데이터베이스 서버에서 조회하는 트랜잭션 조회 모듈
    상기 트랜잭션 조회 모듈에서 조회된 트랜잭션을 이용하여 해당 가상자산 지갑주소의 GAT 스코어에 대응되는 위험도를 산출하는 제2 위험도 산출 모듈
    상기 AI 학습 모듈이 상기 제2 위험도 산출 모듈에서 산출된 위험도에 기반하여 인공지능 모델을 학습하도록 요청하는 학습 업데이트 모듈을 포함하도록 구성되는 것을 특징으로 하는 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템.
  5. 제4항에 있어서,
    관리자 단말로부터 가상자산 지갑주소를 수신하고, 수신된 가상자산 지갑주소에 대한 위험도를 산출하여 상기 가상자산 거래소 서버로 응답하는 고위험 지갑주소 관리 서버를 더 포함하도록 구성되는 것을 특징으로 하는 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템.
  6. GAT AI 엔진 서버가 인덱스 데이터베이스 서버에 미리 저장된 각 가상 자산별 풀 노드의 인덱스, 가상자산 거래분석 데이터베이스 서버에 미리 저장된 거래 공통 항목 정보 및 메인 블랙리스트 서버에 미리 저장되어 있는 고위험 가상자산 지갑주소로 구성되는 메인 블랙리스트를 이용하여 그래프 어텐션 네트워크 기반의 인공지능 모델을 학습하는 단계;
    상기 GAT AI 엔진 서버가 상기 학습된 인공지능 모델에 기반한GAT스코어를 산출하는 단계;
    상기 GAT AI 엔진 서버가 상기 산출된 GAT 스코어를 이용하여 고위험 가상자산 지갑주소를 추정하고, 추정된 고위험 가상자산 지갑주소로 구성되는 GAT 블랙리스트를 생성하는 단계;
    GAT 블랙리스트 데이터베이스 서버에 상기 GAT AI 엔진 서버에서 생성된 GAT 블랙리스트가 저장되는 단계를 포함하고,
    상기 GAT AI 엔진 서버가 인덱스 데이터베이스 서버에 미리 저장된 각 가상 자산별 풀 노드의 인덱스, 가상자산 거래분석 데이터베이스 서버에 미리 저장된 거래 공통 항목 정보 및 메인 블랙리스트 서버에 미리 저장되어 있는 고위험 가상자산 지갑주소로 구성되는 메인 블랙리스트를 이용하여 그래프 어텐션 네트워크 기반의 인공지능 모델을 학습하는 단계는,
    상기 AI 학습 모듈이 상기 인덱스 데이터베이스 서버에 미리 저장된 각 가상 자산별 풀 노드의 인덱스 및 상기 가상자산 거래분석 데이터베이스 서버에 미리 저장된 거래 공통 항목 정보를 이용하여 전체 트랜잭션에 대한 그래프 어텐션 네트워크 기반의 GAT 그래프 구조를 추출하고, GAT 그래프 구조를 구성하는 연결 관계를 엣지(edge)로 대응시킨 인접행렬을 생성하고, 상기 메인 블랙리스트 서버에 미리 저장되어 있는 고위험 가상자산 지갑주소로 구성되는 메인 블랙리스트를 이용하여 위험 카테고리별로 행렬화된 데이터에 대해 크롤링 수집시 온라인 원천 사이트별로 사전 설정된 가중치를 부여하여 특성행렬을 생성하고, GAT 그래프 구조의 노드와 엣지를 구성하는 특성행렬과 인접행렬을 어텐션 레이어(attention layer)에 통과시켜 고위험 가상자산 지갑주소로 라벨링된 학습데이터에 대한 사전 학습모델을 생성하고, 생성된 사전 학습모델을 활용하여 고위험 가상자산 지갑주소에 대한 라벨이 없는 데이터를 예측하고, 예측 결과를 고위험 가상자산 지갑주소를 추정하는 GAT 스코어로 사용하는 준지도학습 기반의 메인 학습모델을 수행하고, 상기 메인 학습모델을 반복적으로 수행하도록 구성되며,
    상기 GAT AI 엔진 서버가 상기 산출된 GAT 스코어를 이용하여 고위험 가상자산 지갑주소를 추정하고, 추정된 고위험 가상자산 지갑주소로 구성되는 GAT 블랙리스트를 생성하는 단계는,
    상기 메인 학습모델의 반복적 수행에 의해 고위험 가상자산 지갑주소를 추정하는 GAT 스코어가 저장된 GAT 블랙리스트DB를 자동으로 생성 및 업데이트하도록 구성되는 것을 특징으로 하는 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 방법.
  7. 제6항에 있어서,
    고위험 지갑주소 서비스 서버가 가상자산 거래소 서버로부터 가상자산 지갑주소를 수신하고, 수신된 가상자산 지갑주소에 대한 위험도를 산출하여 상기 가상자산 거래소 서버로 응답하는 단계를 더 포함하도록 구성되는 것을 특징으로 하는 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 방법.
  8. 제7항에 있어서,
    고위험 지갑주소 관리 서버가 관리자 단말로부터 가상자산 지갑주소를 수신하고, 수신된 가상자산 지갑주소에 대한 위험도를 산출하여 상기 관리자 단말로 응답하는 단계를 더 포함하도록 구성되는 것을 특징으로 하는 GAT 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 방법.
KR1020230122305A 2023-09-14 2023-09-14 Gat 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템 및 방법 KR102629499B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230122305A KR102629499B1 (ko) 2023-09-14 2023-09-14 Gat 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230122305A KR102629499B1 (ko) 2023-09-14 2023-09-14 Gat 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102629499B1 true KR102629499B1 (ko) 2024-01-25

Family

ID=89721707

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230122305A KR102629499B1 (ko) 2023-09-14 2023-09-14 Gat 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102629499B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200073803A (ko) 2018-12-14 2020-06-24 주식회사 큐브시스템 블록체인 전자지갑 관리 시스템
KR102259838B1 (ko) * 2020-09-21 2021-06-02 한성대학교 산학협력단 암호화폐 블랙리스트 구축 장치 및 방법
KR102455870B1 (ko) * 2020-01-21 2022-10-18 고려대학교 산학협력단 암호화폐 지갑 주소의 클러스터링 기법
KR20230028439A (ko) 2020-06-26 2023-02-28 엔체인 라이센싱 아게 블록체인 네트워크에서 데이터를 유효성 검증하기 위한 방법 및 디바이스
KR20230097395A (ko) * 2021-12-24 2023-07-03 포항공과대학교 산학협력단 지식베이스 데이터 기반 스미싱 탐지 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200073803A (ko) 2018-12-14 2020-06-24 주식회사 큐브시스템 블록체인 전자지갑 관리 시스템
KR102455870B1 (ko) * 2020-01-21 2022-10-18 고려대학교 산학협력단 암호화폐 지갑 주소의 클러스터링 기법
KR20230028439A (ko) 2020-06-26 2023-02-28 엔체인 라이센싱 아게 블록체인 네트워크에서 데이터를 유효성 검증하기 위한 방법 및 디바이스
KR102259838B1 (ko) * 2020-09-21 2021-06-02 한성대학교 산학협력단 암호화폐 블랙리스트 구축 장치 및 방법
KR20230097395A (ko) * 2021-12-24 2023-07-03 포항공과대학교 산학협력단 지식베이스 데이터 기반 스미싱 탐지 방법 및 장치

Similar Documents

Publication Publication Date Title
US11630918B2 (en) Systems and methods of determining compromised identity information
CN109087079B (zh) 数字货币交易信息分析方法
CN110956547B (zh) 一种基于搜索引擎的实时识别欺诈团伙的方法及系统
CN112053221A (zh) 一种基于知识图谱的互联网金融团伙欺诈行为检测方法
Poursafaei et al. Detecting malicious Ethereum entities via application of machine learning classification
Da Rocha et al. Identifying bank frauds using CRISP-DM and decision trees
CN116305168B (zh) 一种多维度信息安全风险评估方法、系统及存储介质
CN111291015B (zh) 一种用户行为异常检测方法及装置
Lopez-Rojas et al. A review of computer simulation for fraud detection research in financial datasets
CN112053222A (zh) 一种基于知识图谱的互联网金融团伙欺诈行为检测方法
CN102999638A (zh) 基于网络群挖掘的钓鱼网站检测方法
CN113706100B (zh) 配电网物联终端设备实时探测识别方法与系统
Bai Phishing website detection based on machine learning algorithm
Nivedha et al. Improving phishing URL detection using fuzzy association mining
Alkawaz et al. Identification and analysis of phishing website based on machine learning methods
CN113886817A (zh) 主机入侵检测方法及装置、电子设备、存储介质
KR102629499B1 (ko) Gat 기반 가상자산 지갑주소 블랙리스트 데이터베이스 생성 시스템 및 방법
CN116827656A (zh) 网络信息安全防护系统及其方法
CN115599345A (zh) 一种基于知识图谱的应用安全需求分析推荐方法
Kumar et al. Preserving Security of Crypto Transactions with Machine Learning Methodologies
CN110855641B (zh) 社区属性信息确定方法、装置及存储介质
Hosseini et al. A hybrid approach for anomaly detection in the Internet of Things
CN115456390A (zh) 基于大数据的信息安全处理方法及系统
Nawafleh et al. Multi-class associative classification to predicting phishing websites
CN113112323A (zh) 基于数据分析的异常订单识别方法、装置、设备及介质

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant