CN111311416A - 一种基于多通道图和图神经网络的区块链洗钱节点检测方法 - Google Patents
一种基于多通道图和图神经网络的区块链洗钱节点检测方法 Download PDFInfo
- Publication number
- CN111311416A CN111311416A CN202010129239.4A CN202010129239A CN111311416A CN 111311416 A CN111311416 A CN 111311416A CN 202010129239 A CN202010129239 A CN 202010129239A CN 111311416 A CN111311416 A CN 111311416A
- Authority
- CN
- China
- Prior art keywords
- node
- graph
- block chain
- money laundering
- nodes
- 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.)
- Granted
Links
- 238000004900 laundering Methods 0.000 title claims abstract description 84
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000000547 structure data Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims abstract description 3
- 238000010586 diagram Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000011298 ablation treatment Methods 0.000 claims 1
- 238000004220 aggregation Methods 0.000 claims 1
- 230000002776 aggregation Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 claims 1
- 230000009471 action Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000002679 ablation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
Images
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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多通道图和图神经网络的区块链洗钱节点检测方法，包括：构建区块链节点的图结构模块，区块链节点图结构数据预处理模块，构建图卷积神经网络结构模块，区块链节点局部图结构训练模块，GCN分类模型测试与节点检测模块。本发明的区块链洗钱节点检测方法能够实现对区块链网络中洗钱节点进行初步判别、检测功能，为反洗钱行动提供了可靠的技术支持。
Description
技术领域
本发明属于区块链技术领域，具体涉及区块链节点洗钱交易和非洗钱交易节点的检测。
背景技术
随着2008年中本聪发表了《比特币：一种点对点的电子现金***》***，以区块链技术为核心，使得在线支付能够直接由一方发起并支付给另一方，中间不需要通过任何的金融投机构。这份文件被视为区块链的开端。区块链技术作为比特币的底层核心技术，随着比特币的火爆而迅速进入大众的视野。区块链为我们构建了去中心化的信用体系，并实现了价值在网络中的透明传播。信用是整个社会文明发展的基石，有了区块链技术为行业，乃至为社会信用背书，可以预见区块链将极大地改变我们的生活，同时也会促使社会向着公平公正方向发展。虽然去中心化的共识机制为我们带来了诸多好处：安全保障，政治中立，合规审查等等。但是由于在区块链网络里，用户身份是一串27-34位的字符，用户使用这个身份收发币，在保护好自己的真实身份和这串字符的对应关系的情况下，比特币交易时绝对匿名的，并且比特币作为一种数字资产，目前在部分国家可以用于支付，比如日本和德国。大部分商家通过第三方支付机构间接接受比特币，即买方购物支付比特币，第三方机构收到比特币后，立即兑换成法币，商家收到的是法币而不是比特币。这使得一些洗钱的被不法分子有机可乘，将非法所得资产匿名投入比特币市场，经过交易换成成合法得法币，完成洗钱操作，逃离法律的追溯。加密货币公司Elliptic发布了 Elliptic数据集，旨在识别与洗钱相关的加密货币交易。可见，从技术上监管虚拟货币市场，控制利用虚拟货币洗钱不法行为，是区块链安全技术发展的重要方向。
基于比特币区块链网络中每一个节点都是一个交易账户，本发明利用不同的账户身份有着不同的交易特征的特点，使用图数据结构和图卷积神经网络(简称GCN) 对区块链网络中洗钱节点和非洗钱节点进行分类。
在计算机科学中，图(Graph)是由顶点和边两部分组成的一种数据结构。由于图结构的强大表现力，用机器学习方法分析图的研究越来越受到重视。图卷积神经网络(GCN)是一类基于深度学习的处理图域信息的方法。由于其较好的性能和可解释性，GCN最近已成为一种广泛应用的图分析方法。本发明以Elliptic数据集做为GCN模型训练集和测试集，Elliptic数据集拥有20万笔比特币交易及23.4万条定向支付流(边)的时间序列图，其拥有166个节点特征，包括基于非公开数据的特征。用图结构多通道描述区块链节点间的交易数据特征，再利用消融处理等数据预处理得到核心节点交易数据矢量表示，最后利用GCN对数据进行训练得到洗钱节点与非洗钱节点分类模型，GCN分类模型将用于对区块链中未知节点进行洗钱、非洗钱判别，为比特币或其他币种合法交易监管起到辅助作用。
发明内容
本发明基于上述背景和现有技术所存在的问题，拟设计一种基于多通道图和图神经网络的区块链洗钱节点检测方法，其能够利用图数据结构和图卷积神经网络对区块链网络中洗钱节点和非洗钱节点进行训练，获得检测洗钱节点和非洗钱节点的分类模型。
为了实现本发明的这些目的和其它优点，提供了一种基于多通道图和图神经网络的区块链洗钱节点检测方法，利用多通道的图数据结构表达区块链节点交易，利用对图数据结构进行图卷积神经网络半监督学习的方法训练区块链节点交易数据，得到洗钱节点与非洗钱节点分类模型，利用分类模型对区块链节点进行洗钱行为检测，包括：构建区块链节点的图结构模块，区块链节点图结构数据预处理模块，构建图卷积神经网络结构模块，区块链节点局部图结构训练模块，GCN分类模型测试与节点检测模块。
优选的是，构建区块链节点的图结构模块，利用点和线的连接描述节点交易情况，构建区块链节点多通道图结构，其中，以节点的每笔交易的时间、金额、资产流向作为三个通道，形成与其他相邻节点的关系通道，体现节点与临近节点交易的特征。
优选的是，区块链节点图结构数据预处理模块，其中，首先对区块链节点图结构进行消融处理，形成以节点为核心的局部图结构的矢量表达，然后将核心节点所有交易信息按照通道拼接与节点自身潜在特征形成节点特征数据的矢量表达。
优选的是，区块链节点自身语义特征选取，其中，根据区块链节点洗钱活动的交易特点对区块链节点交易的汇总进行归纳、分解，提炼出区块链节点洗钱的洗钱特征，包括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，所述区块链节点局部图结构数据预处理模块按照时间顺序处理节点每月交易频率，节点交易对象ID和月交易总金额次数，形成矢量表达描述节点，同时，与节点局部图结构的通道数据共同构成核心节点的特征数据。
优选的是，构建图卷积神经网络结构模块，其中，构建图卷积神经网络结构模块构建一个两层的半监督节点分类GCN模型，输入训练数据集中区块链核心节点的特征数据对GCN模型进行学习训练，得到可以判别洗钱节点和非洗钱节点的GCN分类模型。
优选的是，区块链节点局部图结构训练模块，其中，在于神经网络的权重W(0)， W(1)通过梯度下降来进行训练。使用完整的数据集对每个训练迭代执行批量梯度下降(batchgradient descent)。并通过Dropout引入训练过程中的随机性，经过多次迭代得到GCN模型中的权重数值，从而的到可以判别洗钱节点和非洗钱节点的 GCN分类模型。
优选的是，GCN分类模型测试与节点检测模块，其中，对GCN模型的测试集中区块链节点进行是否为洗钱节点进行判断测试，对多通道图和图神经网络的区块链洗钱节点检测方法性能进行评估。
优选的是，GCN分类模型测试与节点检测模块，其中，可直接对区块链网络中未知节点进行洗钱与非洗钱检测分类，为洗钱节点的判断提供依据。
本发明至少包括以下有益效果：
(1)提出一种基于多通道图和图神经网络的区块链洗钱节点检测方法，为区块链节点的分析体提供了一种新思路。
(2)提出一种基于多通道图和图神经网络的区块链洗钱节点检测方法，为反比特币洗钱行动提供了一种效率高、解释性强的洗钱节点检测方法。
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为本发明原理结构示意图。
图2为本发明区块链节点图数据结构示意图。
图3为本发明卷积神经网络处理示意图。
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洗钱节点检测的方法，发明的原理结构如图1所示，具体步骤如下:
(1)在加密货币公司Elliptic发布了Elliptic数据集上构建基于区块链交易信息的图数据结构。将区块链的每一个节点作为图结构中的一个顶点，两个节点间交易的信息数据作为连接两个顶点的边线，如图2所示，为区块链网络节点的图结构示意图，A、B、C、D、E为图结构的顶点，代表区块链网络中A、B、C、D、E 五个顶点，顶点A与顶点B间的边线代表节点A与节点B交易信息的通道。本发明为了完整的描述节点间交易信息，使用多通道图结构描述节点间交易信息，即顶点间的一条边线包含了交易时间、资产流向、金额三个通道，如图3所示。
(2)对区块链网络的图数据结构进行预处理，为后续图卷积神经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，图数据结构通过邻接矩阵转变为数学问题。邻接矩阵可以用数学预研表示顶点间的相邻关系，用一个顺序表来存储顶点信息。
首先，在区块链网络中每个节点参与的交易是多个的、不同节点的，所以节点的图结构中包括多组三通道的边，本发明首先利用消融处理将节点邻接节点消除掉，形成由核心节点与节点多组通道组成的节点局部图结构。然后将每个节点的交易信息按照时间的顺序和通道类型进行拼接。
然后，根据区块链节点洗钱活动的交易特点对区块链节点交易的汇总进行归纳、分解，提炼出区块链节点洗钱的洗钱特征，包括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，所述区块链节点局部图结构数据预处理模块按照时间顺序处理节点每月交易频率，节点交易对象ID和月交易总金额次数，形成矢量表达描述节点，同时，与节点局部图结构的通道数据共同构成核心节点的特征数据。
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洗钱节点和非洗钱接待你进行贴标签，形成GCN模型的训练集、测试集，其中训练集占整体数据集的70％，测试集占数据集的30％。
(3)构建图卷积神经网络结构，本发明构建一个两层的半监督节点分类GCN 模型，如图3所示，卷积神经网络处理示意图，输入层拥有C个输入，中间有两层隐藏层，在输出层有F个特征映射，图的结构(边用黑线表示)在层之间共享，标签用Yi表示，本发明中标签只有洗钱节点和非洗钱节点两种。
预处理时先计算
其中，A为图的邻接矩阵，即表示任意两个顶点之间的邻接关系，邻接则为1，不邻接则为0。D为邻接矩阵的度矩阵，对角线上的元素是顶点的度，即该元素链接的元素的个数，令
IN为单位矩阵。则图卷积网络公式
其中，权重W(0)∈C×H为输入层到隐藏层的权值矩阵；
同理，权重W(1)∈C×H为隐藏层到输出层的权值矩阵。
Softmax定义为
softmax函数
假设原始的神经网络的输出为y1,y2,…,y3，那么经过Softmax回归处理之后的把神经网络的输出也变成了一个概率分布，从而可以通过交叉熵来计算预测的概率分布和真实答案的概率分布之间的距离。
对于半监督多类别分类，评估所有标记标签的交叉熵误差：
其中，yL为带标签的节点集。
(4)区块链节点局部图结构GCN模型的训练，预处理后的的训练集输入GCN 模型进行学习训练，神经网络的权重W(0)，W(1)通过梯度下降来进行训练，使用经过预处理后的完整的数据集对每个训练迭代执行批量梯度下降(batch gradient descent)。通过Dropout引入训练过程中的随机性，经过多次迭代得到GCN模型中的权重数值，从而的到可以判别洗钱节点和非洗钱节点的GCN分类模型。
(5)对GCN分类模型测试和节点检测，首先，将测试集中节点的图数据结构经过预处理输入已经训练好的GCN模型，然后，输出测试集中节点是否属于洗钱节点，最后，将测试集中节点真实类型与预测类型进行比对，评估GCN模型的性能。同时区块链中未知节点进行洗钱与非洗钱检测分类。
这里说明的模块数量和处理规模是用来简化本发明的说明的。对本发明的的应用、修改和变化对本领域的技术人员来说是显而易见的。
综上所述，本发明提供的基于多通道图和图神经网络的区块链洗钱节点检测方法为消除利用比特币洗钱提供了一种技术支持，本发明利用多通道图数据结构的强大表现力描述区块链网络中节点的交易情况，又利用图卷积神经网络对公开区块链节点进行训练，得到洗钱、非洗钱GCN分类模型，提高了对节点筛查的效率，同时增加了判别的可解释性。
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 (8)
1.一种基于多通道图和图神经网络的区块链洗钱节点检测方法，其特征在于，利用多通道的图数据结构表达区块链节点交易，利用对图数据结构进行图卷积神经网络半监督学习的方法训练区块链节点交易数据，得到洗钱节点与非洗钱节点分类模型，利用GCN分类模型对区块链节点进行洗钱行为检测，包括：
构建区块链节点的图结构模块，其用于根据区块链节点的性质和交易数据对区块链网络中节点构建图结构；
区块链节点图结构数据预处理模块，其用于区块链节点图结构数据的预处理，对节点的数据进行形式化汇总，满足图卷积神经网络的输入要求，服务于后续的GCN模型训练；
构建图卷积神经网络结构模块，其用于构建区块链节点洗钱节点与非洗钱节点GCN分类模型，其中包括输入层、隐藏层和输出层的函数设置和层数，决定预处理后的数据经过的运算过程；
区块链节点局部图结构训练模块，将对预处理后的节点数据分批次输入所述的图卷积神经网络结构，进行特征抽取、聚合和大量迭代得到区块链节点洗钱节点与非洗钱分类模型的所有参数；
GCN分类模型测试与节点检测模块，用于对GCN区块链洗钱节点分类模型进行性能进行评估，并对未知节点进行洗钱与非洗钱检测分类。
2.根据权利要求1所述的基于多通道图和图神经网络的区块链洗钱节点检测方法，其特征在于，所述的构建区块链节点的图结构模块进行如下步骤：
(1)收集、处理区块链节点与钱相关的交易特征的数据；
(2)利用多通道图结构描述节点交易情况。
3.根据权利要求2所述的基于多通道图和图神经网络的区块链洗钱节点检测方法，其特征在于，步骤(1)中包括：
(1-1)统计节点的每笔交易的时间、金额、资产流向，作为节点与其他节点交易关系特征；
(1-2)汇总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，作为节点自身内在特征；
(1-3)按照时间顺序描述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，存储为矩阵形式表达，构建出区块链节点交易内在特征数据矩阵。
4.根据权利要求2所述的基于多通道图和图神经网络的区块链洗钱节点检测方法，其特征在于，步骤(2)中包括：以节点的每笔交易的时间、金额、产流向作为三个通道，作为与其他相邻节点的关系通道，描述区块链网络中节点与节点资间交易的特征，最终构成区块链网络中节点的交易关系多通道图结构。
5.根据权利要求1所述的基于多通道图和图神经网络的区块链洗钱节点检测方法，其特征在于，所述区块链节点图结构数据预处理模块进行如下步骤：
(i)对区块链节点图结构进行消融处理，形成以节点为核心的局部图结构的矢量表达；其中，区块链节点图结构，可根据图数据结构性质可将图结构转换为邻接矩阵，多通道图结构转换为数学矩阵描述节点间交易情况。
(ii)将核心节点所有交易信息按照通道拼接与区块链节点交易内在特征数据矩阵构成节点特征数据的矢量表达；
(iii)对公开数集中区块链节点按照洗钱节点和非洗钱节点贴标签，形成GCN模型的训练集、测试集。
6.根据权利要求1所述的基于多通道图和图神经网络的区块链洗钱节点检测方法，其特征在于，所述图卷积神经网络结构模块是构建一个两层的半监督节点分类GCN模型，输入训练数据集中区块链核心节点的特征数据对GCN模型进行学习训练，得到判别洗钱节点和非洗钱节点的GCN分类模型。
7.根据权利要求1所述的基于多通道图和图神经网络的区块链洗钱节点检测方法，其特征在于，图卷积神经网络中的权重通过梯度下降来进行训练，经过多次迭代训练出GCN模型全部参数。
8.根据权利要求1所述的基于多通道图和图神经网络的区块链洗钱节点检测方法，其特征在于，GCN分类模型测试与节点检测模块对GCN模型的测试集中区块链节点进行是否为洗钱节点进行判断测试，对多通道图和图神经网络的区块链洗钱节点检测方法性能进行评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010129239.4A CN111311416B (zh) | 2020-02-28 | 2020-02-28 | 一种基于多通道图和图神经网络的区块链洗钱节点检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010129239.4A CN111311416B (zh) | 2020-02-28 | 2020-02-28 | 一种基于多通道图和图神经网络的区块链洗钱节点检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111311416A true CN111311416A (zh) | 2020-06-19 |
| CN111311416B CN111311416B (zh) | 2024-01-23 |
Family
ID=71162021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010129239.4A Active CN111311416B (zh) | 2020-02-28 | 2020-02-28 | 一种基于多通道图和图神经网络的区块链洗钱节点检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111311416B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112396160A (zh) * | 2020-11-02 | 2021-02-23 | 北京大学 | 基于图神经网络的交易欺诈检测方法及*** |
| CN112616074A (zh) * | 2021-03-08 | 2021-04-06 | 武汉斗鱼鱼乐网络科技有限公司 | 目标团体识别方法及电子设备 |
| CN112862493A (zh) * | 2021-01-27 | 2021-05-28 | 中山大学 | 一种智能庞氏骗局检测方法、装置、终端及存储介质 |
| CN113076464A (zh) * | 2021-04-13 | 2021-07-06 | 国家计算机网络与信息安全管理中心 | 基于重构编码异常检测的多通道网络线索发现方法与装置 |
| CN113283902A (zh) * | 2021-06-11 | 2021-08-20 | 浙江工业大学 | 一种基于图神经网络的多通道区块链钓鱼节点检测方法 |
| CN113469816A (zh) * | 2021-09-03 | 2021-10-01 | 浙江中科华知科技股份有限公司 | 基于多组学技术的数字货币识别方法、***和存储介质 |
| CN113657896A (zh) * | 2021-08-20 | 2021-11-16 | 成都链安科技有限公司 | 一种基于图神经网络的区块链交易拓扑图分析方法和装置 |
| CN114240659A (zh) * | 2021-12-17 | 2022-03-25 | 电子科技大学 | 一种基于动态图卷积神经网络的区块链异常节点识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101936759B1 (ko) * | 2018-07-27 | 2019-01-11 | 주식회사 미탭스플러스 | Kyc 블록체인을 이용한 kyc 수행 장치 및 방법 |
| WO2019157946A1 (zh) * | 2018-02-13 | 2019-08-22 | 阿里巴巴集团控股有限公司 | 一种反洗钱方法、装置及设备 |
| US20190279215A1 (en) * | 2018-03-07 | 2019-09-12 | Coral Protocol | Blockchain transaction safety |
| CN110400220A (zh) * | 2019-07-23 | 2019-11-01 | 上海氪信信息技术有限公司 | 一种基于半监督图神经网络的智能可疑交易监测方法 |
| CN110717828A (zh) * | 2019-09-09 | 2020-01-21 | 中国科学院计算技术研究所 | 一种基于频繁交易模式的异常账户检测方法及*** |
| US20200045066A1 (en) * | 2018-07-31 | 2020-02-06 | DataVisor, Inc. | Online user behavior analysis service backed by deep learning models trained on shared digital information |
-
2020
- 2020-02-28 CN CN202010129239.4A patent/CN111311416B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019157946A1 (zh) * | 2018-02-13 | 2019-08-22 | 阿里巴巴集团控股有限公司 | 一种反洗钱方法、装置及设备 |
| US20190279215A1 (en) * | 2018-03-07 | 2019-09-12 | Coral Protocol | Blockchain transaction safety |
| KR101936759B1 (ko) * | 2018-07-27 | 2019-01-11 | 주식회사 미탭스플러스 | Kyc 블록체인을 이용한 kyc 수행 장치 및 방법 |
| US20200045066A1 (en) * | 2018-07-31 | 2020-02-06 | DataVisor, Inc. | Online user behavior analysis service backed by deep learning models trained on shared digital information |
| CN110400220A (zh) * | 2019-07-23 | 2019-11-01 | 上海氪信信息技术有限公司 | 一种基于半监督图神经网络的智能可疑交易监测方法 |
| CN110717828A (zh) * | 2019-09-09 | 2020-01-21 | 中国科学院计算技术研究所 | 一种基于频繁交易模式的异常账户检测方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| STEFANO FERRETTI等: "On the Ethereum blockchain structure: A complex networks theory perspective", CONCURRENCY COMPUTAT PRACT EXPER. * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112396160A (zh) * | 2020-11-02 | 2021-02-23 | 北京大学 | 基于图神经网络的交易欺诈检测方法及*** |
| WO2022088408A1 (zh) * | 2020-11-02 | 2022-05-05 | 南京博雅区块链研究院有限公司 | 基于图神经网络的交易欺诈检测方法及*** |
| CN112862493A (zh) * | 2021-01-27 | 2021-05-28 | 中山大学 | 一种智能庞氏骗局检测方法、装置、终端及存储介质 |
| CN112616074A (zh) * | 2021-03-08 | 2021-04-06 | 武汉斗鱼鱼乐网络科技有限公司 | 目标团体识别方法及电子设备 |
| CN112616074B (zh) * | 2021-03-08 | 2021-05-28 | 武汉斗鱼鱼乐网络科技有限公司 | 目标团体识别方法及电子设备 |
| CN113076464A (zh) * | 2021-04-13 | 2021-07-06 | 国家计算机网络与信息安全管理中心 | 基于重构编码异常检测的多通道网络线索发现方法与装置 |
| CN113076464B (zh) * | 2021-04-13 | 2022-07-22 | 国家计算机网络与信息安全管理中心 | 基于重构编码异常检测的多通道网络线索发现方法与装置 |
| CN113283902A (zh) * | 2021-06-11 | 2021-08-20 | 浙江工业大学 | 一种基于图神经网络的多通道区块链钓鱼节点检测方法 |
| CN113657896A (zh) * | 2021-08-20 | 2021-11-16 | 成都链安科技有限公司 | 一种基于图神经网络的区块链交易拓扑图分析方法和装置 |
| CN113469816A (zh) * | 2021-09-03 | 2021-10-01 | 浙江中科华知科技股份有限公司 | 基于多组学技术的数字货币识别方法、***和存储介质 |
| CN114240659A (zh) * | 2021-12-17 | 2022-03-25 | 电子科技大学 | 一种基于动态图卷积神经网络的区块链异常节点识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111311416B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111311416A (zh) | 一种基于多通道图和图神经网络的区块链洗钱节点检测方法 | |
| Ma et al. | Financial credit risk prediction in internet finance driven by machine learning | |
| Tang et al. | A pruning neural network model in credit classification analysis | |
| Chen et al. | Predicting default risk on peer-to-peer lending imbalanced datasets | |
| CN106529729A (zh) | 基于BP_Adaboost模型的***用户违约的预测方法及*** | |
| CN110084610A (zh) | 一种基于孪生神经网络的网络交易欺诈检测*** | |
| Suryanarayana et al. | Machine learning approaches for credit card fraud detection | |
| CN106960387A (zh) | 个人信用风险评估方法及*** | |
| CN108492001A (zh) | 一种用于担保贷款网络风险管理的方法 | |
| Sekhar Vorugunti et al. | DeepFuseOSV: online signature verification using hybrid feature fusion and depthwise separable convolution neural network architecture | |
| CN110084609A (zh) | 一种基于表征学习的交易欺诈行为深度检测方法 | |
| CN114240659A (zh) | 一种基于动态图卷积神经网络的区块链异常节点识别方法 | |
| Alhazmi et al. | A survey of credit card fraud detection use machine learning | |
| Kataria et al. | Internet banking fraud detection using deep learning based on decision tree and multilayer perceptron | |
| Liu et al. | An innovative model fusion algorithm to improve the recall rate of peer-to-peer lending default customers | |
| Lacruz et al. | Applications of machine learning in fintech credit card fraud detection | |
| CN112330328A (zh) | 一种基于特征提取的***欺诈检测方法 | |
| Wang et al. | Joint loan risk prediction based on deep learning‐optimized stacking model | |
| Rawat et al. | Artificial Narrow Intelligence Techniques in Intelligent Digital Financial Inclusion System for Digital Society | |
| Nijwala et al. | Extreme gradient boost classifier based credit card fraud detection model | |
| Kadam et al. | Loan approval prediction system using logistic regression and CIBIL score | |
| Xiao et al. | Explainable fraud detection for few labeled time series data | |
| Teng et al. | Leveraging adversarial augmentation on imbalance data for online trading fraud detection | |
| Ali et al. | SMOTE Based Credit Card Fraud Detection Using Convolutional Neural Network | |
| Oztas et al. | Enhancing Anti-Money Laundering: Development of a Synthetic Transaction Monitoring Dataset |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |