CN113657896A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113657896A CN113657896A CN202110961743.5A CN202110961743A CN113657896A CN 113657896 A CN113657896 A CN 113657896A CN 202110961743 A CN202110961743 A CN 202110961743A CN 113657896 A CN113657896 A CN 113657896A
- Authority
- CN
- China
- Prior art keywords
- target fund
- fund transaction
- nodes
- subgraph
- transaction network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000013138 pruning Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 17
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011217 control strategy Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000004900 laundering Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 244000141353 Prunus domestica Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Computer Security & Cryptography (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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,方法包括:获取区块链目标资金交易网络子图;对目标资金交易网络子图进行交易行为特征抽取;对目标资金交易网络子图进行部分节点标签赋予;采用深度图神经网络模型对目标资金交易网络子图中所有节点进行向量训练;根据目标资金交易网络子图中所有节点的特征向量,获取目标资金交易网络子图中未知标签节点的标签;根据目标资金交易网络子图中所有节点标签与业务剪枝策略,得到目标资金交易网络剪枝后的违法资金交易路径。本发明采用了深度图神经网络结合业务策略实现违法交易关键路径提取,提高了识别结果的准确性,有助于协助执法部门对违法交易的快速识别。
Description
技术领域
本发明属于区块链虚拟货币反洗钱技术领域,具体涉及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。
背景技术
在区块链链上交易中,传销、诈骗、洗钱等违法案件屡见不鲜,对金融机构与地区金融安全造成了越来越严重的威胁。区块链海量账户地址发散且匿名,导致区块链违法交易模式复杂且隐蔽。如何从海量动态匿名交易网络中,有效锁定并提取违法交易路径是一个亟待解决的问题。
现有违法交易分析方法中,绝大多数的方法都是从警方或受害人提供线索介入,基于预先设定的违法交易业务规则进行分析。虽然这些业务规则能够帮助发现一些异常的违法行为,但由于区块链账户地址海量且发散,交易行为复杂且隐蔽,存在地址分析与预警甄别处理耗时耗力的问题。此外,由于交易网络可能无限延伸,根据业务规则进行交易网络分析,无法有效确定目标交易网络边界,无法有效过滤掉冗余信息。
目前识别违法交易相关地址和交易行为的方法主要分为三类:一类是基于交易金额、交易时间戳等信息设置一组规则用于识别可能的异常交易;这类方法自动化程度不高,识别的准确度依赖专家经验和规则设置的准确度。一类是采用传统机器学习方法对区块链地址做聚类和分类,从而根据人工识别的少量异常地址信息,识别出更多同类异常交易,但是通过广义的线性回归或者决策树模型都无法直接应用图数据上,其次无论是回归模型还是决策树模型都十分依赖人为特征工程,因此难以得到较好的聚类和分类效果。一类是根据目标节点从原始交易图数据中抽取交易网络子图,将子图数据输入到网络模型进行交易节点的特征向量训练,最后将目标向量放入二分类模型中进行虚假交易识别,但是在抽取目标网络子图过程中没有对节点进行过滤剪枝,导致网络子图包含交易节点较多,交易节点特征抽取效率过低。此外,上述图神经网络训练过后的向量进行二分类识别也不适用于多分类的交易网络节点身份的识别。
发明内容
为了解决现有技术无法高效识别区块链上的违法交易行为、无法进行违法交易定位、无法有效识别出违法案件中的资金来源与流向的问题,本发明提供了一种基于图神经网络的区块链交易拓扑图分析方法。本发明采用了深度图神经网络结合业务策略实现违法交易关键路径提取,提高了识别结果的准确性,有助于协助执法部门对违法交易的快速识别。
本发明通过下述技术方案实现:
一种基于图神经网络的区块链交易拓扑图分析方法,包括:
获取区块链目标资金交易网络子图;
对所述目标资金交易网络子图进行交易行为特征抽取;
对所述目标资金交易网络子图进行部分节点标签赋予;
采用深度图神经网络模型对所述目标资金交易网络子图中所有节点进行向量训练;
根据所述目标资金交易网络子图中所有节点的特征向量,获取所述目标资金交易网络子图中未知标签节点的标签;
根据所述目标资金交易网络子图中所有节点标签与业务剪枝策略,得到目标资金交易网络剪枝后的违法资金交易路径。
本发明通过预先设定的图特征进行过滤,对目标资金网络中的节点进行筛选,提取链上交易路径构成交易网络子图,然后采用深度图神经网络算法对目标资金交易网络子图中的节点进行向量表征,计算出节点与已知标签节点的相似性,结合业务规则进行子图网络的有效剪枝,进而识别并提取出链上违法交易路径,解决了现有方法无法高效识别涉案资金来源与流向的问题。
优选的,本发明获取区块链目标资金交易网络子图步骤包括:
获取全量区块链交易网络拓扑图;
根据预设图特征的风控策略从全量区块链交易网络拓扑图提取目标资金交易网络子图。
优选的,本发明对所述目标资金交易网络子图进行交易行为特征抽取步骤包括:
对所述目标资金交易网络子图所有节点进行节点交易行为和节点之间的交易关系数据特征提取。
优选的,本发明对所述目标资金交易网络子图进行部分节点标签赋予步骤包括:
根据第三方开源网站的爬虫地址标签库,获取所述目标资金交易网络子图中部分节点的标签;
根据用户或警方提供的线索获取所述目标资金交易网络子图中部分节点的标签。
优选的,本发明采用深度图神经网络模型对所述目标资金交易网络子图中所有节点进行向量训练步骤包括:
将提取的所述目标资金交易网络子图以及抽取的节点交易行为特征输入到深度图神经网络模型;
进行深度图神经网络模型训练,生成所述目标资金交易网络子图所有节点的聚合向量,从而得到所述目标资金交易网络子图中所有节点的目标特征向量。
优选的,本发明的进行深度图神经网络模型训练,生成所述目标资金交易网络子图所有节点的聚合向量步骤具体包括:
S1,从所述目标资金交易网络子图中选取一节点作为当前节点;
S2,对当前节点的邻居节点进行邻居采样;
S3,通过当前节点采样指定数量的邻居节点并进行特征聚合,采用聚合得到的特征更新当前节点的特征,即将聚合特征向量作为当前节点的目标特征向量;
S4,选取所述目标资金交易网络子图中的另一节点作为当前节点,重复步骤S2-S3,直到生成该交易网络图G(V,E)中所有节点的目标特征向量。
优选的,本发明根据所述目标资金交易网络子图中所有节点的特征向量,获取所述目标资金交易网络子图中未知标签节点的标签步骤包括:
根据深度图神经网络聚合得到的节点目标特征向量,将未知标签节点与已知标签节点进行相似度计算或距离计算;
根据预设相似度阈值或距离阈值,获取所述目标资金交易网络子图中未知标签节点的标签。
第二方面,本发明提出了一种基于图神经网络的区块链交易拓扑图分析装置,包括获取单元、特征提取单元、标注单元、模型训练单元、分类单元和识别单元;
所述获取单元获取全量区块链交易网络拓扑图,并根据预设图特征的风控策略从全量区块链交易网络拓扑图提取目标资金交易网络子图;
所述特征提取单元对所述目标资金交易网络子图进行特征抽取;
所述标注单元对所述目标资金交易网络子图中的部分节点进行标签赋予;
所述模型训练单元采用深度图神经网络模型对所述目标资金交易网络子图中所有节点进行向量训练,得到所述目标资金交易网络子图所有节点的目标特征向量;
所述分类单元根据所述目标资金交易网络子图所有节点的目标特征向量,获取该目标资金交易网络子图中所有未知标签节点的标签;
所述识别单元根据所述目标资金交易网络子图所有节点标签与业务剪枝策略,得到目标资金交易网络剪枝后的违法资金交易路径。
第三方面,本发明提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现本发明所述方法的步骤。
第四方面,本发明提出了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本发明所述方法的步骤。
本发明具有如下的优点和有益效果:
1、本发明根据基于图特征的风控策略进行违法目标资金交易网络结构的预抽取,然后再应用指定的图神经网络进行节点特征向量的学习并进行关键违法路径的提取,网络结构的预抽取,缩小了检索目标节点的范围,提高了特征数据抽取与模型训练的时效。
2、本发明采用了深度图神经网络对目标资金交易网络进行了训练,能够对网络中的节点进行分门别类,结合业务策略对目标资金网络进行剪枝提取违法交易的关键路径,提高了识别结果的准确性,有助于协助执法部门对违法交易的快速识别,提高破案效率。
3、本发明采用图学习算法结合业务场景进行违法案件资金交易的资金来源与流出路径的识别,在算法上采用能够契合业务场景的深度图神经网络算法进行图网络节点的特征向量训练,使得节点既能学习到自身交易信息,也能到邻居节点的交易信息,而不丢失网络结构信息。然后根据部分区块链地址标签对交易网络未知地址进行标签识别;同时结合业务规则,对算法的学习结果进行业务场景下的地址标签的再次判定,提升模型结果的准确性,更加准确的提取出违法案件资金交易的资金来源与流出路径。
4、本发明采用模型判别结果同业务策略相结合,可以有效弥补模型识别的不足,有效识别出链上其他交易特征的违法地址。相较于其他的图卷积神经网络模型,深度图神经网络可进行模型迁移,能够处理动态变动的交易网络图,适用范围较广。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明的方法流程示意图。
图2为交易网络关系图。
图3为违法资金关键路径图。
图4为违法交易网络识别流程结构图。
图5为本发明的计算机设备结构示意图。
图6为本发明的装置原理框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
本实施例提出了一种基于图神经网络的区块链交易拓扑图分析方法,如图1 所示,本实施例的方法包括:
步骤101,获取区块链目标资金交易网络子图。
本实施例根据获取的案情线索,在全量区块链交易网络拓扑图中根据预设图特征的风控策略(例如交易节点出金或入金占比、出度与入度等特征)进行节点的分析与过滤,剔除不必要且非主要资金链路的路径,得到目标嫌疑资金的交易网络子图,如图2所示,提取指定步长内(步长=3)与违法节点A相关的其他可能违法账户节点。本实施例获取的目标资金交易网络子图为涉嫌违法的资金交易网络子图。
本实施例结合风控策略对违法目标资金交易网络结构的预抽取,通过特定的业务规则(比如资金流入交易所,那么交易所的资金流入地址就是充币地址类别),增加了部分交易节点的身份识别,促进后续未知标签交易节点的标签更准确更符合业务场景(即让目标资金交易网络子图更加贴近业务),同时减少了交易网络子图的规划,提高后续特征数据抽取的时效。
步骤102,对该目标资金交易网络子图进行交易行为特征抽取。
本实施例对目标嫌疑资金的交易网络子图的所有节点进行节点交易行为与节点之间的交易关系数据特征提取,采用数据统计手段,抽取更能够解释业务场景的字段,例如地址余额、转入金额、转出金额、平均每笔转入金额、平均每笔转出金额、出度、入度等区块链地址交易行为特征数据,两个节点的关系数据表示节点之间的交易边。
步骤103,对该目标资金交易网络子图进行部分节点标签赋予。
本实施例根据第三方开源网站的爬虫地址标签库、用户与警方提供的线索对该目标嫌疑资金交易网络子图进行部分节点标签赋予,标签类别为警方或用户提供线索中的违法地址与用户受害地址、交易所热钱包地址、交易所充币地址、混币地址、暗网地址等,其他未标注的节点作为待识别节点。
步骤104,采用深度图神经网络模型对该目标资金交易网络子图中所有节点进行向量训练。
本实施例根据节点的行为特征数据与节点间的关系数据,采用深度图神经网络模型对该目标资金交易网络进行模型训练,得到所有节点的向量特征 embedding。
本实施例的训练过程具体包括:
步骤201,将步骤101提取出来的目标资金交易网络子图G(V,E)与步骤102 抽取的节点交易特征作为深度图神经网络模型的输入数据。
步骤202,进行深度图神经网络模型训练,生成该目标资金交易网络子图 G(V,E)所有节点的聚合向量,包括以下子步骤:
步骤301,对当前节点的邻居节点进行邻居采样。以当前节点为目标聚合节点,当K=1时,表示只采样当前节点的一跳邻居节点;当K=2时,表示采样当前节点的一跳与二跳邻居节点;以此类推。其中,K表示采样层数。
步骤302,通过当前节点采样指定数量的邻居节点并预设聚合方法(例如均值处理技术、LSTM技术等)进行特征聚合,采用聚合得到的特征更新当前节点的特征,即将聚合特征向量作为当前节点的目标特征向量。本实施例在对违法交易调查过程中,目标资金交易图结构总是动态变化的,时不时会有新的节点加入,当图中有新的节点加入时,聚合方式的提出可以使深度图神经网络无需重复训练,便获取最新的节点特征向量表示。
步骤303,选取目标资金交易网络子图G(V,E)中的另一节点作为当前节点,重复步骤301-步骤302,直到生成该目标资金交易网络子图G(V,E)中所有节点的目标特征向量。
步骤105,获取该目标资金交易网络子图中未知标签节点的标签。
本实施例具体包括:
步骤401,根据深度图神经网络聚合得到的节点特征向量,将待识别节点与已知标签节点进行相似度计算或距离计算;
步骤402,根据预设的相似度阈值或距离阈值,获取该目标资金交易网络子图中未知标签节点的标签;
步骤403,选取另一待识别节点,重复步骤401-步骤402,直到获取该目标资金交易网络子图中所有未知标签节点(即待识别节点)的标签,即实现该目标资金交易网络子图中所有节点的分类。
步骤106,获取该目标资金交易网络子图剪枝后的违法资金交易路径。
本实施例结合目标资金交易网络子图中的节点标签与业务剪枝策略,得到目标资金交易网络剪枝后的违法资金交易路径,如图3所示,以违法交易节点A 为例,获取该节点A的所有相关节点,根据违法交易业务规则(例如,诈骗账户通常是通过中间账户实现资金的转移),对节点A的关联节点进行剪枝(如图 3中所述的颜色最浅的***9个节点),获得节点A的关键资金交易路径(如图 3中所述的颜色较深的7个节点网络)。
如图4所示的区块链违法交易案件中的经典场景,其业务规则是:交易关系来源于全节点,展示了违法案件中的局部典型资金交易,其中α1,α2,…,α11均为交易地址。业务上,违法资金的最终流向必定是交易所的充币地址α10,最终到达交易所进行资金变现。基于这一特性,可以有效找出链上的已知报案违法地址α7的资金转移地址α9;基于图节点特征向量的相似性,能够有效找出具有同样欺诈特性的地址α8。因此,在违法交易链中,根据业务策略与图学习算法相结合的方式,能够有效找出违法交易路径,最终得到违法资金关键路径的交易网络子图。
本实施例还提出了一种计算机设备,用于执行本实施例的上述方法。
具体如图5所示,计算机设备包括处理器、内存储器和***总线;内存储器和处理器在内的各种设备组件连接到***总线上。处理器是一个用来通过计算机***中基本的算术和逻辑运算来执行计算机程序指令的硬件。内存储器是一个用于临时或永久性存储计算程序或数据(例如,程序状态信息)的物理设备。***总线可以为以下几种类型的总线结构中的任意一种,包括存储器总线或存储控制器、外设总线和局部总线。处理器和内存储器可以通过***总线进行数据通信。其中内存储器包括只读存储器(ROM)或闪存(图中未示出),以及随机存取存储器(RAM),RAM通常是指加载了操作***和计算机程序的主存储器。
计算机设备一般包括一个外存储设备。外存储设备可以从多种计算机可读介质中选择,计算机可读介质是指可以通过计算机设备访问的任何可利用的介质,包括移动的和固定的两种介质。例如,计算机可读介质包括但不限于,闪速存储器(微型SD卡),CD-ROM,数字通用光盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备,或者可用于存储所需信息并可由计算机设备访问的任何其它介质。
计算机设备可在网络环境中与一个或者多个网络终端进行逻辑连接。网络终端可以是个人电脑、服务器、路由器、智能电话、平板电脑或者其它公共网络节点。计算机设备通过网络接口(局域网LAN接口)与网络终端相连接。局域网(LAN)是指在有限区域内,例如家庭、学校、计算机实验室、或者使用网络媒体的办公楼,互联组成的计算机网络。WiFi和双绞线布线以太网是最常用的构建局域网的两种技术。
应当指出的是,其它包括比计算机设备更多或更少的子***的计算机***也能适用于发明。
如上面详细描述的,适用于本实施例的计算机设备能执行区块链交易拓扑图分析方法的指定操作。计算机设备通过处理器运行在计算机可读介质中的软件指令的形式来执行这些操作。这些软件指令可以从存储设备或者通过局域网接口从另一设备读入到存储器中。存储在存储器中的软件指令使得处理器执行上述的群成员信息的处理方法。此外,通过硬件电路或者硬件电路结合软件指令也能同样实现本发明。因此,实现本实施例并不限于任何特定硬件电路和软件的组合。
实施例2
本实施例提出了一种基于图神经网络的区块链交易拓扑图分析装置,如图6 所示,本实施例的装置包括:获取单元、特征提取单元、标注单元、模型训练单元、分类单元、识别单元。
其中,获取单元获取全量区块链交易网络拓扑图,并根据预设图特征的风控策略从全量区块链交易网络拓扑图提取目标资金交易网络子图。
特征提取单元对该目标资金交易网络子图进行特征抽取,包括节点交易行为特征和节点之间的关系特征提取。
标注单元对该目标资金交易网络子图中的部分节点进行标签赋予,未标注的节点作为待识别节点。
模型训练单元采用深度图神经网络模型对该目标资金交易网络子图中所有节点进行向量训练,得到该目标资金交易网络子图所有节点的目标特征向量。
分类单元根据目标资金交易网络子图所有节点的目标特征向量,获取该目标资金交易网络子图中所有未知标签节点(即待识别节点)的标签,实现该目标资金交易网络子图中所有节点的分类。
识别单元根据目标资金交易网络子图所有节点标签与业务剪枝策略,得到目标资金交易网络剪枝后的违法资金交易路径。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图神经网络的区块链交易拓扑图分析方法,其特征在于,包括:
获取区块链目标资金交易网络子图;
对所述目标资金交易网络子图进行交易行为特征抽取;
对所述目标资金交易网络子图进行部分节点标签赋予;
采用深度图神经网络模型对所述目标资金交易网络子图中所有节点进行向量训练;
根据所述目标资金交易网络子图中所有节点的特征向量,获取所述目标资金交易网络子图中未知标签节点的标签;
根据所述目标资金交易网络子图中所有节点标签与业务剪枝策略,得到目标资金交易网络剪枝后的违法资金交易路径。
2.根据权利要求1所述的一种基于图神经网络的区块链交易拓扑图分析方法,其特征在于,获取区块链目标资金交易网络子图步骤包括:
获取全量区块链交易网络拓扑图;
根据预设图特征的风控策略从全量区块链交易网络拓扑图提取目标资金交易网络子图。
3.根据权利要求1所述的一种基于图神经网络的区块链交易拓扑图分析方法,其特征在于,对所述目标资金交易网络子图进行交易行为特征抽取步骤包括:
对所述目标资金交易网络子图所有节点进行节点交易行为和节点之间的交易关系数据特征提取。
4.根据权利要求1所述的一种基于图神经网络的区块链交易拓扑图分析方法,其特征在于,对所述目标资金交易网络子图进行部分节点标签赋予步骤包括:
根据第三方开源网站的爬虫地址标签库,获取所述目标资金交易网络子图中部分节点的标签;
根据用户或警方提供的线索获取所述目标资金交易网络子图中部分节点的标签。
5.根据权利要求1所述的一种基于图神经网络的区块链交易拓扑图分析方法,其特征在于,采用深度图神经网络模型对所述目标资金交易网络子图中所有节点进行向量训练步骤包括:
将提取的所述目标资金交易网络子图以及抽取的节点交易行为特征输入到深度图神经网络模型;
进行深度图神经网络模型训练,生成所述目标资金交易网络子图所有节点的聚合向量,从而得到所述目标资金交易网络子图中所有节点的目标特征向量。
6.根据权利要求5所述的一种基于图神经网络的区块链交易拓扑图分析方法,其特征在于,进行深度图神经网络模型训练,生成所述目标资金交易网络子图所有节点的聚合向量步骤具体包括:
S1,从所述目标资金交易网络子图中选取一节点作为当前节点;
S2,对当前节点的邻居节点进行邻居采样;
S3,通过当前节点采样指定数量的邻居节点并进行特征聚合,采用聚合得到的特征更新当前节点的特征,即将聚合特征向量作为当前节点的目标特征向量;
S4,选取所述目标资金交易网络子图中的另一节点作为当前节点,重复步骤S2-S3,直到生成该交易网络图G(V,E)中所有节点的目标特征向量。
7.根据权利要求1所述的一种基于图神经网络的区块链交易拓扑图分析方法,其特征在于,根据所述目标资金交易网络子图中所有节点的特征向量,获取所述目标资金交易网络子图中未知标签节点的标签步骤包括:
根据深度图神经网络聚合得到的节点目标特征向量,将未知标签节点与已知标签节点进行相似度计算或距离计算;
根据预设相似度阈值或距离阈值,获取所述目标资金交易网络子图中未知标签节点的标签。
8.一种基于图神经网络的区块链交易拓扑图分析装置,其特征在于,包括获取单元、特征提取单元、标注单元、模型训练单元、分类单元和识别单元;
所述获取单元获取全量区块链交易网络拓扑图,并根据预设图特征的风控策略从全量区块链交易网络拓扑图提取目标资金交易网络子图;
所述特征提取单元对所述目标资金交易网络子图进行特征抽取;
所述标注单元对所述目标资金交易网络子图中的部分节点进行标签赋予;
所述模型训练单元采用深度图神经网络模型对所述目标资金交易网络子图中所有节点进行向量训练,得到所述目标资金交易网络子图所有节点的目标特征向量;
所述分类单元根据所述目标资金交易网络子图所有节点的目标特征向量,获取该目标资金交易网络子图中所有未知标签节点的标签;
所述识别单元根据所述目标资金交易网络子图所有节点标签与业务剪枝策略,得到目标资金交易网络剪枝后的违法资金交易路径。
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1-7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1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110961743.5A CN113657896A (zh) | 2021-08-20 | 2021-08-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110961743.5A CN113657896A (zh) | 2021-08-20 | 2021-08-20 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657896A true CN113657896A (zh) | 2021-11-16 |
Family
ID=78480598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110961743.5A Pending CN113657896A (zh) | 2021-08-20 | 2021-08-20 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657896A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114418767A (zh) * | 2022-01-25 | 2022-04-29 | 支付宝(杭州)信息技术有限公司 | 一种交易意图识别方法及装置 |
CN116579775A (zh) * | 2023-07-14 | 2023-08-11 | 深圳迅销科技股份有限公司 | 一种商品交易数据管理***及方法 |
CN116611838A (zh) * | 2023-07-18 | 2023-08-18 | 湖南益友新材料有限公司 | 基于区块链的环保混凝土降碳制品碳足迹核算方法 |
CN117829242A (zh) * | 2024-03-04 | 2024-04-05 | 腾讯科技(深圳)有限公司 | 模型处理方法及相关设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629687A (zh) * | 2018-02-13 | 2018-10-09 | 阿里巴巴集团控股有限公司 | 一种反洗钱方法、装置及设备 |
CN110263227A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 基于图神经网络的团伙发现方法和*** |
CN111311416A (zh) * | 2020-02-28 | 2020-06-19 | 杭州云象网络技术有限公司 | 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 |
CN111476662A (zh) * | 2020-04-13 | 2020-07-31 | 中国工商银行股份有限公司 | 反洗钱识别方法及装置 |
CN112383516A (zh) * | 2020-10-29 | 2021-02-19 | 博雅正链(北京)科技有限公司 | 图神经网络构建方法、基于图神经网络的异常流量检测方法 |
CN112529165A (zh) * | 2020-12-22 | 2021-03-19 | 上海有个机器人有限公司 | 深度神经网络剪枝方法、装置、终端及存储介质 |
CN112699964A (zh) * | 2021-01-13 | 2021-04-23 | 成都链安科技有限公司 | 模型构建方法、***、装置、介质、交易身份识别方法 |
CN112860531A (zh) * | 2021-02-22 | 2021-05-28 | 北京航空航天大学 | 基于深度异构图神经网络的区块链广泛共识性能评测方法 |
CN114239670A (zh) * | 2021-09-06 | 2022-03-25 | 成都链安科技有限公司 | 基于交易对手匹配的以太坊交易所名称识别方法和装置 |
-
2021
- 2021-08-20 CN CN202110961743.5A patent/CN113657896A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629687A (zh) * | 2018-02-13 | 2018-10-09 | 阿里巴巴集团控股有限公司 | 一种反洗钱方法、装置及设备 |
CN110263227A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 基于图神经网络的团伙发现方法和*** |
CN111311416A (zh) * | 2020-02-28 | 2020-06-19 | 杭州云象网络技术有限公司 | 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 |
CN111476662A (zh) * | 2020-04-13 | 2020-07-31 | 中国工商银行股份有限公司 | 反洗钱识别方法及装置 |
CN112383516A (zh) * | 2020-10-29 | 2021-02-19 | 博雅正链(北京)科技有限公司 | 图神经网络构建方法、基于图神经网络的异常流量检测方法 |
CN112529165A (zh) * | 2020-12-22 | 2021-03-19 | 上海有个机器人有限公司 | 深度神经网络剪枝方法、装置、终端及存储介质 |
CN112699964A (zh) * | 2021-01-13 | 2021-04-23 | 成都链安科技有限公司 | 模型构建方法、***、装置、介质、交易身份识别方法 |
CN112860531A (zh) * | 2021-02-22 | 2021-05-28 | 北京航空航天大学 | 基于深度异构图神经网络的区块链广泛共识性能评测方法 |
CN114239670A (zh) * | 2021-09-06 | 2022-03-25 | 成都链安科技有限公司 | 基于交易对手匹配的以太坊交易所名称识别方法和装置 |
Non-Patent Citations (4)
Title |
---|
MENG LIU ET AL: "Towards Deeper Graph Neural Networks", 《RESEARCH TRACK PAPER》, pages 338 - 348 * |
吴斌等: "《网络科学与计算》", 31 August 2018, 北京邮电大学出版社, pages: 188 * |
钟跃崎: "《人工智能技术原理及应用》", 30 September 2020, 华东大学出版社, pages: 255 - 257 * |
韦斯利.E.斯奈德: "《计算机视觉基础》", 31 August 2020, 机械工业出版社, pages: 197 - 198 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114418767A (zh) * | 2022-01-25 | 2022-04-29 | 支付宝(杭州)信息技术有限公司 | 一种交易意图识别方法及装置 |
CN116579775A (zh) * | 2023-07-14 | 2023-08-11 | 深圳迅销科技股份有限公司 | 一种商品交易数据管理***及方法 |
CN116579775B (zh) * | 2023-07-14 | 2024-01-16 | 深圳迅销科技股份有限公司 | 一种商品交易数据管理***及方法 |
CN116611838A (zh) * | 2023-07-18 | 2023-08-18 | 湖南益友新材料有限公司 | 基于区块链的环保混凝土降碳制品碳足迹核算方法 |
CN116611838B (zh) * | 2023-07-18 | 2023-09-22 | 湖南益友新材料有限公司 | 基于区块链的环保混凝土降碳制品碳足迹核算方法 |
CN117829242A (zh) * | 2024-03-04 | 2024-04-05 | 腾讯科技(深圳)有限公司 | 模型处理方法及相关设备 |
CN117829242B (zh) * | 2024-03-04 | 2024-05-03 | 腾讯科技(深圳)有限公司 | 模型处理方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
CN113657896A (zh) | 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 | |
De Roux et al. | Tax fraud detection for under-reporting declarations using an unsupervised machine learning approach | |
CN106709800B (zh) | 一种基于特征匹配网络的社团划分方法和装置 | |
JP7102344B2 (ja) | 機械学習モデルのモデリング方法及びデバイス | |
CN112600810B (zh) | 一种基于图分类的以太坊网络钓鱼诈骗检测方法及装置 | |
CN109492945A (zh) | 企业风险识别监控方法、装置、设备及存储介质 | |
CN109584048A (zh) | 基于人工智能对申请者进行风险评级的方法和装置 | |
CN108734380A (zh) | 风险账户判定方法、装置及计算设备 | |
TWI752349B (zh) | 風險識別方法及裝置 | |
CN114818999B (zh) | 基于自编码器和生成对抗网络的账户识别方法及*** | |
CN111428217A (zh) | 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质 | |
CN113052577A (zh) | 一种区块链数字货币虚拟地址的类别推测方法及*** | |
CN113139876A (zh) | 风险模型训练方法、装置、计算机设备及可读存储介质 | |
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 | |
CN109242165A (zh) | 一种模型训练及基于模型训练的预测方法及装置 | |
CN115375480A (zh) | 基于图神经网络的异常虚拟币钱包地址检测方法 | |
CN114239083B (zh) | 一种基于图神经网络的高效状态寄存器识别方法 | |
CN112750038B (zh) | 交易风险的确定方法、装置和服务器 | |
CN112801784A (zh) | 一种数字货币交易所的比特币地址挖掘方法及装置 | |
CN112581271A (zh) | 一种商户交易风险监测方法、装置、设备及存储介质 | |
CN116503166A (zh) | 一种以太坊链上交易资金的追踪方法及追踪*** | |
CN114239670A (zh) | 基于交易对手匹配的以太坊交易所名称识别方法和装置 | |
El Orche et al. | Approach to combine an ontology-based on payment system with neural network for transaction fraud detection | |
CN113988878A (zh) | 一种基于图数据库技术的反欺诈方法及*** |
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 |