CN114064801A - 基于知识图谱的区块链数据监管方法、***及计算机设备 - Google Patents

基于知识图谱的区块链数据监管方法、***及计算机设备 Download PDF

Info

Publication number
CN114064801A
CN114064801A CN202111275595.8A CN202111275595A CN114064801A CN 114064801 A CN114064801 A CN 114064801A CN 202111275595 A CN202111275595 A CN 202111275595A CN 114064801 A CN114064801 A CN 114064801A
Authority
CN
China
Prior art keywords
data
knowledge
graph
block chain
entity
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
Application number
CN202111275595.8A
Other languages
English (en)
Inventor
陈嘉俊
臧铖
钟礼斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yiqiyin Hangzhou Technology Co ltd
China Zheshang Bank Co Ltd
Original Assignee
Yiqiyin Hangzhou Technology Co ltd
China Zheshang Bank Co Ltd
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 Yiqiyin Hangzhou Technology Co ltd, China Zheshang Bank Co Ltd filed Critical Yiqiyin Hangzhou Technology Co ltd
Priority to CN202111275595.8A priority Critical patent/CN114064801A/zh
Publication of CN114064801A publication Critical patent/CN114064801A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于知识图谱的区块链数据监管方法、***及计算机设备，该方法包括：知识建模，根据不同区块链业务含义、数据类型定义业务实体、关系、属性；知识抽取，抽取每条链中业务实体、关系、属性数据；知识融合，将不同区块链中数据进行实体的合并、实体属性和关系的合并；知识存储，将区块链数据存储至图数据库中，形成区块链数据知识图谱；知识计算，基于区块链数据知识图谱，定义数据监管规则及对应推理逻辑，采用知识推理和图挖掘方法最终得到基于监管规则的推理结论，达到数据监管目的。本发明采用知识图谱技术提供了一种通用的区块链数据监管方法及***，可灵活配置监管规则，实现区块链数据监管目的，提升区块链业务的安全性。

Description

基于知识图谱的区块链数据监管方法、***及计算机设备
技术领域
本发明属于计算机***、区块链技术领域，尤其涉及一种基于知识图谱的区块链数据监管方法、***及计算机设备。
背景技术
区块链是一种按照时间顺序将数据区块以顺序相连，组合成一种链式数据结构，去中心化的存储于所有参与方，并通过密码学技术保证数据不可篡改、不可伪造、可追溯的分布式数据账本技术。通过应用区块链技术，能够保证信息的完整性和可靠性，可以有效解决信息交互过程中存在的信任和安全问题。金融行业具备参与方信任成本和协作成本高、交易记录安全性和完备性要求高的特点，与区块链技术应用特点十分契合，区块链技术在金融领域的应用涵盖了供应链金融、贸易金融、资金管理、支付清算、数字资产等业务方向。
区块链作为一种连接信任的基础设施，其不可篡改、公开透明等特性能够解决很多实际问题，同时也带来了信息安全问题。区块链***中，由所有对等节点写入或读取数据，因此，无法阻止不合法、违规信息被写入区块链，对于应用于金融场景的区块链***，链上涉及用户资产，还需要对链上资产数据进行审查。另外，由于区块链上的数据无法像关系型数据库易于数据查询、统计和分析，使得区块链***不易于信息审查和监管。因此，针对区块链的数据监管方法亟待解决。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于知识图谱的区块链数据监管方法、***及计算机设备。
根据本发明的第一方面，提供一种基于知识图谱的区块链数据监管方法，该方法包括：
知识建模，根据不同区块链的业务含义、数据类型定义业务实体、关系、属性，建立业务模型；
知识抽取，获取每条链中的交易数据，根据建立的业务模型，抽取对应的实体、关系、属性数据；
知识融合，对抽取数据通过数据预处理进行数据清洗，通过知识融合技术将来自不同区块链中的数据进行实体的合并、实体属性和关系的合并；
知识存储，采用基于图结构的存储方式将实体、关系、属性数据存储至图数据库中，对相关业务标识信息建立索引，得到区块链数据知识图谱；
知识计算，基于构建的区块链数据知识图谱，定义数据监管规则以及相应的推理逻辑，采用基于图谱的知识推理和图挖掘方法，快速得到基于监管规则的结果。
进一步地，对区块链数据的知识建模，根据上链的业务类型以及区块链中合约的实体定义(结构体、类等)、交易定义，人工建立实体、关系、属性。比如存证链，可将存证方和存证定义为实体，存证方信息、存证信息定义为属性，存证交易定义为关系。
进一步地，对区块链数据的知识抽取，包括数据获取和信息抽取；
数据获取是指获取区块链中的数据，可采用以下三种方式，一是直接读取区块链原生数据库的数据，原生数据库多为key-value形式的键值存储数据库；二是读取区块链数据归档数据库的数据，目前主流区块链平台均具备数据归档功能，为方便数据使用，归档后的数据多存储于关系型数据库中；三是通过区块链平台提供的查询api获取数据；
信息抽取是对获取的区块链数据按照建立好的业务模型进行实体抽取、属性抽取和关系抽取，得到需要构建的知识图谱的基本数据。
进一步地，对抽取的数据进行知识融合，现实情况中，同一实体在不同的区块链中存储的信息不一样，因此需要通过数据预处理进行数据清洗以及采用实体融合技术进行实体的合并。例如供应链金融场景区块链网络中同一家企业在不同的区块链中存储的信息可能为公司全称、公司简称或是公司机构代码，因此需要对来自不同区块链的同一实体进行合并；医疗场景区块链网络中同一个患者在不同医疗结构的诊断信息也需要进行融合；
所述数据预处理包括数据格式统一标准、敏感信息处理、冗余数据过滤等；
所述知识融合技术包括实体对齐、实体链接、实体消歧、实体属性和关系的合并。
进一步地，所述知识存储是将融合后的数据进行基于图结构的存储，采用属性图模型将实体、关系、属性数据转化为顶点、边、属性和标签数据，图数据库选择主流的图数据库产品，如neo4j，相比传统关系型数据库，图数据库具备查询速度快、操作简单、关系展现方式丰富、直观可视化等优势，数据存储至图数据库后对相关业务标识字段建立索引。
进一步地，所述知识计算是基于构建的区块链数据知识图谱，根据实际监管、审计的规定定义具体的数据监管规则以及相应的推理逻辑，采用知识推理、图挖掘的方法得到推理结论，达到监管、审计目的。
进一步地，所述数据监管规则包括敏感词检测、交易风险检测、个人敏感信息检测等规则；所述知识推理、图挖掘方法包括关键词检索、图查询检索、关联分析、路径搜索、节点分类等方法。
根据本发明的第二方面，提供一种基于知识图谱的区块链数据监管***，包括如下模块：
知识建模模块：根据不同区块链的业务含义、数据类型定义业务实体、关系、属性，建立业务模型；
知识抽取模块：获取每条链中的交易数据，根据建立的业务模型，抽取对应的实体、关系、属性数据；
知识融合模块：对抽取数据通过数据预处理进行数据清洗，通过知识融合技术将来自不同区块链中的数据进行实体的合并、实体属性和关系的合并；
知识存储模块：采用基于图结构的存储方式将实体、关系、属性数据存储至图数据库中，对相关业务标识信息建立索引，得到区块链数据知识图谱；
知识计算模块：基于构建的区块链数据知识图谱，定义数据监管规则以及相应的推理逻辑，采用基于图谱的知识推理和图挖掘方法，快速得到基于监管规则的结果。
根据本发明的第三方面，提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述基于知识图谱的区块链数据监管方法中的步骤。
根据本发明的第四方面，提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述基于知识图谱的区块链数据监管方法中的步骤。
本发明的有益效果是：本发明采用知识图谱技术提供了一种通用的区块链数据监管方法及***，可灵活配置监管规则，实现区块链数据监管目的，提升区块链业务的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例之一的基于知识图谱的区块链数据监管方法流程图；
图2为本发明实施例之一的区块链数据业务模型图；
图3为本发明实施例之一的区块链数据知识图谱示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明，应当理解，此处描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种基于知识图谱的区块链数据监管方法，方法流程图如图1所示，包括：
知识建模，根据不同区块链的业务含义、数据类型定义业务实体、关系、属性，建立业务模型；
知识抽取，获取每条链中的交易数据，根据建立的业务模型，抽取对应的实体、关系、属性数据；
知识融合，对抽取数据通过数据预处理进行数据清洗，通过知识融合技术将来自不同区块链中的数据进行实体的合并、实体属性和关系的合并；
知识存储，采用基于图结构的存储方式将实体、关系、属性数据存储至图数据库中，对相关业务标识信息建立索引，得到区块链数据知识图谱；
知识计算，基于构建的区块链数据知识图谱，定义数据监管规则以及相应的推理逻辑，采用基于图谱的知识推理和图挖掘方法，快速得到基于监管规则的结果。
知识建模阶段，根据上链的业务类型以及区块链中合约的实体定义(结构体、类等)、交易定义，人工建立实体、关系、属性。如图2所示的区块链数据业务模型图中，分别对存证链A、存证链B和供应链金融链C建立的业务模型，对于存证链，可将存证方和存证定义为实体，存证方信息、存证信息定义为属性，如图所示A企业和C企业为存证方，包含企业名称、企业代码等属性，存证001、存证01为上链存证，包含存证编号、存证时间、存证详情等属性。对于供应链金融链，将供应链参与主体、应收帐款定义为实体，参与主体信息、应收帐款详情定义为属性，参与主体之间的关系、参与主体与应收帐款的关系、应收帐款的流转关系定义为关系，其中参与主体信息、应收帐款详情等作为属性，如图所示，供应链参与主体实体包括A企业、A银行、B企业、C企业，属性包含企业名称、企业代码等信息，应收帐款实体包括应收帐款001、应收帐款002等，属性包含应收帐款编号、金额、状态等信息，关系实体包括供应链参与主体之间的关系、供应链参与主体与应收帐款的签发、持有等关系以及应收帐款的流转关系，关系属性包括流水号、类型、时间等信息。
知识抽取阶段，包括数据获取和信息抽取。数据获取是指获取区块链中的数据，可采用三种方式，一是直接读取区块链原生数据库的数据，原生数据库多为key-value形式的键值存储数据库；二是读取区块链数据归档数据库的数据，目前主流区块链平台均具备数据归档功能，为方便数据使用，归档后的数据多存储于关系型数据库中；三是通过区块链平台提供的查询api获取数据。信息抽取是对获取的区块链数据按照建立好的业务模型进行实体抽取、属性抽取和关系抽取，得到需要构建的知识图谱的基本数据。
知识融合阶段，现实情况中，同一实体在不同的区块链中存储的信息不一样，因此需要通过数据预处理进行数据清洗以及采用实体融合技术进行实体的合并。例如供应链金融场景区块链网络中同一家企业在不同的区块链中存储的信息可能为公司全称、公司简称或是公司机构代码，因此需要对来自不同区块链的同一实体进行合并。如图3所示为图2中存证链A、存证链B、供应链金融链C融合后的结果，该示例中主要对企业A和企业C的信息进行了合并。数据预处理包括数据格式统一标准、敏感信息处理、冗余数据过滤等；知识融合技术包括实体对齐、实体链接、实体消歧、实体属性和关系的合并。
知识存储阶段，是将融合后的数据进行基于图结构的存储，采用属性图模型将实体、关系、属性信息转化为顶点、边、属性和标签数据，图数据库选择主流的图数据库产品，如neo4j。如图3所示，对知识融合后的数据采用属性图模型进行转换，顶点包含企业、应收帐款、存证，边包括企业与企业的关系、企业与存证的关系、企业与应收帐款的关系，应收帐款与应收帐款的关系，属性包括企业信息、存证信息、应收帐款信息等属性。
知识计算阶段，基于上述步骤建立的区块链数据知识图谱，根据实际监管、审计的规定定义具体的数据监管规则以及相应的推理逻辑，采用知识推理、图挖掘的方法得到推理结论，达到监管、审计目的。数据监管规则包括敏感词检测、交易风险检测、个人敏感信息检测等规则，知识推理、图挖掘方法包括关键词检索、图查询检索、关联分析、路径搜索、节点分类等方法。以图3为例，我们需要对上链存证信息和供应链中资金流转链进行监管：
针对上链存证信息定义敏感词检测监管规则，若需要全局查找所有存证的敏感信息，则对应规则为顶点类型为存证、属性包含对应敏感词的顶点全图检索，监管用户只需输入敏感词信息即可通过规则得到所需的存证结果；若需要查找企业A所有上链存证的敏感信息，则对应规则为由企业A一度关联的顶点类型为存证，属性包含对应敏感词的顶点检索，监管用户只需输入对应企业名和敏感词信息即可通过规则得到所需的存证结果。
针对供应链中资金流转链定义监管规则，假设现在企业B出现重大经营风险，需要对其资金链进行检测，在供应链金融链C中，供应链参与主体之间是通过应收帐款进行交易的，因此对应的监管规则为图中包含企业B持有的应收账款，关系类型为应收帐款交易类型的路径搜索算法，如图所示，企业B持有应收账款003，根据规则可查出应收帐款001到应收帐款004的整条路径，路径中包含了每一笔应收帐款的持有人信息，包括企业A、银行A、企业C，以及应收帐款的转让信息，包括应收帐款的拆分编号、转让金额等，得到的结果数据直接用于监管人员使用。
在一个实施例中，提供一种基于知识图谱的区块链数据监管***，包括如下模块：
知识建模模块：根据不同区块链的业务含义、数据类型定义业务实体、关系、属性，建立业务模型；
知识抽取模块：获取每条链中的交易数据，根据建立的业务模型，抽取对应的实体、关系、属性数据；
知识融合模块：对抽取数据通过数据预处理进行数据清洗，通过知识融合技术将来自不同区块链中的数据进行实体的合并、实体属性和关系的合并；
知识存储模块：采用基于图结构的存储方式将实体、关系、属性数据存储至图数据库中，对相关业务标识信息建立索引，得到区块链数据知识图谱；
知识计算模块：基于构建的区块链数据知识图谱，定义数据监管规则以及相应的推理逻辑，采用基于图谱的知识推理和图挖掘方法，快速得到基于监管规则的结果。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中基于知识图谱的区块链数据监管方法中的步骤。
在一个实施例中，提出了一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述各实施例中基于知识图谱的区块链数据监管方法中的步骤。其中，存储介质可以为非易失性存储介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。

Claims (10)

1.一种基于知识图谱的区块链数据监管方法，其特征在于，该方法包括：
知识建模，根据不同区块链的业务含义、数据类型定义业务实体、关系、属性，建立业务模型；
知识抽取，获取每条链中的交易数据，根据建立的业务模型，抽取对应的实体、关系、属性数据；
知识融合，对抽取数据通过数据预处理进行数据清洗，通过知识融合技术将来自不同区块链中的数据进行实体的合并、实体属性和关系的合并；
知识存储，采用基于图结构的存储方式将实体、关系、属性数据存储至图数据库中，对相关业务标识信息建立索引，得到区块链数据知识图谱；
知识计算，基于构建的区块链数据知识图谱，定义数据监管规则以及相应的推理逻辑，采用基于图谱的知识推理和图挖掘方法，快速得到基于监管规则的结果。
2.根据权利要求1所述的一种基于知识图谱的区块链数据监管方法，其特征在于，对区块链数据的知识建模，根据上链的业务类型以及区块链中合约的实体定义、交易定义，人工建立实体、关系、属性。
3.根据权利要求1所述的一种基于知识图谱的区块链数据监管方法，其特征在于，对区块链数据的知识抽取，包括数据获取和信息抽取；
所述数据获取包括三种方式，一是直接读取区块链原生数据库的数据；二是读取区块链数据归档数据库的数据；三是通过区块链平台提供的查询api获取数据；
所述信息抽取是对获取的区块链数据按照建立好的业务模型进行实体抽取、属性抽取和关系抽取，得到需要构建的知识图谱的基本数据。
4.根据权利要求1所述的一种基于知识图谱的区块链数据监管方法，其特征在于，对抽取的数据进行知识融合，现实情况中，同一实体在不同的区块链中存储的信息不一样，需要通过数据预处理进行数据清洗以及采用实体融合技术进行实体的合并；
所述数据预处理包括数据格式统一标准、敏感信息处理、冗余数据过滤；
所述知识融合技术包括实体对齐、实体链接、实体消歧、实体属性和关系的合并。
5.根据权利要求1所述的一种基于知识图谱的区块链数据监管方法，其特征在于，所述知识存储是将融合后的数据进行基于图结构的存储，采用属性图模型将实体、关系、属性数据转化为顶点、边、属性和标签数据，数据存储至图数据库后对相关业务标识字段建立索引。
6.根据权利要求1所述的一种基于知识图谱的区块链数据监管方法，其特征在于，所述知识计算是基于构建的区块链数据知识图谱，根据实际监管、审计的规定定义具体的数据监管规则以及相应的推理逻辑，采用知识推理、图挖掘的方法得到推理结论，达到监管、审计目的。
7.根据权利要求6所述的一种基于知识图谱的区块链数据监管方法，其特征在于，所述知识计算中，所述数据监管规则包括敏感词检测、交易风险检测、个人敏感信息检测规则；所述知识推理、图挖掘方法包括关键词检索、图查询检索、关联分析、路径搜索、节点分类方法。
8.一种基于知识图谱的区块链数据监管***，其特征在于，该***包括如下模块：
知识建模模块：根据不同区块链的业务含义、数据类型定义业务实体、关系、属性，建立业务模型；
知识抽取模块：获取每条链中的交易数据，根据建立的业务模型，抽取对应的实体、关系、属性数据；
知识融合模块：对抽取数据通过数据预处理进行数据清洗，通过知识融合技术将来自不同区块链中的数据进行实体的合并、实体属性和关系的合并；
知识存储模块：采用基于图结构的存储方式将实体、关系、属性数据存储至图数据库中，对相关业务标识信息建立索引，得到区块链数据知识图谱；
知识计算模块：基于构建的区块链数据知识图谱，定义数据监管规则以及相应的推理逻辑，采用基于图谱的知识推理和图挖掘方法，快速得到基于监管规则的结果。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1-7任一项所述基于知识图谱的区块链数据监管方法中的步骤。
10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1-7任一项所述基于知识图谱的区块链数据监管方法中的步骤。
CN202111275595.8A 2021-10-29 2021-10-29 基于知识图谱的区块链数据监管方法、***及计算机设备 Pending CN114064801A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111275595.8A CN114064801A (zh) 2021-10-29 2021-10-29 基于知识图谱的区块链数据监管方法、***及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111275595.8A CN114064801A (zh) 2021-10-29 2021-10-29 基于知识图谱的区块链数据监管方法、***及计算机设备

Publications (1)

Publication Number Publication Date
CN114064801A true CN114064801A (zh) 2022-02-18

Family

ID=80236296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111275595.8A Pending CN114064801A (zh) 2021-10-29 2021-10-29 基于知识图谱的区块链数据监管方法、***及计算机设备

Country Status (1)

Country Link
CN (1) CN114064801A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115017234A (zh) * 2022-06-29 2022-09-06 贵州财经大学 一种区块链信息管理***、区块链信息存储及查询方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115017234A (zh) * 2022-06-29 2022-09-06 贵州财经大学 一种区块链信息管理***、区块链信息存储及查询方法

Similar Documents

Publication Publication Date Title
CA3098838A1 (en) Systems and methods for enriching modeling tools and infrastructure with semantics
CN110209826A (zh) 一种面向银行风险控制的金融图谱构建与分析方法
CN110852878B (zh) 一种可信度确定方法、装置、设备和存储介质
Genga et al. Discovering anomalous frequent patterns from partially ordered event logs
Starnini et al. Smurf-based anti-money laundering in time-evolving transaction networks
Haslhofer et al. Graphsense: A general-purpose cryptoasset analytics platform
CN110659973A (zh) 资金追踪方法、装置及设备
CN115422173A (zh) 金融信贷领域的数据治理方法及***
Dai Designing an accounting information management system using big data and cloud technology
Bergami et al. Exploring business process deviance with sequential and declarative patterns
CN114064801A (zh) 基于知识图谱的区块链数据监管方法、***及计算机设备
Owda et al. Financial discussion boards irregularities detection system (fdbs-ids) using information extraction
M'Baba et al. Blockchain logging for process mining: a systematic review
CN116739605A (zh) 交易数据检测方法、装置、设备及存储介质
CN116483822A (zh) 业务数据预警方法、装置、计算机设备、存储介质
D’Atri et al. Towards trustworthy financial reports using blockchain
CN111026705B (zh) 建筑工程文件管理方法、***及终端设备
Beheshti et al. Bp-sparql: A query language for summarizing and analyzing big process data
Deniswara et al. Reimagining a New Transformation of Digital Forensic Accounting: Strategic Analysis of the Use of Big Data Analytics in the Covid-19 Pandemic Era as an Opportunity for the Industries in Indonesia
Alqudah et al. A novel defect detection method for software requirements inspections.
Balamurugan et al. Data Management and Visual Information Processing in Financial Organization using Machine Learning
US20240235861A1 (en) System and method for machine learning based security incidents detection and classification in a blockchain ecosystem
Smith Electronic Evidence Locker: An Ontology for Electronic Evidence
Ojino¹ et al. Check for updates
Ourdani et al. Big Data and public finance sector

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