CN115510948A - 一种基于鲁棒图分类的区块链钓鱼检测方法 - Google Patents

Abstract

本发明提出一种基于鲁棒图分类的区块链钓鱼检测方法，该方法通过利用目标用户的多个时间切片构建交易演化图，在保留区块链用户地址的空间结构与时间信息的基础上，设计一种快速的非参数钓鱼检测器来缩小可疑地址的搜索空间；基于鲁棒图分类的钓鱼检测器提取交易演化图中包含空间和时间信息的整个演变过程，提高了钓鱼检测的性能，也提高了目标用户地址不断演化的交易行为表征提取的准确度。

Description

一种基于鲁棒图分类的区块链钓鱼检测方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于鲁棒图分类的区块链钓鱼检测方法。

背景技术

图是一种能在复杂的实体之间建立模型的强大工具，其通常由链路、节点以及全局信息构成，是一种具有强大表征能力的数据结构。近年来，图神经网络巧妙地地从图数据中提取特征，并在众多图数据分析任务中表现出令人满意的性能。其中，以识别区块链交易平台中潜在钓鱼地址为目的的钓鱼检测任务是图神经网络成功应用的实际场景之一。

区块链作为一种去中心化和分布式的账本，具有全程留痕、不可伪造、可以追溯、公开透明、集体维护等特征，应用于在金融、科技、文化等众多领域。但区块链的去中心化在带来便利的同时，也产生了大量的金融钓鱼诈骗。钓鱼诈骗的攻击者利用欺骗性的电子邮件和伪造的Web站点进行诈骗活动，来骗取受骗者的财务信息，如区块链的私钥、账户用户名等。因此，区块链上的钓鱼检测引起了广泛的关注。钓鱼检测的目的是学习一种映射函数，将地址的历史交易行为映射为二进制输出0或1，分别表示目标地址是正常/异常的。虽然已有大量的方法被提出用于训练这类模型，但仍然存在几个挑战。

一方面，如何平衡结构信息和时间信息是一个难点。之前的模型往往侧重于结构信息或时间信息，这会导致相当大的信息丢失。更好地平衡结构与时间信息将有助于达到更出色的检测性能。由于采样序列长度限制导致的结构信息不完整，游走策略很难达到这种平衡。而静态子图将目标地址及其邻居地址在所有时期内的交易合并为一条，无法保留交易的时间信息。另一方面，钓鱼检测的鲁棒性也值得考虑，钓鱼诈骗犯或许可以通过与特定地址交易来绕过钓鱼检测。

为了解决上述提到的挑战，提出一种新的钓鱼检测方法是非常有必要的。

发明内容

针对现有技术的不足，本发明提供一种基于鲁棒图分类的区块链钓鱼方法。具体来说，就是对数据进行预处理，构建交易演化图TEGs，利用GNN模型提取特征以及图池化，通过修改模型参数最小化损失函数，达到钓鱼检测的目的。

本发明是通过以下技术方案来实现的：

一种基于鲁棒图分类的区块链钓鱼检测方法，该方法包括如下步骤：

(1)获取数据集及训练模型：将Xblock平台获取的以太坊交易数据集作为训练数据集Data_oracle，将所述训练数据集给定一系列动态快照图序列

和对应的标签Y＝{y₁,...,y_T}作为输入，输入至图神经网络模型

中，其中动态图的第p个快照用G_p表示，其拓扑结构表示为邻接矩阵{A₁,...,A_n}；

(2)构建交易演化图：对步骤(1)中的训练数据集Data_oracle进行多次预处理直至获取目标地址K阶邻居地址集和交易集，且K≥2；并且保留、利用交易集的前Q笔交易得到交易集来限制交易演化图的图规模；最后再对交易集进行预处理，计算其交易的交易演化时间，再将交易集平均划分到T个时间切片中，来模拟中心地址在T个时间中的交易演化过程，并且将训练数据中原始邻接矩阵{A₁,...,A_n}根据T划分为交易演化图的邻接矩阵{A₁,...,A_T}；将相同地址间的多笔交易合并为一笔交易，并将它们的交易金额总和与平均时间戳作为新的交易信息；最后根据最终得到的交易记录构建T个有向加权图，即交易演化图TEGs；

(3)演化特征提取：将第t个演化时间段的图结构信息映射到d维节点上得到当前结构特征Z_t，当前结构特征Z_t与前一时间的交易演化特征h_t-1计算更新门z_t与重置门r_t，通过重置门r_t存储前一时间的交易演化特征h_t-1，并记忆当前时刻的状态来计算候选隐藏状态h_t，通过候选隐藏状态h_t与历史交易演化特征h_t-1更新当前的交易演化特征h_t，再利用当前的交易演化特征h_t计算其当前的聚类分配矩阵C_t；

(4)构建当前交易演化图：演化图池化重复步骤(3)T次，分别得到地址交易演化特征{h₁,...,h_T}和分配矩阵{C₁,...,C_T}；根据交易演化图的邻接矩阵{A₁,...,A_T}，地址交易演化特征{h₁,...,h_T}和分配矩阵{C₁,...,C_T}构建当前交易演化图，并对p时刻的演化图中邻接矩阵{A₁,...,A_T}和地址交易演化特征{h₁,...,h_T}池化；

(5)训练模型：交易行为识别通过步骤(4)得到的N个地址簇的演化特征

利用特征聚合机制为不同时间的演化特征分配各自的时间系数，以此将T个演化特征聚合为目标地址唯一的演化特征h_i，将目标地址和演化特征h_i输入至由多层感知机构成的动态图分类模型中，并利用损失函数优化动态图分类模型，由步骤(2)得到的交易演化图TEGs和步骤(5)中的损失函数L对动态图分类模型的参数进行优化训练，降低模型的损失函数值，得到基于鲁棒图分类的钓鱼检测器；

(6)使用钓鱼检测器：对需要输入钓鱼检测器动态图分类的数据D_real进行预处理，构建经过预处理的交易演化图TEGs；将得到的经过预处理的交易演化图TEGs输入到步骤(5)得到基于鲁棒图分类的钓鱼检测器，得到相应的任务结果。

进一步地，所述步骤(1)中动态快照图的第p个快照用G_p＝(V,E_p,X)来表示，具体为，在区块链交易网络中，V＝{v₁,...,v_N}是具有|V|＝N个用户钱包地址的集合；e_i,j＝＜v_i,v_j＞∈E_p表示地址v_i与v_j在固定时间跨度[T_p-1,T_p]间存在交易；X∈R^N×D是节点属性矩阵，其中D表示X的维度；第p个快照图G_p的拓扑结构可以用邻接矩阵A_p∈R^N×N表示，其中，如果地址v_i将金额为value的物品转出至地址v_j，则A_p,ij＝value。

具体地，所述步骤(2)包括以下子步骤：

(2.1)对训练数据集Data_oracle预处理，即对于每个用户地址v_i∈V，首先将v_i视作中心地址，并提取其交易伙伴作为一阶交易地址，将地址间第一笔交易e₀的时间戳将被定义为开始时间。

(2.2)保留一阶交易地址在开始时间后的交易伙伴，并重复步骤(1.1)直到获取目标地址v_i的K阶邻居地址集N_i和交易集E_i，且K≥2；并且保留交易集E_i的前Q笔交易得到交易集E_i＝{e₁,...,e_Q}，并利用得到交易集E_i＝{e₁,...,e_Q}限制交易演化图的图规模。

(2.3)从步骤(2.2)中获取的交易集E_i＝{e₁,...,e_Q}进行预处理，即对于目标地址v_i，计算其交易e_j的交易演化时间，其中e_j∈E_i，其公式如下，

其中t_i是e_i的初始时间戳，t_max和t_min分别表示交易集合E中最大与最小时间戳。

其中，ET是个整体演化时间，

表示对于目标地址v_i，e_j交易的演化时间。

t_i是e_i的初始时间戳，t_max和t_min分别表示交易集E_i中最大与最小时间戳。

(2.4)根据步骤(2.3)中的交易演化时间，将交易集E_i平均划分到T个时间切片中，来模拟中心地址v_i在T个时间中的交易演化过程，并且将邻接矩阵{A₁,...,A_n}根据T划分为{A₁,...,A_T}，其中T<n，即把n划分为了T段，同一段的邻接矩阵叠加。

(2.5)将相同地址间的多笔交易合并为一笔交易，并将它们的交易金额总和与平均时间戳作为新的交易信息；然后根据最终得到的交易记录构建T个有向加权图，即交易演化图TEGs。

具体地，所述步骤(3)包括以下子步骤：

(3.1)将第t个演化时间段的图结构信息映射到d维节点上得到当前结构特征Z_t，其中t∈{1,...,T}其表达式为：

其中，

A_t是第t个演化时间段的邻接矩阵且A_t∈R^N×N；

是添加自连接的G_t的邻接矩阵且

I_N(t)是图网络G_t的自连边矩阵，

是

的度值矩阵且

h_t-1表示t-1时刻的用户行为特征；对于最初的交易模式图，采用节点属性作为图卷积第一层的输入，即h₀＝X，W₀和W₁分别表示隐藏层维度为H的隐藏层和输出层的权重参数，其中W₀＝R^N×H，W₁＝R^H×d；σ是激活函数，通常采用Relu函数；

(3.2)从步骤(3.1)得到的当前结构特征Z_t与前一时间的交易演化特征h_t-1计算更新门z_p与重置门r_t，其公式如下，

z_p＝σ(Z_tW_z+h_t-1U_z)

r_t＝σ(Z_tW_r+h_t-1U_r)

其中，W_z,W_r与U_z,U_r分别表示更新门与重置门的权重参数，其中W_r∈R^N×d，U_r∈R^d×d。更新门决定到底要将多少过去的h_t-1传递到未来，重置门主要决定有多少h_t-1需要遗忘；

(3.3)通过重置门r_p存储前一时间的交易演化特征h_p-1，并记忆当前时刻的状态来计算候选隐藏状态h_p，其公式如下，

h_p＝tanh(W_hZ_t+(r_t⊙h_t-1)U_h)

其中W_h和U_h为权重参数，其中，W_h∈R^N×d，U_h∈R_d×d；⊙表示矩阵元素相乘；

(3.4)利用步骤(3.3)得到的候选隐藏状态h_t与历史交易演化特征h_t-1更新当前的交易演化特征h_t，其公式如下，

h_t＝(1-z_t)⊙h_t-1+z_t⊙h_t

(3.5)利用步骤(3.4)得到的当前的交易演化特征h_p计算其当前的聚类分配矩阵C_p，其公式如下，

其中GNN_pool选择任意的GNN方法，再选择与演化特征提取结构相同的GCN模块；C_p将N个地址分配到N个新地址簇，且

N＝N×r_a，r_a是人为设定的分配比。

具体地，所述步骤(4)包括以下子步骤：

(4.1)重复步骤(3.1)到(3.5)T次，分别得到地址交易演化特征{h₁,...,h_T}和分配矩阵{C₁,...,C_T}。

(4.2)根据交易演化图的邻接矩阵{A₁,...,A_T}，地址交易演化特征{h₁,...,h_T}和分配矩阵{C₁,...,C_T}构建当前交易演化图，p时刻的演化图中邻接矩阵{A₁,...,A_T}和地址交易演化特征{h₁,...,h_T}池化过程如下：

其中，d表示每个地址的演化特征维度，上述公式分别生成了N个地址簇的演化特征

与邻接矩阵

它们将作为下一层演化特征提取器的输入，以聚合原始地址的演化特征。

具体地，所述步骤(5)包括以下子步骤：

(5.1)所述N个地址簇的演化特征

其中，

利用特征聚合机制为不同时间的演化特征分配各自的时间系数α＝[α₁，...，α_T]，以此将T个演化特征聚合为目标地址v_i唯一的演化特征h_i，其公式如下，

其中

是p时刻的演化特征。

(5.2)将目标地址v_i和演化特征h_i输入至由多层感知机构成的动态图分类模型(MLP模型)中，并利用损失函数优化动态图分类模型，其损失函数为的标签Y的预测交叉熵，其公式如下：

其中，

表示在训练集

中目标地址v_i的交易演化图；Y＝{y₁,...,y_n}表示演化图的标签集合；

为Softmax函数，如果

属于标签y_i，则Y_ij＝1，否则Y_ij＝0；Y_ij表示

的预测置信度的第j项，以及作为

的邻接矩阵与节点属性Aⁱ和Xⁱ的函数，利用Y_ij(Aⁱ,Xⁱ)来表示；

(5.3)由取得的交易演化图TEGs和步骤(5.2)中的损失函数L对动态图分类模型的参数进行优化训练，训练目标是通过梯度的前向和反向传播调整网络的结构参数，降低模型的损失函数值，得到基于鲁棒图分类的钓鱼检测器。

本发明的有益效果如下：

发明首先为目标用户的多个时间切片构建交易演化图，旨在更好地保留区块链用户地址的空间结构与时间信息。其次，设计一种快速的非参数钓鱼检测器来缩小可疑地址的搜索空间。最后，提出基于鲁棒图分类的钓鱼检测器提取交易演化图中包含的空间和时间信息的演变过程，来提高目标用户地址不断演化的交易行为表征提取的准确度，最终提高钓鱼检测的性能。

附图说明

图1是交易演化图的构建流程；

图2是基于鲁棒图分类的区块链钓鱼检测器的框架图；

图3是基于鲁棒图分类的区块链钓鱼检测的方法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

本发明实施例提供了一种基于鲁棒图分类的区块链钓鱼检测方法，请参考图1，图2，包括以下步骤：

(1)将Xblock平台获取的以太坊交易数据集作为训练数据集Data_oracle。

(1.1)所述的图神经网络模型

执行的下游任务为动态图分类任务，并采用标记的动态图

和相应的标签Y＝{y₁,...,y_n}作为输入，输入至图神经网络模型

中，其中动态图的第p个快照用G_p表示，其拓扑结构表示为邻接矩阵{A₁,...,A_n}。

(1.2)获取步骤(1.1)中用于模型

训练的数据集Data_oracle，所述训练模型的数据集为Xblock平台上发布的真实世界以太坊交易数据集，该数据可从网络上进行下载。

该数据集为针对动态图分类任务，给定一系列快照图

其中G_p＝(V,E_p,X)表示动态图的第p个快照。在区块链交易网络中，V＝{v₁,...,v_N}是具有|V|＝N个用户钱包地址的集合。e_i,j＝＜v_i,v_j＞∈E_p表示地址v_i与v_j在固定时间跨度[T_p-1,T_p]间存在交易；X是节点属性矩阵，且X∈R^N×D，其中D表示X的维度；第p个快照图G_p的拓扑结构可以用邻接矩阵A_p表示，且A_p∈R^N×N，其中，当地址v_i将金额为value的物品转出至地址v_j，则A_p，ij＝value。

(2)构建交易演化图

(2.1)从步骤(1.2)中的训练数据集Data_oracle预处理，即对于每个用户地址v_i∈V，首先将v_i视作中心地址，并提取其交易伙伴作为一阶交易地址，这些地址间第一笔交易e₀的时间戳将被定义为开始时间。

(2.2)使用步骤(2.1)的方法保留一阶交易地址在开始时间后的交易伙伴，并重复步骤(2.1)直到获取v_i的K阶邻居地址集N_i和交易集E_i，且K大于等于2，并且保留交易集E_i的前Q笔交易得到交易集E_i＝{e₁,...,e_Q}，并利用得到交易集E_i＝{e₁,...,e_Q}来限制交易演化图(TEGs)的图规模。

(2.3)从步骤(2.2)中获取的交易集E＝{e₁,...,e_|E|}进行预处理，即对于目标地址v_i，计算其交易e_i∈E的交易演化时间，其公式如下，

其中t_i是e_i的初始时间戳，ET是个整体演化时间，

表示对于目标地址v_i，e_j交易的演化时间，t_max和t_min分别表示交易集合E中最大与最小时间戳。

(2.4)将相同地址间的多笔交易合并为一笔交易，并将它们的交易金额总和与平均时间戳作为新的交易信息；然后根据最终得到的交易记录构建T个有向加权图，作为最终的交易演化图。

(3)演化特征提取

(3.1)采用双层GCN的结构作为特征提取器，具体为将第p个演化时间段的图结构信息映射到d维节点上得到当前结构特征Z_t，其表达式为：

其中

A_p∈R^N×N是第p个演化时间段的邻接矩阵，

是添加自连接的G_p的邻接矩阵，I_N(p)是图网络G_p的自连边矩阵，

是

的度值矩阵。h_p-1表示p-1时刻的用户行为特征。对于最初的交易模式图，采用节点属性作为图卷积第一层的输入，即h₀＝X。W₀＝R^N×H和W₁＝R^H×d分别表示隐藏层维度为H的隐藏层和输出层的权重参数。σ是激活函数，通常采用Relu函数。

(3.2)从步骤(3.1)得到的当前结构特征Z_t与前一时间的交易演化特征h_p-1计算更新门z_p与重置门r_p，其公式如下，

z_p＝σ(Z_pW_z+h_p-1U_z)

r_p＝σ(Z_pW_r+h_p-1U_r)

其中，W_z,W_r∈R^N×d与U_z,U_r∈R^d×d分别表示更新门与重置门的权重参数。更新门决定到底要将多少过去的h_p-1传递到未来，重置门主要决定有多少h_p-1需要遗忘。

(3.3)通过重置门r_p存储前一时间的交易演化特征h_p-1，并记忆当前时刻的状态来计算候选隐藏状态h_p，其公式如下，

h_p＝tanh(W_hZ_p+(r_p⊙h_p-1)U_h)

其中W_h∈R^N×d和U_h∈R^d×d为权重参数。⊙表示矩阵元素相乘。

(3.4)利用步骤(3.3)得到的候选隐藏状态h_p与历史交易演化特征h_p更新当前的交易演化特征h_p，其公式如下，

h_p＝(1-z_p)⊙h_p-1+z_p⊙h_p

(4)演化图池化

(4.1)利用步骤(3.4)得到的当前的交易演化特征h_p计算其当前的聚类分配矩阵C_p，其公式如下，

其中GNN_pool可以是任意的GNN方法，本发明选择演化特征提取器结构相同的GCN模块。

将N个地址分配到N个新地址簇，N＝N×r_a，r_a是人为设定的分配比。

(4.2)根据的邻接矩阵{A₁,...,A_T}，地址交易演化特征{h₁,...,h_T}和分配矩阵{C₁,...,C_T}构建当前交易演化图，p时刻的演化图池化过程如下，

其中d表示每个地址的演化特征维度。上述公式分别生成了N个地址簇的演化特征

与邻接矩阵

它们将作为下一层演化特征提取器的输入，以聚合原始地址的演化特征。

(5)交易行为识别

(5.1)从步骤(4.2)中得到的N个地址簇的演化特征

利用特征聚合机制为不同时间的演化特征分配各自的时间系数α＝[α₁，...，α_T]，以此将T个演化特征聚合为目标地址v_i唯一的演化特征h_i，其公式如下，

其中

是p时刻的演化特征。

(5.2)将目标地址v_i和演化特征h_i输入至带有Softmax分类器的MLP模型中(即多层感知机构成的动态图分类模型)，利用损失函数优化带有Softmax分类器的MLP层得到，其损失函数为步骤(1.1)中的标签Y上的预测交叉熵，其公式如下，

其中

表示在训练集

中目标地址v_i的交易演化图；Y＝{y₁,...,y_n}表示演化图的标签集合。如果

属于标签y_i，则Y_ij＝1，否则Y_ij＝0。Y_ij表示

的预测置信度的第j项，并且可以考虑作为

的邻接矩阵与节点属性Aⁱ和Xⁱ的函数，因此可以表示为Y_ij(Aⁱ,Xⁱ)。

(5.3)从步骤(2.4)取得的演化图TEGs和步骤(5.2)中的损失函数L对MLP模型的参数进行优化，训练目标是通过梯度的前向和反向传播调整网络的结构参数，不断降低模型的损失函数值，得到基于鲁棒图分类的钓鱼检测器；所述MLP模型为带有Softmax分类器的MLP模型；

(6)钓鱼检测器的使用

(6.1)对需要输入钓鱼检测器动态图分类的数据D_real进行预处理，再构建经过预处理的交易演化图TEGs。

(6.2)将步骤(6.1)获取经过预处理的交易演化图TEGs输入至完成训练的基于鲁棒图分类的钓鱼检测器中，即得到相应的任务结果。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (6)

1.一种基于鲁棒图分类的区块链钓鱼检测方法，其特征在于，该方法包括如下步骤：

(1)获取数据集及训练模型：将Xblock平台获取的以太坊交易数据集作为训练数据集Data_oracle，将所述训练数据集给定一系列动态快照图序列

和对应的标签Y＝{y₁,...,y_T}作为输入，输入至图神经网络模型

中，其中动态图的第p个快照用G_p表示，其拓扑结构表示为邻接矩阵{A₁,...,A_n}；

(2)构建交易演化图：对步骤(1)中的训练数据集Data_oracle进行多次预处理直至获取目标地址K阶邻居地址集和交易集，且K≥2；并且保留、利用交易集的前Q笔交易得到交易集来限制交易演化图的图规模；最后再对交易集进行预处理，计算其交易的交易演化时间，再将交易集平均划分到T个时间切片中，来模拟中心地址在T个时间中的交易演化过程，并且将训练数据中原始邻接矩阵{A₁,...,A_n}根据T划分为交易演化图的邻接矩阵{A₁,...,A_T}；将相同地址间的多笔交易合并为一笔交易，并将它们的交易金额总和与平均时间戳作为新的交易信息；最后根据最终得到的交易记录构建T个有向加权图，即交易演化图TEGs；

(3)演化特征提取：将第t个演化时间段的图结构信息映射到d维节点上得到当前结构特征Z_t，当前结构特征Z_t与前一时间的交易演化特征h_t-1计算更新门z_t与重置门r_t，通过重置门r_t存储前一时间的交易演化特征h_t-1，并记忆当前时刻的状态来计算候选隐藏状态h_t，通过候选隐藏状态h_t与历史交易演化特征h_t-1更新当前的交易演化特征h_t，再利用当前的交易演化特征h_t计算其当前的聚类分配矩阵C_t；

(4)构建当前交易演化图：演化图池化重复步骤(3)T次，分别得到地址交易演化特征{h₁,...,h_T}和分配矩阵{C₁,...,C_T}；根据交易演化图的邻接矩阵{A₁,...,A_T}，地址交易演化特征{h₁,...,h_T}和分配矩阵{C₁,...,C_T}构建当前交易演化图，并对p时刻的演化图中邻接矩阵{A₁,...,A_T}和地址交易演化特征{h₁,...,h_T}池化；

(5)训练模型：交易行为识别通过步骤(4)得到的N个地址簇的演化特征

利用特征聚合机制为不同时间的演化特征分配各自的时间系数，以此将T个演化特征聚合为目标地址唯一的演化特征h_i，将目标地址和演化特征h_i输入至由多层感知机构成的动态图分类模型中，并利用损失函数优化动态图分类模型，由步骤(2)得到的交易演化图TEGs和步骤(5)中的损失函数L对动态图分类模型的参数进行优化训练，降低模型的损失函数值，得到基于鲁棒图分类的钓鱼检测器；

(6)使用钓鱼检测器：对需要输入钓鱼检测器动态图分类的数据D_real进行预处理，构建经过预处理的交易演化图TEGs；将得到的经过预处理的交易演化图TEGs输入到步骤(5)得到基于鲁棒图分类的钓鱼检测器，得到相应的任务结果。

2.根据权利要求1所述的一种基于鲁棒图分类的区块链钓鱼检测方法，其特征在于，所述步骤(1)中动态快照图的第p个快照用G_p＝(V,E_p,X)来表示，具体为，在区块链交易网络中，V＝{v₁,...,v_N}是具有|V|＝N个用户钱包地址的集合；e_i,j＝＜v_i,v_j＞∈E_p表示地址v_i与v_j在固定时间跨度[T_p-1,T_p]间存在交易；X∈R^N×D是节点属性矩阵，其中D表示X的维度；第p个快照图G_p的拓扑结构可以用邻接矩阵A_p∈R^N×N表示，其中，如果地址v_i将金额为value的物品转出至地址v_j，则A_p,ij＝value。

3.根据权利要求1所述的一种基于鲁棒图分类的区块链钓鱼检测方法，其特征在于，所述步骤(2)包括以下子步骤：

(2.1)对训练数据集Data_oracle预处理，即对于每个用户地址v_i∈V，首先将v_i视作中心地址，并提取其交易伙伴作为一阶交易地址，将地址间第一笔交易e₀的时间戳将被定义为开始时间；

(2.2)保留一阶交易地址在开始时间后的交易伙伴，并重复步骤(1.1)直到获取目标地址v_i的K阶邻居地址集N_i和交易集E_i，且K≥2；并且保留交易集E_i的前Q笔交易得到交易集E_i＝{e₁,...,e_Q}，并利用得到交易集E_i＝{e₁,...,e_Q}限制交易演化图的图规模；

(2.3)从步骤(2.2)中获取的交易集E_i＝{e₁,...,e_Q}进行预处理，即对于目标地址v_i，计算其交易e_j的交易演化时间，其中e_j∈E_i，其公式如下，

其中t_i是e_i的初始时间戳，t_max和t_min分别表示交易集合E中最大与最小时间戳；

其中，ET是个整体演化时间，ET_ej(v_i,E_i)表示对于目标地址v_i，e_j交易的演化时间；

t_i是e_i的初始时间戳，t_max和t_min分别表示交易集E_i中最大与最小时间戳；

(2.4)根据步骤(2.3)中的交易演化时间，将交易集E_i平均划分到T个时间切片中，来模拟中心地址v_i在T个时间中的交易演化过程，并且将邻接矩阵{A₁,...,A_n}根据T划分为{A₁,...,A_T}，其中T<n，即把n划分为了T段，同一段的邻接矩阵叠加；

(2.5)将相同地址间的多笔交易合并为一笔交易，并将它们的交易金额总和与平均时间戳作为新的交易信息；然后根据最终得到的交易记录构建T个有向加权图，即交易演化图TEGs。

4.根据权利要求1所述的一种基于鲁棒图分类的区块链钓鱼检测方法，其特征在于，所述步骤(3)包括以下子步骤：

(3.1)将第t个演化时间段的图结构信息映射到d维节点上得到当前结构特征Z_t，其中t∈{1,...,T}其表达式为：

其中，

A_t是第t个演化时间段的邻接矩阵且A_t∈R^N×N；

是添加自连接的G_t的邻接矩阵且

I_N(t)是图网络G_t的自连边矩阵，

是

的度值矩阵且

h_t-1表示t-1时刻的用户行为特征；对于最初的交易模式图，采用节点属性作为图卷积第一层的输入，即h₀＝X，W₀和W₁分别表示隐藏层维度为H的隐藏层和输出层的权重参数，其中W₀＝R^N×H，W₁＝R^H×d；σ是激活函数，通常采用Relu函数；

(3.2)从步骤(3.1)得到的当前结构特征Z_t与前一时间的交易演化特征h_t-1计算更新门z_p与重置门r_t，其公式如下，

z_p＝σ(Z_tW_z+h_t-1U_z)

r_t＝σ(Z_tW_r+h_t-1U_r)

其中，W_z,W_r与U_z,U_r分别表示更新门与重置门的权重参数，其中W_r∈R^N×d，U_r∈R^d×d；更新门决定到底要将多少过去的h_t-1传递到未来，重置门主要决定有多少h_t-1需要遗忘；

(3.3)通过重置门r_p存储前一时间的交易演化特征h_p-1，并记忆当前时刻的状态来计算候选隐藏状态h_p，其公式如下，

h_p＝tanh(W_hZ_t+(r_t⊙h_t-1)U_h)

其中W_h和U_h为权重参数，其中，W_h∈R^N×d，U_h∈R^d×d；⊙表示矩阵元素相乘；

(3.4)利用步骤(3.3)得到的候选隐藏状态h_t与历史交易演化特征h_t-1更新当前的交易演化特征h_t，其公式如下，

h_t＝(1-z_t)⊙h_t-1+z_th_t

(3.5)利用步骤(3.4)得到的当前的交易演化特征h_p计算其当前的聚类分配矩阵C_p，其公式如下，

其中GNN_pool选择任意的GNN方法，再选择与演化特征提取结构相同的GCN模块；C_p将N个地址分配到N个新地址簇，且

N＝N×r_a，r_a是人为设定的分配比。

5.根据权利要求1所述的一种基于鲁棒图分类的区块链钓鱼检测方法，其特征在于，所述步骤(4)包括以下子步骤：

(4.1)重复步骤(3.1)到(3.5)T次，分别得到地址交易演化特征{h₁,...,h_T}和分配矩阵{C₁,...,C_T}；

(4.2)根据交易演化图的邻接矩阵{A₁,...,A_T}，地址交易演化特征{h₁,...,h_T}和分配矩阵{C₁,...,C_T}构建当前交易演化图，p时刻的演化图中邻接矩阵{A₁,...,A_T}和地址交易演化特征{h₁,...,h_T}池化过程如下：

其中，d表示每个地址的演化特征维度，上述公式分别生成了N个地址簇的演化特征

与邻接矩阵

它们将作为下一层演化特征提取器的输入，以聚合原始地址的演化特征。

6.根据权利要求1所述的一种基于鲁棒图分类的区块链钓鱼检测方法，其特征在于，所述步骤(5)包括以下子步骤：

(5.1)所述N个地址簇的演化特征

其中，

利用特征聚合机制为不同时间的演化特征分配各自的时间系数α＝[α₁，...，α_T]，以此将T个演化特征聚合为目标地址v_i唯一的演化特征h_i，其公式如下，

其中

是p时刻的演化特征；

(5.2)将目标地址v_i和演化特征h_i输入至由多层感知机构成的动态图分类模型中，即输入MLP模型，并利用损失函数优化动态图分类模型，其损失函数为的标签Y的预测交叉熵，其公式如下：

其中，

表示在训练集

中目标地址v_i的交易演化图；Y＝{y₁,...,y_n}表示演化图的标签集合；

为Softmax函数，如果

属于标签y_i，则Y_ij＝1，否则Y_ij＝0；Y_ij表示

的预测置信度的第j项，以及作为

的邻接矩阵与节点属性Aⁱ和Xⁱ的函数，利用Y_ij(Aⁱ,Xⁱ)来表示；

(5.3)由取得的交易演化图TEGs和步骤(5.2)中的损失函数L对动态图分类模型的参数进行优化训练，训练目标是通过梯度的前向和反向传播调整网络的结构参数，降低模型的损失函数值，得到基于鲁棒图分类的钓鱼检测器。

Images