CN115860933A - 基于集成学习和图核分类技术的比特币混合服务检测方法 - Google Patents
基于集成学习和图核分类技术的比特币混合服务检测方法 Download PDFInfo
- Publication number
- CN115860933A CN115860933A CN202211450512.9A CN202211450512A CN115860933A CN 115860933 A CN115860933 A CN 115860933A CN 202211450512 A CN202211450512 A CN 202211450512A CN 115860933 A CN115860933 A CN 115860933A
- Authority
- CN
- China
- Prior art keywords
- transaction
- bitcoin
- bit
- graph
- data set
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于集成学习和图核分类技术的比特币混合服务检测方法,包括:基于原始比特币交易数据,构建比特币混合服务数据集;基于所述比特币混合服务数据集,提取比特币交易子图数据集;构建比特币混合服务检测模型;基于所述比特币混合服务数据集和所述比特币交易子图数据集,对所述比特币混合服务检测模型进行训练和测试;基于测试后的所述比特币混合服务检测模型,输出比特币混合服务检测结果。本发明可以有效地检测出所属于比特币混合服务的地址。
Description
技术领域
本发明属于区块链安全与机器学习的交叉技术领域,尤其涉及基于集成学习和图核分类技术的比特币混合服务检测方法。
背景技术
比特币是第一个去中心化的点对点加密货币,其背后的理念是一个公开可用和可验证的分布式账本。用户可以使用地址参与比特币交易,而***露他们的真实身份。一个用户可以拥有任意数量的地址,而一个地址只能对应于一个用户,因此,无法在地址和用户之间建立一个精确的匹配关系。这种交易匿名性使比特币大受欢迎,成为最具代表性的加密货币之一。然而,由于比特币完整的交易历史是公开的,即比特币地址之间的资金流动关系是透明的,所以可以通过启发式方法,如:找零地址启发式和多输入启发式等将地址聚类到集群,一旦确定了地址所属的集群,就在一定程度上破坏了比特币的交易匿名性。
因此,为了满足用户对隐私保护的更高要求,出现了进一步增强比特币匿名性的混合服务。混合服务的基本思想是模糊交易输入和输出之间的关系,从而保持关系的匿名性。混合服务主要分为以下三种类型:集中混合服务、去中性化混合服务以及跨链混合服务。集中混合服务依赖中央混合服务器来执行混合过程,许多著名混合服务都是集中式混合,如:BitcoinFog。然而,集中式混合服务却存在信任问题。首先,并不能保证服务提供商会将混合的资金发送到用户指定的地址。其次,他们可以记录用户输入和输出之间的原始关系,因此,如果服务本身被破坏,匿名性将被破坏。去中心化混合服务不依赖集中式服务器来执行混合,而是所有参与混合过程的用户根据协议自发地进行货币混合交易。跨链混合服务是由加密货币交易所提供的特殊混合服务,该服务允许用户和其他加密货币交换比特币,使追踪资金的流动过程变得更加困难。
然而,混合服务在保护用户隐私的同时,也为非法交易活动提供了便利。2019年5月8日,著名加密货币交易所Binance报告称,它遭受了大规模的安全漏洞,导致大约7074个比特币被盗,之后进一步的调查表明,大部分被盗的比特币被发送到了一家流行的混合服务提供商进行清洗。混合服务的广泛使用使得追踪区块链上可疑的资金流动变得更加困难,因此洗钱活动中大量使用混合服务来隐藏资金流动关系。打击加密货币上的非法交易活动必须***地了解混合服务,然而比特币混合服务检测任务面临诸多挑战。首先,各个混合服务提供商的混币规则不统一,因此依靠启发式分析来识别混合服务的方法很难通用,也无法处理复杂未知的混币模式。其次,虽然比特币的交易数据是公开透明的,但是缺少标记数据。因此,在使用机器学习模型检测比特币混合服务的方式中缺少真值数据以评估模型的有效性。
发明内容
为解决上述技术问题,本发明提出了基于集成学习和图核分类技术的比特币混合服务检测方法,从WalletExplorer.com3中提取了属于混合服务和常规服务的标记地址,并从Blockchain.com4获得与这些地址相关的真实比特币交易数据,构建出了一个包含超过10,000个实例的比特币混合服务数据集。此外,为了检测更复杂的混合模式,本发明将比特币交易数据建模为比特币地址-交易网络,并提取以每个地址为中心的交易子图,运用集成学习和基于图核的图分类模型组合得到了一个性能更好更通用的检测模型。此外,本发明既适用于比特币混合服务检测任务,也适用于一般的二分类任务。
为实现上述目的,本发明提供了基于集成学习和图核分类技术的比特币混合服务检测方法,包括:
基于原始比特币交易数据,提取比特币交易子图数据集;
构建比特币混合服务检测模型;
基于所述比特币混合服务数据集和所述比特币交易子图数据集,对所述比特币混合服务检测模型进行训练和测试;
基于测试后的所述比特币混合服务检测模型,输出比特币混合服务检测结果。
可选地,基于所述原始比特币交易数据,构建比特币混合服务数据集;
基于所述比特币混合服务数据集,提取出所述比特币交易子图数据集。
可选地,所述原始比特币交易数据包括:一级所属于混币服务的地址及其参与的交易的相关数据。
可选地,构建所述比特币混合服务数据集包括:
将所述原始比特币交易数据分别从地址、交易和网络三个层面提取统计特征,基于三个层面的全部特征数据构建所述比特币混合服务数据集。
可选地,提取所述比特币交易子图数据集包括:
将所述比特币混合服务数据集中的数据建模为比特币地址-交易网络模型,并从所述比特币地址-交易网络模型中以每个地址为中心提取一阶交易子图,基于中心地址的标签作为所述一阶交易子图的标签,构建出所述比特币交易子图数据集。
可选地,所述比特币混合服务检测模型包括:一级学习子模型和二级学习子模型;
所述一级学习子模型包括:AdaBoost学习模块、GBDT学习模块、XGBoost学习模块、LightGBM学习模块和最短路径核图分类模块;
所述二级学习子模型包括:RandomForest学习模块。
可选地,对所述比特币混合服务检测模型进行训练包括:
基于所述比特币混合服务数据集,对所述AdaBoost学习模块、GBDT学习模块、XGBoost学习模块和LightGBM学习模块进行训练,基于所述比特币交易子图数据集对所述最短路径核图分类模块进行训练,获取所述一级学习子模型的原始输出;
基于所述原始输出,对所述二级学习子模型进行训练。
可选地,所述比特币混合服务数据集为:
D=(xi,yi)(|D|=n,xi∈X∈Rm,yi∈{0,1})
其中,n为数据集中的样本总数,D为比特币混合服务数据集,xi为样本i的特征向量,X为所有样本的特征空间,Rm为m维欧氏空间,yi为样本i的标签。
可选地,所述比特币交易子图数据集为:
DG=(gi,yi)(|D|=n,gi∈G,yi∈{0,1})
其中,DG为比特币交易子图数据集,G为比特币地址-交易网络模型,gi为样本i的子图对象。
与现有技术相比,本发明具有如下优点和技术效果:
1.本发明提出一种基于集成学习和图核分类技术的比特币混合服务检测模型,可以有效地检测出所属于比特币混合服务的地址。
2.本发明针对缺少真值数据的问题,从原始比特币交易记录中总结出统计特征,构建比特币混合数据集。此外,还从比特币地址交易网络中提取交易子图,形成一个交易子图数据集,作为对比特币混合数据集的补充。
3.本发明设计了一个组合检测模型,该组合模型与之前的工作相比泛化性能更好,检测效果更优。同时,该检测模型还适用于其他的二分类任务。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例的整体框架示意图;
图2为本发明实施例的提取交易子图的流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例
本发明提供了基于集成学习和图核分类技术的比特币混合服务检测方法,包括:
基于原始比特币交易数据,提取比特币交易子图数据集;
构建比特币混合服务检测模型;
基于所述比特币混合服务数据集和所述比特币交易子图数据集,对所述比特币混合服务检测模型进行训练和测试;
基于测试后的所述比特币混合服务检测模型,输出比特币混合服务检测结果。
进一步地,基于原始比特币交易数据,构建比特币混合服务数据集;
基于所述比特币混合服务数据集,提取比特币交易子图数据集;
进一步地,所述原始比特币交易数据包括:一级所属于混币服务的地址及其参与的交易的相关数据。
进一步地,构建所述比特币混合服务数据集包括:
将所述原始比特币交易数据分别从地址、交易和网络三个层次提取统计特征,基于三个层次的全部特征数据构建所述比特币混合服务数据集。
进一步地,提取所述比特币交易子图数据集包括:
将所述比特币混合服务数据集中的数据建模为比特币地址-交易网络模型,并从所述比特币地址-交易网络模型中以每个地址为中心提取一阶交易子图,基于中心地址的标签作为所述一阶交易子图的标签,构建出所述比特币交易子图数据集。
进一步地,所述比特币混合服务检测模型包括:一级学习子模型和二级学习子模型;
所述一级学习子模型包括:AdaBoost学习模块、GBDT学习模块、XGBoost学习模块、LightGBM学习模块和最短路径核图分类模块;
所述二级学习子模型包括:RandomForest学习模块。
进一步地,对所述比特币混合服务检测模型进行训练包括:
基于所述比特币混合服务数据集,对所述AdaBoost学习模块、GBDT学习模块、XGBoost学习模块和LightGBM学习模块进行训练,基于所述比特币交易子图数据集对所述最短路径核图分类模块进行训练,获取所述一级学习子模型的原始输出;
基于所述原始输出,对所述二级学习子模型进行训练。
本实施例为了克服比特币混合服务检测任务中缺少真值数据而无法准确评估模型的不足,本实施例首先基于爬虫技术获取区块链上的比特币原始交易数据,然后从地址、交易和网络等三个维度对数据进行分析处理,为每个地址提取出26个统计特征,构建出比特币混合服务数据集。为了提高比特币混合服务检测任务中模型的效率与创新性,本实施例设计了一种基于集成学习和图核分类技术的混合服务检测模型方法。该方法基于集成学习中的Stacking思想,使用AdaBoost、GBDT、XGBoost、LightGBM等机器学习模型作为一级学习器,RandomForest作为二级学习器。此外,为了能够检测出更复杂的混币模式,本实施例还在一级学习器中引入了基于最短路径核的图分类模型,同时将比特币混合服务数据集中的数据抽象成比特币交易网络,从交易网络中提取每个地址的交易子图构建子图数据集,用子图数据集训练图分类模型,充分利用比特币的图结构特征来提高检测模型的检测效率。本实施例中设计的组合模型不仅适用于比特币混合服务的检测问题,也适用于一般的二分类问题。
如图1所示,本实施例提出了一种基于集成学习和图核分类技术的比特币混合服务检测方法,图1为实施例的整体架构图,具体步骤如下:
步骤1.使用Python爬虫技术从区块链上获取原始比特币交易数据,其中主要包括正常地址及其参与交易的数据,一级所属于混币服务的地址及其参与的交易的相关数据。
在步骤1中,使用Blockchain.com中提供的区块链数据接口获取比特币原始交易数据,其中,获取的所有交易数据均为2020年之后产生。数据的标签信息来自智能比特币区块链浏览器WalletExplorer.com,主要获取了四个服务中的比特币地址数据,包括:BitcoinFog、Binance、BitcoinWallet、CoinPayments。BitcoinFog是一个混币服务提供商,Binance是一个全球加密货币交易所,BitcoinWallet和CoinPayments是使用广泛的比特币钱包。将属于BitcoinFog的地址标记为混币地址,其他三个服务的地址标记为正常地址。
步骤2.对原始交易数据进行数据分析与处理,从地址、交易和网络三个层次提取统计特征以描述地址的交易行为,构建出比特币混合服务数据集。
在步骤2中,对获取的原始交易数据进行统计分析,从地址层面提取了10个特征,从交易层面提取了10个特征。然后利用图数据库Neo4j对数据进行可视化分析,将交易数据可视化为交易网络并从中提取出6个网络特征。用这三个层面提取的共26个特征构建出共包含10141个样本实例的比特币混合服务数据集D,表示为:
D=(xi,yi)(|D|=n,xi∈X∈Rm,yi∈{0,1})
其中n表示数据集中的样本总数,D为比特币混合服务数据集,xi为样本i的特征向量,X为所有样本的特征空间,Rm为m维欧氏空间,yi为样本i的标签。
步骤3.将比特币混合服务数据集中的数据建模为比特币地址-交易网络,并从中以每个地址为中心提取一阶交易子图,构建出比特币交易子图数据集。
在步骤3中,将比特币混合服务数据集中的数据建模为比特币地址-交易网络G=(V,E),其中V表示节点集,节点集中包含两种类型的节点,即地址和交易。E表示边集,每条边表示比特币在地址和交易之间的传输过程。然后从中每个地址为中心提取一阶交易子图,用中心地址的标签作为该交易子图的标签构建出比特币交易子图数据集DG,表示为:
DG=(gi,yi)(|D|=n,gi∈G,yi∈{0,1})
其中,gi表示以地址实例xi为中心的比特币交易网络中的子图对象。
步骤4.基于集成学习中的Stacking思想,使用AdaBoost、GBDT、XGBoost、LightGBM和最短路径核图分类模型作为一级学习器,RandomForest作为二级学习器,搭建出比特币混合服务检测模型的基本架构。上述一级模型为并列关系,一级模型的输出结果作为二级模型的输入;通过二级学习器组合一级模型的结果可以增加整体模型的准确性。
在步骤4中,基于集成学习中的Stacking思想搭建出比特币混合服务检测模型,具体为:用比特币混合服务数据集训练一级学习器中的AdaBoost、GBDT、XGBoost、LightGBM等机器学习模型,用交易子图数据集训练一级学习器中的基于最短路径核的图分类模型,得到5个一级模型的原始输出,表示为fi,fi∈{0,1}5。接着保持数据集中样本的标签不变,将5个一级模型的输出作为样本的新特征构建出新数据集Dnew,表示为:
Dnew=(fi,yi)(|D|=n,fi∈{0,1}5,yi∈{0,1})
用数据集Dnew训练二级学习器RandomForest,RandomForest的输出即为最终的检测结果。
步骤5.将比特币混合服务数据集和比特币交易子图数据集进行划分,用于训练和测试检测模型。
在步骤5中,将比特币混合服务数据集和交易子图数据集进行划分,其中70%用于训练,30%用于测试。通过自适应学习的方式进行多轮学习,获取各个基础模型的最优参数设置。使用准确率(Accuracy)、精确率(Precision)、召回率(Recall),F1-score等性能指标衡量模型的分类性能。
步骤6.将待检测的比特币地址交易数据进行上述预处理,然后输入到所述训练好的检测模型中进行分类,检测是否为混合服务所有。
本实施例设计的比特币混合服务检测模型可以根据地址的统计特性和网络结构特征判别该地址是否为混合服务所有,达到检测比特币混合服务的目的。本质上,本发明不仅可以识别混合服务,也适用于一般的二分类问题,如异常交易识别等。
本实施例首先是数据收集;首先通过Blockchain.com上提供的区块链数据接口获取实际的比特币交易数据。然后,将数据与从WalletExplorer.com捕获的标记数据合并,构建一个比特币混合数据集。
其次是可视化和特征提取。使用图形化数据库Neo4j来存储和分析比特币交易数据。然后,从不同级别的事务记录中提取统计属性。
更为具体地,上述两步骤中比特币混合服务数据集中共包含10414个实例,每个实例包含从地址、交易和网络三个层面提取的26个特征。
再次是提取交易子图。从比特币地址-交易网络中提取子图,并标记形成一个子图数据集。从比特币地址-交易网络中提取子图,并标记形成一个子图数据集。
更为具体地,在上述步骤中,将原始比特币交易数据建模为交易网络,网络中包含两种类型的节点,即地址和交易。然后从网络中以每个地址为中心提取一阶交易子图,以中心地址地标签标记该交易子图从而形成交易子图数据集,因此交易子图数据集的数据量与比特币混合服务数据集相同。图2为该步骤的具体流程图。
最后是模型训练和测试。将比特币混合数据集和交易子图数据集划分为对设计的组合模型进行训练和测试。
为说明本实施例的检测混合服务的有效性,将构建的数据集进行随机划分,其中70%用于训练模型,剩余30%用于测试模型。使用十次十折交叉验证法评估模型的各个性能指标,并将其与基础模型和其他先进方法进行了对比。表1展示了模型性能对比实验的比较结果,结果显示,本实施例提出的模型在所有性能指标上都显著优于基础模型和对比的先进方法。
表1
以上实验表明了本实施例的方法可以有效地检测比特币混合服务,且能够利用地址的统计属性和网络结构属性检测出复杂的混合模式,取得比普通机器学习模型更好的检测效果,且实验结果达到了可以实际应用的标准。
本实施例提供了一种基于集成学习和图核分类技术的比特币混合服务检测模型,其特点在于,使用集成学习的思想将多个机器学习模型结合起来,发挥各个模型的优势,可以获得性能更优、泛化性能更好的组合模型。此外,将比特币交易数据建模为比特币地址交易网络,从网络中挖掘地址的拓扑结构特征,然后用基于图核的图分类技术对交易子图进行分类可以充分利用结构特征检测出更加复杂的混合模式。与现有技术相比,本实施例的积极效果如下:
1.本实施例提出一种基于集成学习和图核分类技术的比特币混合服务检测模型,可以有效地检测出所属于比特币混合服务的地址。
2.本实施例针对缺少真值数据的问题,从原始比特币交易记录中总结出26个统计特征,构建了比特币混合数据集。此外,还从比特币地址交易网络中提取交易子图,形成一个交易子图数据集,作为对比特币混合数据集的补充。
3.本实施例设计了一个基于六个基础模型的组合检测模型,该组合模型与之前的工作相比泛化性能更好,检测效果更优。同时,该检测模型还适用于其他的二分类任务。
4.本实施例采用比特币混合服务数据集和交易子图数据集评估了模型对比特币混合服务的检测性能,同时还使用公开的以太坊账户数据集和Elliptic数据集对模型的分类性能和泛化性能进行了评估。实验结果表明,本发明的方案在比特币混合服务检测场景和其他二分类场景下都要优于其他先进的方案。
以上,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.基于集成学习和图核分类技术的比特币混合服务检测方法,其特征在于,包括:
基于原始比特币交易数据,提取比特币交易子图数据集;
构建比特币混合服务检测模型;
基于所述比特币混合服务数据集和所述比特币交易子图数据集,对所述比特币混合服务检测模型进行训练和测试;
基于测试后的所述比特币混合服务检测模型,输出比特币混合服务检测结果。
2.根据权利要求1所述的基于集成学习和图核分类技术的比特币混合服务检测方法,其特征在于,
基于所述原始比特币交易数据,构建比特币混合服务数据集;
基于所述比特币混合服务数据集,提取出所述比特币交易子图数据集。
3.根据权利要求1所述的基于集成学习和图核分类技术的比特币混合服务检测方法,其特征在于,所述原始比特币交易数据包括:一级所属于混币服务的地址及其参与的交易的相关数据。
4.根据权利要求1所述的基于集成学习和图核分类技术的比特币混合服务检测方法,其特征在于,构建所述比特币混合服务数据集包括:
将所述原始比特币交易数据分别从地址、交易和网络三个层面提取统计特征,基于三个层面的全部特征数据构建所述比特币混合服务数据集。
5.根据权利要求1所述的基于集成学习和图核分类技术的比特币混合服务检测方法,其特征在于,提取所述比特币交易子图数据集包括:
将所述比特币混合服务数据集中的数据建模为比特币地址-交易网络模型,并从所述比特币地址-交易网络模型中以每个地址为中心提取一阶交易子图,基于中心地址的标签作为所述一阶交易子图的标签,构建出所述比特币交易子图数据集。
6.根据权利要求1所述的基于集成学习和图核分类技术的比特币混合服务检测方法,其特征在于,所述比特币混合服务检测模型包括:一级学习子模型和二级学习子模型;
所述一级学习子模型包括:AdaBoost学习模块、GBDT学习模块、XGBoost学习模块、LightGBM学习模块和最短路径核图分类模块;
所述二级学习子模型包括:RandomForest学习模块。
7.根据权利要求6所述的基于集成学习和图核分类技术的比特币混合服务检测方法,其特征在于,对所述比特币混合服务检测模型进行训练包括:
基于所述比特币混合服务数据集,对所述AdaBoost学习模块、GBDT学习模块、XGBoost学习模块和LightGBM学习模块进行训练,基于所述比特币交易子图数据集对所述最短路径核图分类模块进行训练,获取所述一级学习子模型的原始输出;
基于所述原始输出,对所述二级学习子模型进行训练。
8.根据权利要求1所述的基于集成学习和图核分类技术的比特币混合服务检测方法,其特征在于,所述比特币混合服务数据集为:
D=(xi,yi)(|D|=n,xi∈X∈Rm,yi∈{0,1})
其中,n为数据集中的样本总数,D为比特币混合服务数据集,xi为样本i的特征向量,X为所有样本的特征空间,Rm为m维欧氏空间,yi为样本i的标签。
9.根据权利要求1所述的基于集成学习和图核分类技术的比特币混合服务检测方法,其特征在于,所述比特币交易子图数据集为:
DG=(gi,yi)(|D|=n,gi∈G,yi∈{0,1})
其中,DG为比特币交易子图数据集,G为比特币地址-交易网络模型,gi为样本i的子图对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211450512.9A CN115860933A (zh) | 2022-11-17 | 2022-11-17 | 基于集成学习和图核分类技术的比特币混合服务检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211450512.9A CN115860933A (zh) | 2022-11-17 | 2022-11-17 | 基于集成学习和图核分类技术的比特币混合服务检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115860933A true CN115860933A (zh) | 2023-03-28 |
Family
ID=85664192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211450512.9A Pending CN115860933A (zh) | 2022-11-17 | 2022-11-17 | 基于集成学习和图核分类技术的比特币混合服务检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860933A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918584A (zh) * | 2019-03-25 | 2019-06-21 | 中国科学院自动化研究所 | 比特币交易所地址识别方法、***、装置 |
CN112700332A (zh) * | 2021-01-11 | 2021-04-23 | 北京金色大数据有限公司 | 一种基于图计算的比特币账户聚类方法 |
CN113438209A (zh) * | 2021-06-04 | 2021-09-24 | 中国计量大学 | 一种基于改进的Stacking策略的钓鱼网站检测方法 |
US20220027900A1 (en) * | 2019-01-22 | 2022-01-27 | S2W Lab Inc. | Cryptocurrency transaction analysis method and system |
CN114298169A (zh) * | 2021-12-10 | 2022-04-08 | 东南大学 | 一种基于图分类的比特币混合服务类型识别方法 |
-
2022
- 2022-11-17 CN CN202211450512.9A patent/CN115860933A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220027900A1 (en) * | 2019-01-22 | 2022-01-27 | S2W Lab Inc. | Cryptocurrency transaction analysis method and system |
CN109918584A (zh) * | 2019-03-25 | 2019-06-21 | 中国科学院自动化研究所 | 比特币交易所地址识别方法、***、装置 |
CN112700332A (zh) * | 2021-01-11 | 2021-04-23 | 北京金色大数据有限公司 | 一种基于图计算的比特币账户聚类方法 |
CN113438209A (zh) * | 2021-06-04 | 2021-09-24 | 中国计量大学 | 一种基于改进的Stacking策略的钓鱼网站检测方法 |
CN114298169A (zh) * | 2021-12-10 | 2022-04-08 | 东南大学 | 一种基于图分类的比特币混合服务类型识别方法 |
Non-Patent Citations (1)
Title |
---|
祝烈煌;董慧;沈蒙;: "区块链交易数据隐私保护机制", 大数据, no. 01, pages 49 - 59 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
CN110223168B (zh) | 一种基于企业关系图谱的标签传播反欺诈检测方法及*** | |
CN107103171B (zh) | 机器学习模型的建模方法及装置 | |
CN110413707A (zh) | 互联网中欺诈团伙关系的挖掘与排查方法及其*** | |
CN109087079A (zh) | 数字货币交易信息分析方法 | |
CN111831923A (zh) | 识别关联的特定账户的方法、装置及存储介质 | |
Racz et al. | Correlated stochastic block models: Exact graph matching with applications to recovering communities | |
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 | |
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 | |
KR102051350B1 (ko) | 암호화폐 거래를 분석하기 위한 데이터 획득 방법 및 장치 | |
CN111090807A (zh) | 一种基于知识图谱的用户识别方法及装置 | |
CN113762579A (zh) | 一种模型训练方法、装置、计算机存储介质及设备 | |
CN115375480A (zh) | 基于图神经网络的异常虚拟币钱包地址检测方法 | |
CN116881687B (zh) | 一种基于特征提取的电网敏感数据识别方法及装置 | |
CN111277433B (zh) | 基于属性网络表征学习的网络服务异常检测方法及装置 | |
CN112686654A (zh) | 区块链数字货币交易的识别方法、装置、电子设备及存储介质 | |
CN109410035B (zh) | 一种协助反欺诈分析群组结构的方法及工具 | |
CN115860933A (zh) | 基于集成学习和图核分类技术的比特币混合服务检测方法 | |
CN114024748B (zh) | 一种结合活跃节点库和机器学习的高效以太坊流量识别方法 | |
CN114723554A (zh) | 异常账户识别方法及装置 | |
CN115310606A (zh) | 基于数据集敏感属性重构的深度学习模型去偏方法及装置 | |
Jose et al. | Detection of credit card fraud using resampling and boosting technique | |
CN110033031B (zh) | 群组检测方法、装置、计算设备和机器可读存储介质 | |
CN116861226A (zh) | 一种数据处理的方法以及相关装置 | |
CN113469696A (zh) | 一种用户异常度评估方法、装置及计算机可读存储介质 |
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 |