[发明专利]比特币交易所地址识别方法、系统、装置在审

专利信息
申请号: 201910228791.6 申请日: 2019-03-25
公开(公告)号: CN109918584A 公开(公告)日: 2019-06-21
发明(设计)人: 梁嘉琦;李林静;曾大军 申请(专利权)人: 中国科学院自动化研究所
主分类号: G06F16/9537 分类号: G06F16/9537
代理公司: 北京市恒有知识产权代理事务所(普通合伙) 11576 代理人: 郭文浩;尹文会
地址: 100190 *** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 输入信息 地址标识符 地址分类器 地址识别 交易数据 交易网络 安全技术领域 分类器模型 地址信息 交易信息 特征空间 特征向量 网络表示 样本训练 映射函数 直接识别 识别率 构建 样本 标签 信息技术 学习
【权利要求书】:

1.一种比特币交易所地址识别方法,其特征在于,该方法包括:

步骤S10,获取待识别交易数据作为输入信息;所述交易数据包括比特币地址标识符、比特币流向数据;

步骤S20,将基于所述输入信息,构成比特币交易网络;

步骤S30,利用网络表示学习法,获取所述比特币交易网络中的节点的特征向量构成的特征空间;

步骤S40,根据特征空间,通过地址分类器识别所述输入信息中的比特币地址标识符是否为真实的比特币交易所地址信息;

其中,

所述地址分类器为基于多个映射函数的分类器模型的组合,所述的映射函数的分类器模型包括线性支持向量机模型、二项逻辑回归模型、决策树模型、随机森林模型中的一个或多个;对多个映射函数模型的输出通过多数投票法选择,作为所述地址分类器的输出。

2.根据权利要求1所述的比特币交易所地址识别方法,其特征在于,所述的比特币交易网络中,以交易地址为节点、以同一交易中地址之间比特币的流动关系为边。

3.根据权利要求1所述的比特币交易地址识别方法,其特征在于,步骤S30“利用网络表示学习法,获取所述比特币交易网络中节点的特征向量构成的特征空间”,其方法为:

对所述比特币交易网络各节点,采用截断的随机游走策略生成一组游走序列;

使用Skip-Gram模型对随机游走序列进行训练,通过最大化每个游走序列节点生成邻居节点的概率,得到每个节点的向量表示,进而得到所述比特币交易网络的特征矩阵,并以该矩阵作为所述比特币交易网络的特征空间。

4.根据权利要求1-3任一项所述的比特币交易所地址识别方法,其特征在于,所述地址分类器其训练方法为:

获取训练样本;所述训练样本包括交易数据样本和标签样本;所述交易数据样本为包含比特币地址标识符、比特币流向数据集合,所述标签样本为判断所述交易数据样本中比特币地址标识符是否为比特币交易所地址的标签;

通过权力要求1中步骤S20、S30的方法对交易数据样本进行预处理,得到交易数据样本对应的特征空间样本;

基于所述特征空间样本及对应的标签样本,对所述地址分类器进行训练。

5.根据权利要求4所述的比特币地址识别方法,其特征在于,所述标签样本为一般节点时标签为-1、为交易所地址对应的节点时标签为1。

6.根据权利要求4所述的比特币地址识别方法,其特征在于,所述交易数据样本包括交易的哈希值、交易时间戳数据、交易输入地址的哈希值、交易输出的哈希值。

7.根据权利要求4所述的比特币交易所地址识别方法,其特征在于,“对多个映射函数模型的输出通过多数投票法选择,作为所述地址分类器的输出”,其方法为:

依据多个映射函数的模型的输出类别,选择得票最多的类别,若两个类别的得票数相同,则从中随机选出一个。

8.一种比特币交易所地址识别系统,其特征在于,该系统包括获取模块、网络构建模块、特征提取模块、分类器预测模块;

所述获取模块,配置为获取待识别交易数据作为输入信息;所述交易数据包括比特币地址标识符、比特币流向数据;

所述网络构建模块,配置为基于所述输入信息,构建比特币交易网络;

所述特征提取模型,配置为利用网络表示学习法,获取所述比特币交易网络中节点的特征向量构成的特征空间;

所述分类器预测模块,配置为根据所述特征空间,通过地址分类器识别所述输入信息中的比特币地址标识符是否为真实的比特币交易所地址信息。

9.一种存储装置,其中存储有多条程序,其特征在于,所述程序应用由处理器加载并执行以实现权利要求1-7任一项所述的比特币交易所地址识别方法。

10.一种处理设置,包括处理器、存储装置;处理器,适用于执行各条程序;存储装置,适用于存储多条程序;其特征在于,所述程序适用于由处理器加载并执行以实现权利要求1-7任一项所述的比特币交易所地址识别方法。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院自动化研究所,未经中国科学院自动化研究所许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910228791.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top