[发明专利]一种基于区块链的加密货币用户特征挖掘、异常用户检测方法

说明书

本发明属于区块链的特征挖掘技术领域，公开了一种基于区块链的加密货币用户特征挖掘、异常用户检测方法，获取区块链加密货币的交易数据，对交易数据进行处理，得到交易id、发送方假名、接收方假名、交易加密货币数量和交易时间戳等交易基本信息；采用基于启发式的加密货币地址聚类方法将用户的假名进行聚类，同时将用户进行编号；然后提取用户特征，并对其进行分析、数据统计，将不同类型的用户特征进行分类，区分正常用户与异常用户特征；使用高斯混合模型对用户进行聚类，根据用户分类的特征，找出疑似异常的用户。本发明针对区块链加密货币的匿名性，从区块链中提取有价值的结果，检测用户的异常交易，有助于对加密货币洗钱等违法事件的监管。

技术领域

本发明属于区块链的特征挖掘技术领域，尤其涉及一种基于区块链的加密货币用户特征挖掘、异常用户检测方法。

背景技术

目前，最接近的现有技术：大多是基于无监督机器学习的加密货币交易匿名性分析，包括使用K-means聚类、无监督支持向量机等算法，对真实的数据进行异常检测。这些方法的缺陷在于：首先，没有对原始的交易数据进行启发式用户地址聚类，没有完全将用户所持有的地址划分到用户地址集合当中，因而导致用户集群范围的精确度降低；其次，这些方法没有对用户进行详细的特征挖掘，没有明确给出正常用户与异常用户的划分条件；然后，这些方法使用的算法缺乏估计密度的能力；最后，这些方法异常交易的检测效果不佳，成功率在10％左右，并且是在不考虑混币服务的前提下。

使用本发明所述一种基于区块链的加密货币用户特征挖掘、异常用户检测方法，首先，使用了启发式用户地址聚类方法，能够全面的将用户持有地址划分到其地址集合中，提高了后续建模的精确性；其次，对用户特征进行了详细的挖掘，包括十个方面的特征，丰富的描述了用户存在的各种特点，并且给出正常用户与异常用户的6个划分条件，对后续用户聚类得到的集群分类起关键作用；然后，使用高斯混合模型对用户进行聚类，该算法是基于概率的算法，从密度估计角度进行聚类；最后，在考虑混币服务的情况下，异常交易检测成功率提高到30％左右。

近年来，政府和其他政治机构也对加密货币的不可追溯性非常关切，因为缺乏一个监督和监管加密货币的中央机构，会给社会带来洗钱等非法活动的风险。2018年3月26日，欧洲刑警组织破获一超大规模涉及加密货币洗钱的网络犯罪团伙，在5年时间里，他们总计盗取全球银行约10亿欧元，并将非法收益转化为加密货币。由此可见，建立对加密货币洗钱的监管是非常迫切和重要的。

综上所述，现有技术存在的问题是：对加密货币用户特征挖掘不全面的问题，异常交易检测的效果不佳的问题。

解决上述技术问题的难度和意义：针对加密货币的匿名性，基于区块链的特征挖掘及异常检测，其实是极富挑战性的。第一，加密货币是分布式的，没有任何中央机构对其进行管制，交易数据复杂、不易解析。第二，每个用户拥有任意数量的地址，找出用户的所有地址难度极高，对算力的要求也非常高，因此需要优良的用户地址聚类方法。第三，目前加密货币用户特征类别模糊，需要大量数据统计分析，区分正常用户与异常用户特征，从而进行异常检测。因此，研究区块链的用户特征挖掘以及异常用户检测具有深远的实践意义。

发明内容

针对现有技术存在的问题，本发明提供了一种基于区块链的加密货币用户特征挖掘、异常用户检测方法。

本发明是这样实现的，一种基于区块链的加密货币用户特征挖掘、异常用户检测方法，所述基于区块链的加密货币用户特征挖掘、异常用户检测方法括以下步骤：

步骤一，获取区块链加密货币的交易数据，对交易数据进行处理，得到交易id、发送方假名、接收方假名、交易加密货币数量和交易时间戳；

步骤二，采用基于启发式的加密货币地址聚类方法将用户的假名进行聚类，同时将用户进行编号；

步骤三，提取用户特征，并对其进行分析、数据统计，将不同类型的用户特征进行分类，区分正常用户与异常用户特征；