[发明专利]一种针对以太坊平台的庞氏骗局识别方法及系统

权利要求书

1.一种针对以太坊平台的庞氏骗局识别方法，其特征在于，包括如下步骤：

S1：在以太坊平台上获取目标合约的交易记录，提取合约的一阶交易邻居以及其连边，构成时序有权有向一阶交易网络；

S2：在步骤S1中构建的时序有权有向一阶交易网络中，提取出各合约的交易特征向量；

S3：将时序有权有向一阶交易网络转换为简单的无权无向网络，提取出网络拓扑结构特征；

S4：采用基于GCN的庞氏骗局检测模型，结合步骤S2中的交易特征向量和步骤S3中的拓扑结构特征进一步地学习特征，实现具有庞氏骗局性质的智能合约的识别任务。

2.如权利要求1所述的一种针对以太坊平台的庞氏骗局识别方法，其特征在于，所述步骤S1具体包括：

S1.1：构建一阶交易网络的具体步骤如下：在以太坊的所有交易记录中，提取目标合约样本的一阶邻居以及连边，并过滤去掉其中交易金额为0或者失败的交易，将合约样本及其一阶邻居(外部账户)作为节点，两者之间交易记录作为连边，从而构建成时序有权有向的一阶交易网络G，其中G＝(V_t，E_t)，V_t和E_t分别表示存在时序关系的节点集合和连边集合；

S1.2：该一阶交易网络G为时序有权有向网络，即，存在时序、方向以及权重的复杂交易网络；每条连边都是唯一确定的即具有唯一的交易时间和交易金额；当节点u和节点v存在连边时，该连边可以表示为e＝(u，v，w，t)，对于e∈E，Src(e)＝u，Dst(e)＝v，其中u是开始(Src)节点，v是完成(Dst)节点，w是权重(交易金额)，t是每笔记录的交易时间。

3.如权利要求1所述的一种针对以太坊平台的庞氏骗局识别方法，其特征在于，所述步骤S2具体包括：

S2.1：交易特征获取，具体包括：在步骤S2中的时序有权有向一阶交易网络中获取两种交易特征信息：交易金额w和交易时间t，且使用交易方向来衡量入交易、出交易。

提出了一种交易特征的提取方法，从以下三个方面提取特征：

S2.1.1：交易账户方面，结合交易方向来计算目标合约的入度和出度，即合约出入交易账户的数量(count_in/count_out)；

S2.1.2：交易金额方面，根据合约交易的流入和流出计算目标合约的交易金额的总数(sum)、最大值(max)、最小值(min)、平均值mean)和方差(std)；

S2.1.3：交易时间方面，计算合约的生命周期(lifetime)，即计算合约的初始创建时间与合约的最近一次运行时间的时间间隔。

4.如权利要求1所述的一种针对以太坊平台的庞氏骗局识别方法，其特征在于，所述步骤S3具体包括：

网络拓扑结构特征提取，在步骤S1中的时序有权有向的一阶交易网络，去掉时序、权重、方向的性质，仅保留简单的网络结构信息，即目标合约和一阶邻居及其连边的拓扑结构关系，通过邻接矩阵A来表示。

5.如权利要求1所述的一种针对以太坊平台的庞氏骗局识别方法，其特征在于，所述步骤4具体包括：

将步骤S2、S3中获得的归一化后的交易特征向量和网络拓扑结构信息一同输入该基于GCN的庞氏骗局检测模型；在邻接矩阵A上执行自循环、归一化操作，具体公式如下：

其中A是邻接矩阵，I_n是单位矩阵，是自循环后的邻接矩阵，是的度矩阵，是自循环、归一化后的拓扑结构特征矩阵；

其中该庞氏骗局检测模型为具有softmax功能的3层GCN的模型，前向传播公式如下：

其中Z∈R^n×y是分类的概率分布，n是特征向量的维度数，而y是节点标签的维度数；对于GCN的输入层，是最基本的GCN结构，是归一化后的拓扑结构特征矩阵，初始特征向量矩阵X是归一化后的交易特征向量，W⁽⁰⁾、W⁽¹⁾和W⁽²⁾分别是第一、第二和第三层可训练权重矩阵；通过多层GCN的结构获得目标合约的最终嵌入向量，进而实现识别庞氏合约的任务。

6.一种针对以太坊平台的庞氏骗局识别系统，其特征在于：包括依次连接的网络构建模块、数据处理模块、分类识别模块；

网络构建模块，在以太坊的所有交易记录中，提取数据集中目标合约的一阶邻居以及连边，并过滤其中交易金额为0或者失败的交易，将目标合约、外部账户作为节点，两者之间交易记录作为连边，构建成时序有权有向的一阶交易网络；

数据处理模块，在时序有权有向一阶交易网络中，从交易账户、交易金额和交易时间三个方面获得目标合约的交易特征向量；将时序有权有向一阶交易网络转换为简单的无权无向网络，提取出网络拓扑结构特征；

分类识别模块，采用基于GCN的检测模型，对目标合约的交易特征向量和拓扑结构特征进行学习，通过多层GCN的结构获得目标合约的最终嵌入向量，进而实现识别庞氏合约。