[发明专利]一种基于神经网络的智能合约庞氏骗局检测算法

权利要求书

1.一种基于神经网络的智能合约庞氏骗局检测算法，其特征在于，包括：通过骗局合约和安全合约地址数据集，在以太坊网站上收集模型需要的数据，这里收集的是合约的字节码；然后，进行数据预处理，提取关键特征，再将提取到的特征输入构建的神经网络模型中进行训练，得到优化的神经网络模型；最后，通过训练好的神经网络模型对未分类的样本进行分类，得到骗局检测结果；具体步骤如下：

(一)采集数据并对数据进行预处理，作为神经网络模型的输入：

首先，通过Etherscan的API进行智能合约数据的爬取，然后进行预处理；所述爬取智能合约数据，是以单个智能合约为对象，爬取的数据是它的字节码，即由十六进制表示的一串数字；所述预处理具体按照N元模型，对拆分后的字节码进行N元操作，转化为有语义信息的向量；处理后的向量，作为模型的输入，用于模型的训练、验证、测试；

(二)构建神经网络模型：

神经网络模型包括循环神经网络和注意力机制；循环神经网络适用于序列模型分类，考虑特征间的顺序关联，注意力机制在训练过程中关注更为重要的特征，赋予它们更高的权重；神经网络模型的结构包括：

(1)特征嵌入层，用于将数据映射到指定维度；

(2)循环神经网络层，用于将存在序列关系的代码进行分类；

(3)注意力机制层，用于模型分类，通过对数据中较为重要的部分给与更高的关注度，来提高模型准确性；

(4)全连接层，起特征提取的作用，同时在整个网络中起到分类器的作用；

(5)sigmoid输出层，用于输出模型判断的概率；

将经过步骤(一)预处理的语义信息向量输入特征嵌入层，然后进入循环神经网络层，以发掘输入信息间的联系，然后加入注意力机制层，对循环网络层的输出赋予权重，考虑更为重要的特征；

设经过步骤(一)预处理的语义信息向量表示为x＝x₁,x₂,…,x_m,m为数据序列长度，x_i是第i个特征；将经过特征嵌入层后的x_i表示为h_i，注意力机制层的直观理解是将一组键值映射到输出；其中，键、值、输出都是向量；

对第i个特征分配注意值来描述特征的重要程度：

其中，是常用的用于归一化的缩放因子，a_i是第i个特征的注意值，V是用于计算注意力的value矩阵；

(三)神经网络模型的训练和测试：

将收集的合约字节码数据分为训练集、验证集和测试集，假设共有N个有标签的合约用于训练，则训练集表示为：D＝{(x⁽ⁱ⁾,y⁽ⁱ⁾)|i＝1,2,…,N},其中x⁽ⁱ⁾表示第i个智能合约的向量表示，y⁽ⁱ⁾∈(0，1)是经过验证的标签；即如果该合约为庞氏骗局，则标签为1，反之为0；

模型训练中的优化目标为：

Obj(θ)＝L(θ)+Ω(θ) (2)

其中，L(θ)是损失函数，Ω(θ)是正则项；损失函数为所有数据的损失函数总和，具体采用二分类问题常用的交叉熵损失函数，其表达式为：

这里，为第i个智能合约数据的实际输出值，y⁽ⁱ⁾为第i个智能合约数据的预期输出值；

正则项Ω(θ)用来防止过拟合,具体为

λ是正则化参数，用于限制过拟合，控制模型复杂度，λ越大，会更加控制权重大的参数，可以取值 1，0.1，0.01，根据实验进行调整；w是嵌入层、循环神经网络层、注意力机制、全连接网络中网络层的权重参数，初始值随机生成，在模型训练过程中迭代更新；

模型不断进行参数迭代，直至收敛,得到优化的神经网络模型；

(四)利用优化的神经网络模型，对未分类的样本进行分类，得到骗局检测结果。

2.根据权利要求1所述的基于神经网络的智能合约庞氏骗局检测算法，其特征在于，所述N元模型中，取N为2或3。