[发明专利]一种以太坊上基于异构图转换网络的非法账户检测方法

说明书

本发明提供一种以太坊上基于异构图转换网络的非法账户检测方法，先定义了一种描述账户活动信息的以账户为中心的异构信息网络的网络模式，然后使用图转换器网络自动挖掘元路径，计算多跳连接，将得到的关系矩阵输入卷积神经网络，得到节点嵌入，检测非法账户；本发明的方法可以用于描述以太坊账户的活动信息，包括账户的交易、余额、区块信息等；提出使用图转换网络学习元路径获得关系矩阵，并作为卷积网络的输入，将非法账户的检测任务转化为基于图神经网络的节点嵌入分类任务；本发明提出的模型经实验验证，节点分类准确率高达95％，优于其他账户检测方案，单次检测时间在一分钟左右，具有高效性和准确性。

技术领域

本发明属于区块链和机器学习交叉技术领域，具体涉及一种以太坊上基于异构图转换网络的非法账户检测方法。

背景技术

近年来，区块链的安全和监管引起了相当大的关注，然而，区块链市场缺乏有效的监管，导致各种欺诈技术开始指向区块链，特别是在金融投资领域，出现了一些诱发高回报投资者的骗局。由于许多投资者不了解区块链的技术，并且受到各种加密货币升值的诱惑，因此很容易被一些犯罪分子诱使，从而导致严重的经济损失。目前，由于诈骗者是匿名的，以及智能合约的某些特点，例如自动执行，因此区块链上存在许多诈骗账户，检测区块链上的非法账户尤为重要。目前对区块链上非法账户检测的研究已经使用深度学习和人工智能进行。

现有大多数关于区块链欺诈的研究都集中在同构节点及其关系上，而不是异构网络中的高阶节点信息和链接。大多数传统算法如图神经网络，输入矩阵是固定的图结构，元路径需要手动指定，这导致模型无法学习图结构的高阶特征，需要更多的人为设定。例如，现有的研究利用深度学习框架来检测账户异常，即表示向量作为网络模型的输入，然后进行异常检测。此外，一些研究使用图结构来表示交易网络信息，将账户作为图的节点，账户间的交易作为边，但图结构仅涉及账户。由于以太坊等平台上账户数目庞大，其中涉及的信息非常复杂，给出一种在这些复杂的网络中智能地提取有用信息，识别欺诈账户的方法是很必要的。

发明内容

有鉴于此，本发明的目的是提供一种以太坊上基于异构图转换网络的非法账户检测方法，,可以快速的实现以太坊上非法账户的检测任务。

一种以太坊上基于异构图转换网络的非法账户检测方法，包括如下步骤：

步骤1：获取合法账户和非法账户作为训练数据；其中，获取各个账户参与的包括相应交易、所在区块、账户余额以及所参与智能合约在内的活动信息；

步骤2：构建以账户为中心的异构信息网络，具体为：

步骤2.1：将账户、交易、区块、智能合约和余额作为网络的节点，并为各个节点添加相应的标签；

步骤2.2：根据不同类型节点之间的关联信息，分别构建邻接矩阵，由此构建边数据集D_edges，具体为：

对于账户-交易(Account-Transaction)邻接矩阵，若当前账户参与某交易，则邻接矩阵对应位置元素值为1，否则值为0，最终得到值全为0、1的稀疏矩阵；

对于交易-区块(Transaction-Block)邻接矩阵，若当前交易存在与某区块中，则邻接矩阵对应位置元素值为1，否则值为0；

对账户-交易(Account-Transaction)邻接矩阵和交易-区块(Transaction-Block)邻接矩阵分别进行转置操作，得到交易-账户邻接矩阵(Transaction-Account)和区块-交易邻接矩阵(Block-Transaction)，则得到四个邻接矩阵构成的不同实体间边集合D_edges；

步骤2.3：构建特征数据集D_features，具体为：