[发明专利]基于eID和谱理论的跨平台虚拟资产交易审计方法

说明书

技术领域

本技术属于网络与信息安全领域，具体涉及一种基于eID和谱理论的跨平台虚拟资产交易审计方法。

背景技术

eID是电子身份证(electronic IDentity)的英文缩写，全称为公民网络电子身份标识，是居民身份证在网络上的异化形式。eID是网络上远程证明个人真实身份的权威性电子信息文件，由公安部公民网络身份识别系统签发(http://eid.cn/khatiseid.html)。它是由网民个人身份信息生成的一组唯一的网络标识符和数字证书，而网民真实信息保存在第三方可信机构。智能芯片卡把功能和用户的其他标识信息(如名称、e-mail、身份证号等)捆绑在一起，在网络上提供用户身份的验证信息，使得每个网民在网络虚拟环境中有且只有一个对应的真实身份。eID具有权威性、安全性和公信力，它避免了直接使用身份证导致的隐私泄漏问题，实现真正意义上的“前端匿名，后端实名”机制。目前，作为科技部的一个重大项目，eID在北京、上海等部分地区开始试运用，主要是对互联网上的远程身份进行识别与验证，如校园网络、电子商务、网络媒体，在线服务等等。北京邮电大学校园网已基本实现了基于eID的服务功能，并且取得了阶段性的成果。eID的使用为本技术的实现奠定了基础。

虚拟资产交易审计主要是检测交易过程中的异常，即通过对虚拟资产交易相关日志进行关联分析，及时发现用户对虚拟资产的违规操作行为。异常审计是数据挖掘的重要内容，其实现方法有多种。基于分类的异常审计方法：基于分类的异常审计技术是一个两阶段过程，包括学习阶段和分类阶段。学习阶段，又称训练阶段，建立描述预先定义的数据类或概念集的分类器，通过有效的标记训练集构造分类器；分类阶段，又称测试阶段，利用分类器将一个测试对象标记为正常或异常。它的使用基于如下一般性假设：在给定的特征空间中，必能构造区分正常和异常数据类的分类器(Tan P N,Steinbach M,Kumar V.Introduction to Data Mining[J].2006.)。基于最邻近的异常审计技术：给定特征空间中的数据集，可以使用距离度量来量化对象之间的相似性。直观地，远离其它对象的对象可以被视为异常，基于邻近性的方法假定：异常数据与它最近邻的邻近性显著偏离数据集中的其它数据与它们近邻之间的邻近性(Byers S,Raftery A E.Nearest-neighbor clutter removal for estimating features in spatial point processes[J].Journal of the American Statistical Association,1998,93(442):577-584.)。统计学异常审计技术：统计学异常审计技术对数据的正常性做了假设。它们假定数据集中的正常对象由一个随机过程(生成模型)产生，因此，正常对象出现在该随机模型的高概率区域中，而低概率区域中的对象是异常的。该技术的一般思想是：学习一个拟合给定数据集的生成模型，然后识别该模型低概率区域中的对象，把它们视为异常(Aggarkal C C,Philip S Y.Outlier Detection kith Uncertain Data[C]//SDM.2008:483-493.)。信息论的异常审计技术：信息理论技术采用Kolmogorov复杂性、熵和相对熵等不同的信息论方法分析数据集中的信息量。该技术的使用基于以下事实：数据集中的异常会引发数据集信息量的不规则变化。信息论的异常检测技术的步骤如下：给定数据集D，找出该数据集的一个最小子集I，使得C(D)-C(D-I)的值最大，子集I中的数据被认为是异常，其中C(D)表示数据D的复杂性(Keogh E,Lonardi S,Ratanamahatana C A.Tokards parameter-free data mining[C]//Proceedings of the tenth ACM SIGKDD international conference on Knokledge discovery and data mining.ACM,2004:206-215.)。基于谱理论的异常审计技术：谱技术通过一组包含数据集主要特征的属性找到数据的一种近似表示。基于谱的异常审计技术假设数据可以被映射到低维度的子空间中并且正常数据与异常数据有显著区别。因此该技术一般采用主成分分析法找到这样的子空间，在该子空间内，异常数据容易被识别(Agovic A,Banerjee A,Ganguly A R,et al.6Anomaly Detection in Transportation Corridors Using Manifold Embedding[J].Knokledge Discovery from Sensor Data,2008:81-105.)。