[发明专利]一种基于GCN的区块链交易风险分析方法

说明书

本发明公开了一种基于GCN的区块链交易风险分析方法，包括：步骤S1：对目标交易进行溯源，获得其资金来源的交易；步骤S2：对比资金来源交易中的地址和地址库，计算已知地址的风险值，按照资金比例汇总得到已知风险值；步骤S3：将未知地址涉及的交易输入GCN得到风险值，按照资金比例汇总计算估计风险值；步骤S4：合并S2中的已知风险值和S3中的估计风险值。本发明通过比对地址库对已知地址分析风险值，并对未知地址结合GCN估计其所属交易的风险，对比传统机器学习的估计方法，加强了对交易图的点和关系的利用，提高了区块链交易风险分析的准确率。

技术领域

本发明涉及深度学习、图卷积网络和区块链领域，具体涉及一种基于GCN的区块链交易风险分析方法。

背景技术

区块链技术是一种新型的分布式账本技术，它可以在互不信任的环境下实现去信任 中介的可信交易。与传统数据库技术相比，区块链技术具有防伪造，不可篡改以及能方便实 现智能合约等特点。区块链已成为社会的关注焦点。

随着区块链技术的发展，由于缺乏有效监管，缺乏通用规范，代码漏洞等原因， 区块链上的攻击屡见不鲜，并且安全事件的爆发逐年递增，在2019年已经造成了全球超过 60亿美元的损失。因此，如何有效检测和防范区块链上的攻击成为了重中之重。

随着人工智能技术的飞速发展，对于图数据的研究也逐渐加深，图数据是由点(目标)和边(关系)构成的数据结构，这类数据常出现在金融交易，社交网络，知识图谱等领域。随着2007年，GNN正式进入人们的视野，之后许多图神经网络的变种陆陆续续被提出，由 于这些方法能很好的处理图数据输入(CNN不容易处理不具有平移不变性的数据)，能够捕捉点之间的依赖关系，并且具有良好的可解释性，GNN相关方法被广泛应用在社交网络，知 识图谱等领域。其中GCN作为GNN的一个变种，将CNN上的卷积引入到了图中，通过拉 普拉斯矩阵提取点之间的关系，从而提高了模型的识别能力，并简化了运算的复杂度。

发明内容

为了检测区块链上的风险交易，进而防范攻击事件，本发明提出了一种基于GCN的区块链交易风险分析方法。该方法包括如下步骤：步骤S1：对目标交易进行溯源，获取 一定数量的资金来源交易；步骤S2：对比这些交易中的地址与地址库，对已知地址按照资 金比例，计算已知风险值(风险值为0-1之间的值，越接近1代表其风险越高，已知风险值， 即代表已知地址计算得到的风险值)；步骤S3：将未知地址涉及的交易输入GCN得到风险 值，汇总资金，按比例计算估计风险值；步骤S4：合并S2中的已知风险值和S3中的估计 风险值。

进一步地，步骤S1中，区块链上的交易必定是可溯源的，一笔交易分为输入和输出两部分，溯源表示已知一笔交易，递归找他的输入资金来源的交易。

进一步地，步骤S2中，已知地址库中包含地址和地址风险值构成的键值对，在 S1中，溯源得到的交易中如果有已经存在于地址库中的地址，则可以直接得到其风险值， 再根据这个地址占据的目标交易的资金比重，两者相乘即可计算这个地址对目标交易的风险值，累加这些风险值，即可得到已知风险值。

进一步地，步骤S3中进行估计风险值的计算可以使用GCN模型，输入为交易， 输出为风险值，同样和资金占目标交易的比重相乘，汇总即可得到估计风险值。

进一步地，步骤S3中，GCN使用二阶切比雪夫多项式的近似作为卷积核，使得 卷积部分可以简化为H＝LXW，这里L为加上单位矩阵后的对称归一化拉普拉斯矩阵，X的 输入，W为权重矩阵，H为卷积输出。GCN模型构建包括如下步骤，步骤S31：计算加上 单位矩阵后的对称归一化拉普拉斯矩阵L；步骤S32：计算第一层卷积，连接Relu激活函数； 步骤S33：计算第二层卷积，连接Relu激活函数，权重和第一层卷积不共享，再连接 Softmax函数归一化输出；步骤S34：计算交叉熵损失，使用Adam优化器优化权重。