[发明专利]交易网络的异常检测方法、电子设备及存储介质

说明书

本发明提供一种交易网络的异常检测方法、电子设备及存储介质。所述方法包括：构建多个token交易网络，所述token交易网络中的节点表示账户，所述token交易网络中连接节点的边表示账户之间存在交易，所述边的方向表示交易流的方向，所述边的权重表示交易量，且所述边记录有时间戳；从所述多个token交易网络中提取多个交易子网络；将所述多个交易子网络中的节点作为目标节点，获取所述目标节点的属性特征；将所述多个交易子网络重新组合为每个时间戳下的快照图网络；将所述快照图网络和所述属性特征输入至预先构建的检测模型，得到所述快照图网络的异常检测结果。本发明能够提高交易网络的异常检测的准确性。

技术领域

本发明属于计算机技术领域，具体是涉及到一种交易网络的异常检测方法、电子设备及存储介质。

背景技术

区块链是一个开放和分布式的账本，其可以记录越来越多的数据，并基于区块链技术进行保护，不需要依赖传统的第三方，即其具有去中心化、加密和防篡改的特点。在数字货币场景中，区块链最广泛的应用是加密货币技术，账户之间可以自由、方便地进行交易。比特币和以太坊是基于区块链的两个先驱平台。以太坊被认为是“世界上的分布式计算机”，是第一个实现智能合约的平台。区块链数字货币，作为一种新型的数字货币形式，其在近十年间得到了迅速的发展。随着其高速发展，异常检测受到了广泛的关注。例如，在以太坊中，比预期更频繁出现的特定子图可能表明新出现的恶意软件。因此，区块链交易网络中的异常检测越来越受到加密货币社区的关注。

在构建区块链交易网络时，节点表示交易地址(或账户)，边表示地址之间的交易。现有的区块链交易网络异常检测方法主要分为两类：(1)传统的基于机器学习的人工提取特征方法：这类方法首先人工提取交易网络的特征(节点度等)；然后，采用一些传统的机器学习分类方法执行异常检测。然而，这些特征工程方法需要领域专家知识，检测结果主要依赖于人工提取的特征，并且现有这类方法忽略了交易网络的结构信息，会导致异常检测的准确率较差。

(2)节点嵌入方法：现有这类方法采用随机游走节点表示学习或图神经网络(Graph NeuralNetwork,GNN)技术，自动学习交易网络中的深层特征，以获得每个节点的低维嵌入，基于获得的低维嵌入来执行分类任务。但是，这种方法每次只考虑一个token交易网络，且忽略交易的时间戳和交易流方向信息，导致异常检测的准确率较差。

发明内容

本发明要解决的技术问题是提供一种交易网络的异常检测方法、电子设备及存储介质，能够提高交易网络的异常检测的准确性。

本发明的内容包括一种交易网络的异常检测方法，包括：

构建多个token交易网络，所述token交易网络中的节点表示账户，所述token交易网络中连接节点的边表示账户之间存在交易，所述边的方向表示交易流的方向，所述边的权重表示交易量，且所述边记录有时间戳；

从所述多个token交易网络中提取多个交易子网络；

将所述多个交易子网络中的节点作为目标节点，获取所述目标节点的属性特征；

将所述多个交易子网络重新组合为每个时间戳下的快照图网络；

将所述快照图网络和所述属性特征输入至预先构建的检测模型，得到所述快照图网络的异常检测结果。

可选地，所述构建多个token交易网络，包括：

获取多个token交易记录数据，所述token交易记录数据包括交易的起始账户、目的账户、交易量和时间戳；

根据每个token交易记录数据，构建一个token交易网络。

可选地，所述从所述多个token交易网络中提取多个交易子网络，包括：

去除每个token交易网络中交易频繁度小于预设值的节点及其连接的边，得到多个交易子网络。