[发明专利]一种基于图神经网络的区块链恶意节点检测方法

权利要求书

1.一种基于图神经网络的区块链恶意节点检测方法，其特征在于，包括：

步骤1：采集区块链平台中各个节点的历史数据，并对历史数据集进行预处理，生成检测数据样本集，并将检测数据样本集分为训练集、验证集和测试集；

步骤2：构建并优化基于图神经网络的区块链恶意节点检测模型，并通过训练集、验证集对模型进行训练；

步骤3：采集区块链平台上的最新数据，利用训练好的基于图神经网络的区块链恶意节点检测模型进行恶意节点检测。

2.如权利要求1所述的基于图神经网络的区块链恶意节点检测方法，其特征在于，步骤1中所述的区块链平台中各个节点的历史检测数据由节点地址、交易地址、货币接收方地址、货币发出方地址、区块链块高、交易金额、以及标签构成。

3.如权利要求2所述的基于图神经网络的区块链恶意节点检测方法，其特征在于，所述步骤1具体为：

步骤1.1：对除标签以外的数据按字符拆开转化为多维数字组成的向量；

步骤1.2：将每个节点的多个向量进行拼接构成一条检测数据，区块链平台中各个节点对应的检测数据构成检测数据样本集，将检测数据样本集分为训练集、验证集和测试集；

步骤1.3：对产生交易的双方作为图上的两个节点，构建整个交易图，如果两个节点间存在交易则该两个节点间存在边。

4.如权利要求3所述的基于图神经网络的区块链恶意节点检测方法，其特征在于，所述步骤2具体为：

步骤2.1：将每个节点的多个向量拼接后构成的检测数据作为该节点的节点嵌入向量；

步骤2.2：由交易图构成图邻接矩阵，并计算邻接矩阵中每个元素的期望和方差，以及嵌入向量的方差；

步骤2.3：构建基于图神经网络的恶意节点检测模型；

步骤2.4：将图邻接矩阵和节点嵌入向量矩阵输入步骤23所述基于图神经网络的区块链恶意节点检测模型，输出特征向量；

步骤2.5：根据各个节点的输出特征向量，构建损失函数，利用损失函数优化基于图神经网络的区块链恶意节点检测模型。

5.如权利要求4所述的基于图神经网络的区块链恶意节点检测方法，其特征在于，所述步骤2.3中的基于图神经网络的恶意节点检测模型表达式为：

Z₍₀₎＝X

其中，A为输入的图邻接矩阵；X为输入的节点嵌入向量矩阵，X由各个节点的节点嵌入向量组成；Z_(k)表示第k层的神经网络输出；W_(k)表示第k层的神经网络参数；D为图邻接矩阵加上单位阵后的度矩阵；A_nj为A中第n行第j列的元素，n为图邻接矩阵的行数，即节点的数量；最后一层图神经网络的输出记为Z_(m)，将Z_(m)输入一个m维转2维的线性层，输出向量经sigmod函数后表示各标签的概率，即能得到对于各节点是否为恶意节点的判断。

6.如权利要求5所述的基于图神经网络的区块链恶意节点检测方法，其特征在于，所述步骤2.3中的基于图神经网络的恶意节点检测模型中各层的参数初始化符合如下分布：

其中，Var[Z₍₀₎]表示节点嵌入向量矩阵各元素的方差，表示图邻接矩阵各元素的方差，μ_A表示图邻接矩阵各元素的期望，d表示节点嵌入向量矩阵的维度，n为节点数量。

7.如权利要求4所述的基于图神经网络的区块链恶意节点检测方法，其特征在于，所述步骤2.5中损失函数LOSS表达式如下：

其中，y_i是节点v_i的真实标签，是对节点v_i为恶意节点的预测概率。