[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

摘要

本发明公开一种基于eID和谱理论的跨平台虚拟资产交易审计方法，本技术的核心思想就是对跨平台虚拟资产的交易操作日志进行建模并构造审计规则库，然后结合eID技术利用交易属性对用户交易日志实现关联审计分析，最终获取理想的虚拟资产交易审计准确率，本技术在建立数据模型时充分考虑了数据相关属性的问题，并且能适应用户交易属性多变性和交易行为不确定性的特点。本技术通过构建规则库可以根据审计结果对其进行动态修正。在虚拟资产交易日志测试阶段，本技术的使用的检测方法不仅简单而且能获取较高的精度。

主权项

一种基于eID和谱理论的跨平台虚拟资产交易审计方法，其特征在于，包括以下步骤：步骤1、给定某类虚拟资产的正常交易日志记录，称之为训练集；对于该训练集，根据eID的唯一性，对其进行预处理：合并相同eID用户的交易日志，将交易操作转化为时序数据,统计每个eID用户的交易属性信息，形成用户交易属性信息库Φ；步骤2、为用户的交易操作日志建立数学模型：将每名eID用户的交易操作时序数据进行分割，分割长度为l；此外，将日志记录中互不相同操作的个数记为N，这样可以为每个l长的交易操作序列创建N×N大小的矩阵Cl；该矩阵的横纵坐标都是不同类型的操作，而矩阵元素就是对应的操作对在窗口尺寸h内出现的频数，即h个连续操作中某操作对出现的次数；矩阵Cl的每个元素代表了操作对之间的关联度；步骤3、利用谱理论抽取用户交易操作行为主特征：由训练集转化得到的矩阵集为C＝{C1,C2,…,Cn}，Ci都是N×N的，1≤i≤n，通过等式(1)计算均值矩阵Cmean，n是训练集中时序数据段的总数；Cmean=1nΣi=1nCi---(1)]]>矩阵集C中的每个矩阵减去均值矩阵Cmean得到新的矩阵集C′；对于C′中的N×N矩阵Ci′，可以改写为1×N2的向量即构造协方差矩阵E，大小是N2×N2，矩阵E元素的含义就是操作对与操作对之前关联度；E=Σi=1nC^iTC^i---(2)]]>根据PCA方法计算矩阵E的特征值为λi和相应的特征向量根据谱理论和矩阵E的性质可知，构成N2×N2维空间的一组正交基，从N2个特征向量中选择前k个，使得这k个特征的主成分贡献率达到预定阈值η，即Σi=1kλiΣi=1N2λi≥η---(3)]]>这k个特征向量就代表了用户交易行为的主特征；步骤4、通过用户交易行为主特征构建审计规则库；任何虚拟资产交易日志转化的时序数据矩阵都可以用向量积xi=vi·C^T1≤i≤k---(4)]]>计算它在k个特征向量构成的主特征空间中的坐标表示，记为X＝(x1,…,xk)，其中N×N的C改写成1×N2的通过上式计算，任何高维的时序数据矩阵都可以转化为主特征空间的坐标表示，达到了降维的目的；Σi=1kxiVi=Σi=1k(Ai+Bi)=Σi=1kAi+Σi=1kBi---(5)]]>其中Ai中的元素由xiVi中元素大于阈值α的值构成，其余的构成Bi；正因子模块Ai反映了在正常交易过程中用户最有可能的产生操作序列，而Bi则反映了最不可能出现的操作序列；通过式(4)、(5)计算C′中每个矩阵在主特征空间中的坐标表示并构成正因子模块组和负因子模块组这样就构成了虚拟资产交易日志审计规则库；步骤5、虚拟资产交易操作和交易属性关联审计:对于任一待检测的用户虚拟资产交易时序数据s，首先根据用户使用的eID在交易属性信息库Φ中查询s相关操作的属性发生概率是否都达到预先设定的阈值ζ，若达到则按步骤2构建矩阵M，否则就在矩阵M中未达到阈值ζ的属性关联操作所在的行或列加上惩罚因子θ，θ值由实际应用确定；然后减去均值矩阵Cmean得到M′，并根据式(4)，式(5)计算该时序数据的正负因子模块Ai′和Bi′；最后对于和中的每一组模块，根据下列等式计算用户此段虚拟资产交易日志正常与否的判断值；对于审计判定值ε，有如下审计规则：若且则审计为正常；若且则审计为异常；若且i.若则审计为正常；ii.否则审计为异常；若且i.若则审计为异常ii.否则审计为正常；步骤6、算法修正，若本技术判断正确且审计结果为正常，则将用户相应交易操作属性信息加入属性信息库Φ，并根据用户eID进行概率统计；若本技术判断错误且审计结果为正常，则将用户时序数据的生成的负因子模块加入负因子模块组若本技术判断错误且审计结果为异常，则将用户时序数据的生成的正因子模块加入正因子模块组