[发明专利]一种针对以太网钓鱼诈骗的网络表示学习方法

权利要求书

1.一种针对以太网钓鱼诈骗的网络表示学习方法，其特征在于，包括：

S10获取交易历史记录，从交易历史记录中提取节点及其一阶邻居节点，其中节点包括钓鱼节点和其他节点；

S20从各节点交易的历史记录中提取各节点的交易特征；

S30采用网络表示学习方法采样各节点间的交易特征并学习，以得到与各节点结构特征相应的网络表示学习向量；

S40采样各节点交易特征的相应网络表示学习向量输入分类器分类，以将钓鱼节点从各节点中分类出来。

2.如权利要求1所述的针对以太网钓鱼诈骗的网络表示学习方法，其特征在于，所述S30具体包括：

S301针对交易网络建立网络表示学习方法trans2vec以学习交易网络各节点间的结构特征，将交易网络视为四元组：G＝(V,E,X,Y)，其中V为节点集合，E为边的集合，s为边的特征空间大小，X为边属性，y代表标签集合，是实数集合，Y代表标签空间；

S302采用随机游走生成器捕捉节点与周围节点之间的联系，并将之形成表示节点的结构特征序列，基于随机游走采样各节点的结构特征序列由交易网络的四元组生成交易网络的特征结构；

S303采用skip-gram模型求解最大似然优化来学习得到节点的网络表示向量。

3.如权利要求2所述的针对以太网钓鱼诈骗的网络表示学习方法，其特征在于，所述交易网络的特征结构为有向有权的交易网络。

4.如权利要求2所述的针对以太网钓鱼诈骗的网络表示学习方法，其特征在于，所述交易特征至少包括交易金额，所述随机游走生成器采用基于交易金额的随机游走策略，具体为：

在交易网络中，两个节点之间的交易金额越大，则它们的关系越紧密，基于节点间交易金额的采样概率函数，从节点u出发，节点u的一阶邻居节点x的转移概率为：

其中u为任意节点，x为节点u的一阶邻居节点，V_u为节点u的一阶邻居节点集合，A(u,x)为节点u和x的交易金额。

5.如权利要求1所述的针对以太网钓鱼诈骗的网络表示学习方法，其特征在于，所述交易特征至少包括时间戳，所述随机游走生成器还采用基于时间戳的随机游走策略，具体为：

假设与中心节点交易时间越近的节点，对中心节点的影响越大，将每次交易唯一对应的时间戳映射到离散时间步长中，建立基于时间戳的采样概率函数，从节点u出发，节点u的一阶邻居节点x的转移概率为：

其中u为任意节点，x为节点u的一阶邻居节点，V_u为节点u的一阶邻居节点集合，T(u,x)为节点u和x最近的一次交易时间戳的时间步长。

6.如权利要求1所述的针对以太网钓鱼诈骗的网络表示学习方法，其特征在于，所述交易特征至少包括交易特征和时间戳，所述随机游走生成器设置了用于在交易金额和时间戳之间平衡的游走偏置α，基于交易金额和时间戳的采样概率函数，节点u到一阶邻居节点x的非标准化的转移概率为：

其中，u为任意节点，x为节点u的一阶邻居节点，V_u为节点u的一阶邻居节点集合，A(u,x)为节点u和x的交易金额，T(u,x)为节点u和一阶邻居节点x的最近一次交易时间戳的时间步长。

7.如权利要求6所述的针对以太网钓鱼诈骗的网络表示学习方法，其特征在于，所述游走偏置α允许在时间和数量之间采样时根据具体情况进行调整且，0α1。