[发明专利]一种针对以太网钓鱼诈骗的网络表示学习方法

说明书

本发明公开一种针对以太网钓鱼诈骗的网络表示学习方法，包括获取交易历史记录，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；从各节点交易的历史记录中提取各节点的交易特征；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；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。本发明有效地解决了区块链数字货币的各种安全问题，减轻了钓鱼诈骗所造成的严重经济损失。

技术领域

本发明涉及以太坊网络领域，尤其涉及一种针对以太网钓鱼诈骗的网络表示学习方法。

背景技术

区块链是一个开放的分布式分类账，可以有效，可核实和永久地记录双方之间的交易。区块链技术的突出优势在于其分散式设计，这是通过利用共识和奖励机制，加密算法，时间戳和树结构来实现的。最近，区块链已经成为人们关注的焦点，广义的区块链技术有望在金融，科学，技术，文化和政治等领域带来深刻的变化。区块链在经济学中最重要和最着名的应用之一是数字资产(或加密货币)。比特币项目是第一个成功的大规模区块链应用和加密货币的第一个实际实施。

以太坊目前是支持智能合约的最大区块链平台，相应的加密货币以太币是第二大的互联网货币。在以太坊平台中，只需几行代码即可发布ICO。然而，以太坊也成为各种网络犯罪的温床。包括网络钓鱼，庞氏骗局和骗局--累计占据了10％以上ICO。金融安全是区块链生态系统中的一个关键问题。

在区块链数字货币涉及的各种安全问题中，钓鱼诈骗已经造成了严重的经济损失。随着虚拟货币交易业务的兴起，网络钓鱼诈骗成为交易安全的重要威胁。通过伪装，钓鱼诈骗罪犯试图获取用户的敏感信息，如用户名，密码和信用卡等详细信息。网络钓鱼犯罪通常会利用用户的行为和心态，使他们上当受骗，特别是对于缺乏区块链专业知识的人。因此，为了创造有利的投资环境，区块链生态系统迫切需要一种检测和预防网络钓鱼诈骗的有效方法。以往的钓鱼诈骗检测被广泛的讨论，一些反钓鱼的检测模型也应运而生。但与传统场景相比，以太坊上的钓鱼诈骗有以下几点不同：

(1)在以太坊中，钓鱼诈骗罪犯的目标是加密货币而不是传统场景下的现金，所以钓鱼诈骗罪犯需要通过提取加密货币来兑现不义之财。

(2)公共区块链系统的所有交易记录都是公开可访问的，这为我们提供了网络钓鱼预防和检测的完整数据源。

(3)之前在互联网上的网络钓鱼欺诈是通过网络钓鱼电子邮件或钓鱼网站欺诈的。因此，之前的网络钓鱼检测是检测电子邮件或网站是否包含网络钓鱼欺诈信息来实现检测。然而，在以太坊中，网络钓鱼骗局的形式比传统的网络钓鱼骗局更丰富和多样化。它们不仅限于以电子邮件或网站形式的欺诈。因此，基于电子邮件或网站的传统网络钓鱼检测方法无法检测以太坊上的钓鱼诈骗。所以我们需要一个在以太坊场景下的钓鱼检测模型。

由于开放性和透明性是区块链技术的主要特征，因此，在以太坊平台上检测网络钓鱼诈骗的直观方式是从交易记录中提取信息。以太坊交易历史可以被建模为有向有权的交易网络，其中以太坊地址为节点，两个地址之间的一次交易作为边。我们需要从以太坊网络中提取钓鱼节点的特征，输入机器学习的分类算法中来辨别钓鱼节点。

机器学习方法的性能很大程度上取决于数据表示(或特征)的选择。特征工程是利用领域知识提取各种机器学习任务的特征的过程，旨在从大规模数据中自动提取和组织判别信息。为了从网络数据中提取特征，传统方法通常依赖于统计学的特征，内核函数，或其他精心设计的特征来区分节点。然而，这些手动设计的特征相对来说并不灵活，因为它们在学习过程中不能自适应，并且设计这些特征可能是相当耗时耗力的过程。

网络表示学习是一种降维方法，它将节点，边或整个(子)图嵌入到低维向量空间中，并且保留了网络的拓扑结构，节点属性和其他信息。网络表示学习的结果可以用作下游机器学习任务的特征输入。在现有研究中，研究人员已经为一般网络和特定场景提出了各种类型的网络表示学习算法。