[发明专利]用户异常加密数字资产交易类别判断方法、装置

说明书

本申请涉及一种用户异常加密数字资产交易类别判断方法、装置。所述方法包括：挖掘用户的交易哈希和登录数据，构建模型特征数据；根据所述模型特征数据，通过种子K均值聚类算法，计算每个用户的第一异常分值；根据所述模型特征数据，通过iForest模型进行训练，得到每个用户的第二异常分值；对所述第一异常分值和所述第二异常分值进行加权求和，得到每个用户的异常交易结果得分；其中，异常交易结果得分高的用户其异常等级高。采用本方法能够提高异常交易用户判断的准确性。

技术领域

本申请涉及互联网技术领域，特别是涉及一种用户异常加密数字资产交易类别判断方法、装置。

背景技术

现有通过互联网大数据，对用户进行分类的模型，通过采集用户基本信息、消费信息和出行数据，能够实现对用户进行画像，进而可以应用到商业用途中。现有通过机器学习的方法，来判断用户的类别，包括通过监督学习的方式，针对有标签的数据集，通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有对未知数据进行分类的能力，监督学习的算法包括KNN（k-NearestNeighbor，邻近算法）、SVM（Support Vector Machine，支持向量机）；机器学习的方法也包括无监督学习的方式，训练的样本不带有标签，通过机器自动学习实现分类。

对于区块链中加密数字资产交易，整个过程都是在线上进行，交易双方之间没有面对面的交流，无法核实用户真实信息，因而面临异常交易风险。另外，加密数字资产独特的自身属性（如用户数量多、交易规模大、地址匿名化）使得界定与识别上述异常交易行为面临诸多挑战。首先，由于加密数字资产允许用户在网络中使用一个与真实身份无关的假名，并且无需地址重用，所以加密数字资产具有一定的匿名性，客户有可能制造虚假信息进行交易。其次，由于一个用户可以生成多个地址，使得整个账本数据中涵盖了大量不重复的币种地址，同时这些地址也都涉及了海量的加密数字资产交易，因此识别加密数字资产异常交易行为这一过程需要基于海量复杂的加密数字资产交易数据，分析效率低、计算量大。此外，加密数字资产的整体交易模式为多对多（即输入和输出地址均可以是多个）。这种交易模式使得交易中的输入和输出地址之间缺乏显式的链接，同时这种弱链接也更有效地在大量交易数据中模糊了潜在加密数字资产异常交易行为的特征，使得难以通过分析地址链接的方式识别基于加密数字资产的异常交易行为。

加密数字资产异常交易主要可分为空投糖果行为和贪婪注资行为。空投糖果行为的本质是按一定规则免费发放加密货币。这里泛指在一段时间内，大量加密数字资产持有者的账户中无故（或因为前期简单操作，如注册等）多出一部分数字资产的现象。贪婪注资行为通常是在一定时间段内存在某个或者某几个加密数字资产账户收到大量转账交易的行为。这里的“贪婪”具体指代两种不同角度的“贪婪”。一种是恶意用户通过非法的方式，贪婪地向普通用户索取加密加密数字资产资产。另一种是贪婪用户希望通过注资这种行为（如，投资加密加密数字资产）获得财富增长。用户很有可能被骗取大额财产，倘若能及时发现这些异常交易的存在，那么便可避免此类悲剧的发生。由于加密数字资产异常交易的方式多种多样，不能事先获取具有异常交易标签的用户，因此，采用无监督学习的方式来对此种场景进行用户分类，如采用孤立森林用于挖掘异常数据，来判断异常交易用户。

然而，现有的用户异常加密数字资产交易类别判断方法，通过分析每个维度对异常交易用户划分的影响，极值单侧分布的变量更容易区分异常交易用户，使结果更加精确，但无法从整体上分析异常交易用户和正常交易用户的差异，且算法复杂度较高，结果解释性较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高异常交易用户判断准确性的用户异常加密数字资产交易类别判断方法、装置。

一种用户异常加密数字资产交易类别判断方法，所述方法包括：

挖掘用户的交易哈希和登录数据，构建模型特征数据；