[发明专利]一种对区块链中异常交易节点进行检测和监管的方法

权利要求书

1.一种对区块链中异常交易节点进行检测和监管的方法，其特征在于，包括：

首先，设计一种新型跨链数字身份模型，通过统一身份入口和跨链网关以及分布式存储技术对多条异构链进行交易数据的融合操作，这种操作模式为所有交易的产生、查询和认证、监管等提供统一的渠道；

其次，采用图神经网络的人工智能技术对区块链中交易和地址节点所构成的动态结构进行图的构建，通过汇聚周边地址节点的特征信息对目标地址节点进行复合特征构建，从区块链点对点的通信和交易空间结构对整个系统中的异常行为进行检测监管；

同时，将上述内容以组件形式嵌入到不同区块链之间，与异构区块链已有的功能组件有较低的耦合性，便于部署和维护。

2.根据权利要求1所述的对区块链中异常交易节点进行检测和监管的方法，其特征在于，具体步骤为：

(一)设计构建跨链数字身份模型

针对异构区块链设计跨链数字身份模型，记为CCDI模型，包含身份验证模块、网络交换模块和去中心化存储模块；其中：

(1)所述身份验证模块，具有CCDI的初始化、授权、查询、认证和监管功能；

用户通过身份发行方获得数字证书，采用非对称加密的方式生成公私钥对，公钥用于向身份验证方认证自己的身份；

身份监管功能，用于审查此CCDI在异构链上参与的交易，便于监管方统一汇聚此身份的所有交易数据；

CCDI是由若干字段组成的字符串；其中，ChainID字段，表示异构链的唯一标识符，Method字段，表示初始化、查询、认证和监管等预定义的函数，Parameter字段，表示函数所需要的参数；每一个CCDI都由其特定的控制主体，控制主体是个人、团体组织或某些事物、概念；CCDI字符串被解析为CCDIDocument，其中包含CCDI的主体，加解密协议和授权主体；CCDI的控制主体通过CCDI或者CCDIDocument将权限授予其他主体；

(2)所述网络交换模块，具有跨链网关的功能；跨链网关用于在异构链之间实现信息的路由和交易的处理；交易处理主要包括初始化用户产生的交易，将用户传递的参数形成区块链交易；当监听到交易信息后进行解析，根据CCDI中的参数分发到相应的区块链进行处理；

(3)所述去中心化存储模块，主要包含异构区块链存储，并使用其他多种分布式存储进行补充，或使用基于以太坊的分布式存储和内容分发服务平台Swarm；

(二)基于图神经网络的异常交易数据检测

包括以下步骤：

(1)抽取区块链交易数据：首先对一系列区块链中的交易数据进行提取；比特币中的交易通常包括两个节点之间的转账记录；若区块链系统中存在智能合约，那么交易数据包括普通的转账记录，智能合约的创建和智能合约的调用；在提取完数据之后，对区块链交易数据进行特征处理，将区块链交易的特征类别定义在表1中：

表1，区块链交易特征类别

特征名称	特征含义
接收交易价值	节点接收到的所有交易金额总和
发出交易价值	节点发出的所有交易金额总和
接收交易数量	节点接收到的所有交易数量总和
发出交易数量	节点发出的所有交易数量总和
节点接收交易价值	收到节点交易的金额
节点发出交易价值	发送给节点交易的金额
节点间交易总价值	节点之间发生交易的金额总和
节点接收交易数量	收到节点交易的数量
节点发出交易数量	发送给节点交易的数量
节点间交易总数量	节点对之间发生交易的数量总和
挖矿总量	节点产生区块的数量
挖矿交易总量	节点产生区块中交易的数量

(2)建立区块链节点与交易数据图：将区块链节点之间的关系表示为一个有向无环图；其中，由任意两个节点之间的子图组成，表示为G＝(V，E，F)，其中，y表示为图中所有节点的集合，节点数量记为N＝|v|；E是所有节点之间的边，指任意两个节点之间存在的交易；F是所有节点的特征向量；

(3)使用图神经网络进行异常检测：采用图神经网络中的图注意力网络(GAT)进行异常检测；具体地，使用图注意力网络聚合区块链网络中地址节点的信息特征；在学习地址节点的特征时，GAT通过节点自身特征和邻居节点的特征为他们分配不同的权重值；假设中心节点为v_i，其在第l层所对应的特征向量为h_i，经过以注意力机制为核心的聚合操作之后，输出中心节点新的特征向量h′_i，这个聚合操作称为图注意力层(GAL)；

设邻居节点υ_i到υ_j之间的权重系数为：

e_ij＝a(Wh_i，Wh_j)， (1)

其中，W是该层节点特征变化的参数，a(·)是计算节点相关度的函数；对a(·)选择一个单层的全连接层：

e_(ij)＝Leaky ReLU(a^T[Wh_i||Wh_j])； (2)

其中，a为权重参数，激活函数选择LeakyReLU；通过softmax(·)函数将所有计算得出的相关度进行统一的归一化处理：

α是归一化后的权重系数，此时所有的邻居权重和为1；下式为完整的权重系数计算公式：

完成权重系数的计算之后，按照注意力机制加权求和的思路，节点υ_i新的特征向量为：

至此，通过一次特征聚合，将节点周围的特征和自身特征融合，同时也学习到了相关的关系；此外，特征向量也由初始的特征，变成了融合节点特征和节点关系的特征向量；

重复以上过程K次，获得K阶特征向量h_i^final，该向量融合了中心节点K阶邻居特征和节点关系；最后使用全连接层对节点类型进行分类：

其中，W^final为全连接层的参数，b^final为偏置，sigmoid()为激活函数，用于输出概率；当需要检测某笔交易是否异常，通过对交易节点的边进行分析：

y＝sigmoid(W^final func(h_i^final，h_j^final)+b^final)， (7)

其中，func(·)相关函数，将两个节点的特征组合起来；

通过最后的结果，判断所产生的交易和节点是否存在异常。