[发明专利]数字货币交易中异常实体的检测方法、存储介质

说明书

一种数字货币交易中异常实体的检测方法、存储介质，其中的方法包括：获取实体间的交易记录，根据交易记录构建交易网络图；根据交易网络图生成可达相似度矩阵，根据可达相似度矩阵及图嵌入算法获得交易网络图中节点的图嵌入向量；将每个节点的图嵌入向量和对应实体的统计特征向量进行融合，得到融合特征向量，然后将融合特征向量输入预先训练好的实体分类模型中以判断对应的实体是否为异常实体。由于基于交易网络图，利用图嵌入算法自动学习得到交易网络图中节点的图嵌入向量作为数字货币交易实体的特征表示，从而无需依赖人工选择特征，提高了检测效率，且能够学习得到潜在的新特征，并有效利用交易网络图的拓扑结构信息。

技术领域

本发明涉及数字货币技术领域，具体涉及数字货币交易中异常实体的检测方法、存储介质。

背景技术

数字货币领域正处于高速发展期，数字货币交易量大、增速高，但其交易模式相比于传统模式更难防控洗钱风险，主要原因在于：数字货币的交易形式属于非实名交易，具有匿名性；交易真实性难确定，交易用途易隐藏且交易不受时间、空间限制；网络交易复杂化，资金流向跟踪困难，难以掌握交易相关的完整信息。为了实现交易过程中异常实体的检测，现有的技术方案主要采用的是基于统计特征的检测方法。基于统计特征的检测方法主要分为以下几步：

1）生成原始特征：根据专家知识与领域经验，通过统计分析产生可用于描述实体交易行为模式的原始特征组，原始特征组中的原始特征应当是实体交易行为模式所固有的、本质的重要属性，如输入总额、输出总额、输出次数、输入次数等，但这样产生的原始特征可能很多，需要进行选择。

2）特征选择：通过合适的搜索方法，采用某种定量准则（即类别可分离性判据）来衡量特征对分类结果的有效性，从而比较各种不同特征组合的分类效果，在众多的特征组合方案中寻找出最优的特征组合，即对分类贡献度最大的特征组合。

3）分类器的设计与训练：利用选择的特征对实体进行表示，作为分类器的输入进行分类。分类器可分为有监督学习和无监督学习两大类。以聚类算法为代表的无监督学习，将按照某种相似性的度量，将数据集分成多个类，在同一个类中，实体的特征具有较高的相似度，与其他类别的实体的特征差别较大，即具有相似特征的归为一类，具有不相似特征的归于不同的类。以SVM（Support Vector Machine）、MLP（MultiLayer Perceptron）等为代表的有监督学习通过将实体的特征作为输入，优化分类模型预测得到的类别与实体实际所属类别的误差，即优化目标函数，训练得到分类模型的相关参数，从而可以利用分来模型来检测出异常实体。

基于统计特征的检测方法主要存在以下问题：1、这类检测方法对复杂交易网络的表示能力有限，无法有效利用数字货币交易网络存在的拓扑结构关系；2、特征依赖人工提取和选择，需要大量的人工特征工程，效率低下，难以应用于快速增长的交易网络，并且检测效果依赖于人工特征选择，所提取的特征不同，检测效果也有所差异；3、异常交易方式日新月异，一旦出现了新的异常交易方式以及相应的特征，检测模型无法处理这些未见过的特征，难以将这类异常交易有效识别出来，准确率较低。

发明内容

本申请提供一种数字货币交易中异常实体的检测方法、存储介质，旨在解决现有异常实体的检测方法无法有效利用数字货币交易网络存在的拓扑结构关系、特征依赖人工提取和选择、难以识别新特征的问题。

根据第一方面，一种实施例中提供一种数字货币交易中异常实体的检测方法，包括：

获取实体间的交易记录，并根据交易记录构建交易网络图，所述交易网络图的节点表示进行数字货币交易的实体，边表示一个实体向另一个实体发送数字货币的行为，且边的方向为由发送方实体指向接收方实体；

根据所述交易网络图，利用图嵌入算法获得所述交易网络图中的节点的图嵌入向量；