[发明专利]基于图卷积神经网络的以太坊网络钓鱼诈骗动态检测方法

说明书

本发明公开了一种基于图卷积神经网络的以太坊网络钓鱼诈骗动态检测方法，包括：利用以太坊客户端和以太坊区块浏览器收集节点账户数据，将收集到的节点账户数据存储到信息库模块中；构建检测模块，所述检测模块包括特征库以及诈骗检测模型，其中，所述诈骗检测模型基于图卷积神经网络和分类器模型构建；基于基础信息库中的数据进行过滤规则库的构建；用户将需要检测的节点账户地址输入Web前端，通过调用过滤规则库，利用规律规则判断该地址是否会被过滤，如果被过滤直接输出结果为非钓鱼诈骗账户，否则利用诈骗检测模型进行分类，实现钓鱼诈骗的动态检测。

技术领域

本发明涉及卷积神经网络及动态检测领域，具体涉及一种基于图卷积神经网络的以太坊网络钓鱼诈骗动态检测方法。

背景技术

加密货币的金融安全是区块链技术能够健康发展的关键之一，过多加密货币市场上的金融违法行为会影响人们对加密货币的信心和热情，不利于区块链技术的发展。在针对加密货币的违法行为中，网络钓鱼诈骗占到了很大的比重。

现有的加密货币市场中的钓鱼诈骗识别方法大多是基于交易记录进行的，常用的思路之一是根据交易记录提取特征而后进行分类,这种思路一个重点在于：如何准确地提取有效的特征。一种可行的特征提取方法是将交易网络转化为图结构，从而可以采用一些适用于图结构的特征提取方法，例如：图嵌入(Graph Embedding)。目前对网络钓鱼诈骗的识别主要是通过交易信息构建网络，得到交易子图网络，进而使用Graph2vec模型对原始网络和交易子图网络进行特征提取，并拼接二者特征输入分类模型；或者是通过交易信息构建网络，构建以目标节点的一阶和二阶邻居节点交易子图网络；使用图嵌入算法提取目标交易子图网络中的特征，将得到的特征输入分类模型。

现有技术只考虑到了对钓鱼账户的静态检测，基于历史数据训练的静态模型，不能根据链上行为的实时变化调整模型，容易受到攻击而导致模型效果变差甚至失效。此外，现有技术在特征提取上，由于手工提取特征受专家经验影响，特征维度不高，难以构建有效的识别模型；同时由于没有对所获得历史交易信息做过滤处理，容易导致样本的极端不均衡，影响模型效果。另一方面，如何确保模型能够在面对不断进化的系统能够持续保持有效性，也是一个重要的问题，这方面尚未有相关方案。

发明内容

本发明的目的是提供一种基于图卷积神经网络的以太坊网络钓鱼诈骗动态检测方法，用于对以太坊上的钓鱼诈骗账户/节点进行有效提取特征和高效准确动态识别，从而减少在以太坊上用户的经济损失，维护加密货币市场的金融安全。

为了实现上述任务，本发明采用以下技术方案：

一种基于图卷积神经网络的以太坊网络钓鱼诈骗动态检测方法，包括：

步骤1，利用以太坊客户端和以太坊区块浏览器收集节点账户数据，将收集到的节点账户数据存储到信息库模块中；所述的信息库模块包括图数据库、标签库以及基础信息库，其中，图数据库用于存储来自于以太坊客户端中获取到的节点账户地址数据和节点账户的交易数据，并构建交易网络拓扑图；基础信息库用于存储来节点账户的各种交易信息；标签信息库是用于存储各种节点账户地址带有的标签信息，并对所有标签信息做分类处理；

步骤2，构建检测模块，所述检测模块包括诈骗检测模型，所述诈骗检测模型基于图卷积神经网络和分类器模型构建，诈骗检测模型的训练过程包括：

(2-1)从图数据库获取交易网络拓扑图；从基础信息库中获取交易信息，从标签信息库获取节点账户地址的标签信息；

(2-2)从所述交易信息的交易记录中手工提取出每个节点账户的交易特征，得到初始特征矩阵；

(2-3)将所述初始特征矩阵进行归一化后和交易网络拓扑图中的邻接关系一起输入到图卷积神经网络中，得到低维的图嵌入特征矩阵；

(2-4)将初始特征矩阵和图嵌入特征矩阵通过线性组合，得到一个新的组合矩阵，并将初始特征矩阵和图嵌入特征矩阵存储到特征库中用于模型的训练和更新；