[发明专利]一种区块链恶意行为检测方法及装置

说明书

本发明公开了一种区块链恶意行为检测方法及装置，所述方法包括：构建区块链的交易图G_trans；基于节点属性集合预计算每条边的转移概率π，以形成带有转移概率的交易图并计算所述交易图中各节点的节点嵌入特征；对所述节点嵌入特征进行分类，得到具有恶意行为的地址节点。本发明融合了网络结构、纯语义以及混合时间特征，剔除了链上记录信息繁杂的干扰，且不丢失地保留完整恶意链条，从而提高了检测的精确度、召回率与F1值。

技术领域

本发明涉及计算机网络安全领域，用于发现区块链上的恶意行为，更具体地，是一种区块链恶意行为检测方法及装置。

背景技术

区块链已成为现在的新型基础设施。其关注度高、资金流转量大、业务范围丰富以及技术本身具有一定程度匿名性与不可追踪性，从而吸引了大批攻击者。

随着人工智能与大数据的发展，通过机器学习进行异常检测的方法越来越多。在区块链发展的早期多使用无监督的机器学习方法，结合研究者构造的攻击数据，进行链上潜在恶意行为的特征提取后进行异常检测。其一般使用可从链上直接获得的数据(如金额、交易费等) 和网络特征(入度、出度等)作为算法输入，但其准确性较低，提取特征可能未包含潜在异常行为信息。随着链上行为研究的深入，研究者们多通过有监督的机器学习算法，使用积累的带标签数据集，在算法分类的过程中根据特征重要性来提取链上直接记录的数据，但是该方法不易获得行为特征的高阶信息。

链上行为适合于建模为图结构，后续链行为特征提取研究多基于图表示学习进行。一般采用图表示学习的链行为特征提取方法可以分为两类：基于结构的图表示学习算法与结合属性的图表示学习算法。其中基于结构的算法仅包含了图结构的信息而忽略了语义等信息，基于属性的算法对网络图的结构较为敏感。虽然当前已有部分工作，但是所使用方法对链上恶意行为的适配度有待提高。

由于链上欺诈行为的隐蔽性强，方法动态多样，依托底层技术漏洞不断升级，导致行为链条提取完整度较低，中间灰色节点发掘程度较低，现在的研究多聚焦于对数据层面的简单分析。而且区块链上拥有海量数据，欺诈行为承载高维信息量较大，难以精准有效地提取行为特征，当前的检测系统在速率与精准度方面有待提高，缺乏真实场景下高效的自动化检测系统。

发明内容

本发明提出了一种区块链恶意行为检测方法及装置，可以刻画区块链节点交互高维信息、精准提取行为特征，在精确度、召回率、F1值、速率以及可扩展性方面相对前人均有所提升。

为达到上述目的，本发明采用的具体技术方案是：

一种区块链恶意行为检测方法，其步骤包括：

构建区块链的交易图G_trans＝(V,E,F)，其中，V表示基于区块链的地址节点得到的节点集合，E表示基于任两个地址节点之间的交易得到边集合，F表示节点属性集合；

基于所述节点属性集合预计算每条边的转移概率π，以形成带有转移概率的交易图并计算所述交易图中各节点的节点嵌入特征；

对所述节点嵌入特征进行分类，得到具有恶意行为的地址节点。

进一步地，所述节点属性包括：网络结构属性、纯语义属性和混合时间属性；

所述网络结构属性包括：出入度比D(n)和恶意度E(n)，n表示节点，n∈V；

所述纯语义属性包括：交易总金额A(n)和交易总次数R(n)；

所述混合时间属性包括：最大时间戳timestamp_n和拆零因子Nty(n)。

进一步地，所述恶意度所述拆零因子Max表示地址节点n的每日最大余额，Min地址节点n的每日最小余额。

进一步地，所述基于所述节点属性集合预计算每条边的转移概率π，包括：