《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 通信與網(wǎng)絡(luò) > 設(shè)計(jì)應(yīng)用 > 基于網(wǎng)絡(luò)表示學(xué)習(xí)的區(qū)塊鏈異常交易檢測
基于網(wǎng)絡(luò)表示學(xué)習(xí)的區(qū)塊鏈異常交易檢測
網(wǎng)絡(luò)安全與數(shù)據(jù)治理 4期
張曉琦1，白 雪2，李光松1，王永娟3
(1.信息工程大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院，河南 鄭州450001； 2.中國船舶工業(yè)綜合技術(shù)經(jīng)濟(jì)研究院，北京100081；3.河南省網(wǎng)絡(luò)密碼重點(diǎn)實(shí)驗(yàn)室，河南 鄭州450001)
摘要： 由于具有巨大的流通市值、龐大的用戶量和賬戶匿名性的特點(diǎn)，區(qū)塊鏈交易頻繁受到盜竊、龐氏騙局、欺詐等異常行為的威脅。針對區(qū)塊鏈異常交易，提出一種網(wǎng)絡(luò)表示學(xué)習(xí)模型DeepWalk-Ba用于特征提取，以比特幣為例，對區(qū)塊鏈交易的網(wǎng)絡(luò)結(jié)構(gòu)和屬性進(jìn)行學(xué)習(xí)，從交易的鄰域結(jié)構(gòu)中挖掘隱含信息作為節(jié)點(diǎn)特征，再使用5種有監(jiān)督和1種無監(jiān)督的機(jī)器學(xué)習(xí)算法進(jìn)行異常檢測。實(shí)驗(yàn)表明，有監(jiān)督模型隨機(jī)森林表現(xiàn)最好，達(dá)到了99.3%的精確率和86.4%的召回率，比使用傳統(tǒng)的特征提取方法的異常檢測模型具有更好的檢測效果。
中圖分類號： TP311.1
文獻(xiàn)標(biāo)識碼： A
DOI： 10.19358/j.issn.2097-1788.2022.04.002
引用格式： 張曉琦，白雪，李光松，等. 基于網(wǎng)絡(luò)表示學(xué)習(xí)的區(qū)塊鏈異常交易檢測[J].網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2022，41(4)：11-20.
Blockchain abnormal transaction detection based on network representation learning
Zhang Xiaoqi1，Bai Xue2，Li Guangsong1，Wang Yongjuan3
(1.School of Cyberspace Security，Information Engineering University，Zhengzhou 450001，China； 2.China Institute of Marine Technology & Economy，Beijing 100081，China； 3.Henan Key Laboratory of Network Cryptography Technology，Zhengzhou 450001，China)
Abstract： Due to its characteristics of huge circulation market value, user volume and anonymity of accounts, blockchain transactions are frequently threatened by abnormal behaviours such as theft, Ponzi scheme and fraud. This paper proposed a network representation learning model DeepWalk-Ba as feature extraction method, taking bitcoin as an example, to learn the network structure and attributes of blockchain transactions, and excavate hidden information from the neighborhood structure of transactions as features. Then, 5 supervised and 1 unsupervised machine learning algorithms were used for anomaly detection. The experiment indicated that the supervised model random forest performed best, with a precision of 99.3% and recall value of 86.4%. The detection effect was better than detection models using the traditional feature extraction methods.
Key words : lockchain；anomaly detection；network representation learning；random walk；machine learning

0 引言

區(qū)塊鏈是一種分布式加密賬本，為非信任成員可以安全地進(jìn)行交易提供平臺，使得去中心化、低成本、點(diǎn)對點(diǎn)的交易成為可能，在金融、醫(yī)療、物流、物聯(lián)網(wǎng)等領(lǐng)域得到了廣泛應(yīng)用。區(qū)塊鏈?zhǔn)褂梅植际酱鎯图w維護(hù)來實(shí)現(xiàn)去中心化，使用SHA-256等非對稱加密算法和可靠存儲技術(shù)完成信用背書，保障了系統(tǒng)的開源、公開和安全。區(qū)塊鏈最成功的實(shí)踐是以比特幣為代表的加密數(shù)字貨幣，自2009年比特幣誕生以來，越來越多的加密數(shù)字貨幣涌現(xiàn)出來并進(jìn)入金融市場。截至2021年12月31日，加密數(shù)字貨幣的種類超過了1.6萬種，用戶近3億。主流加密數(shù)字貨幣主要有比特幣、以太坊、萊特幣等，其中，比特幣在2021年11月達(dá)到了歷史最高單價(jià)68 928.90美元，流通市值達(dá)到1萬億美元。加密數(shù)字貨幣具有匿名性的特點(diǎn)，不需要用戶進(jìn)行實(shí)名認(rèn)證，因此越來越多的犯罪分子將加密貨幣作為犯罪工具，實(shí)施網(wǎng)絡(luò)和金融犯罪，如敲詐勒索、欺詐和洗錢等。2020年非法交易在所有加密貨幣交易中所占的比例為0.34%，總量達(dá)到100億美元，而在2021年，0.15%的加密貨幣交易與網(wǎng)絡(luò)犯罪、洗錢和恐怖主義融資等活動有關(guān)，其中詐騙案件共涉及資金約140億美元[1]。與加密貨幣相關(guān)的犯罪的發(fā)生增加了加密貨幣的價(jià)格波動，也為區(qū)塊鏈技術(shù)的發(fā)展帶來了不利的影響，還給社會帶來了安全問題，交易安全已成為區(qū)塊鏈系統(tǒng)生態(tài)的一個(gè)重要問題。對區(qū)塊鏈的異常交易進(jìn)行檢測，挖掘交易中有用的信息，提高對區(qū)塊鏈犯罪的打擊效率已成為一個(gè)迫切需要解決的問題。同時(shí)，采用技術(shù)手段對區(qū)塊鏈交易中的異常進(jìn)行檢測，也能為解決區(qū)塊鏈技術(shù)擴(kuò)展到其他領(lǐng)域?qū)⒁媾R的安全問題提供有意義的指導(dǎo)。因此，研究區(qū)塊鏈異常交易檢測方法具有重要現(xiàn)實(shí)意義。





本文詳細(xì)內(nèi)容請下載：http://ihrv.cn/resource/share/2000004984





作者信息：

張曉琦1，白  雪2，李光松1，王永娟3

(1.信息工程大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院，河南 鄭州450001；

2.中國船舶工業(yè)綜合技術(shù)經(jīng)濟(jì)研究院，北京100081；3.河南省網(wǎng)絡(luò)密碼重點(diǎn)實(shí)驗(yàn)室，河南 鄭州450001)


微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。