《電子技術應用》
您所在的位置：首頁 > 通信与网络 > 设计应用 > 基于网络表示学习的区块链异常交易检测
基于网络表示学习的区块链异常交易检测
网络安全与数据治理 4期
张晓琦1，白 雪2，李光松1，王永娟3
(1.信息工程大学 网络空间安全学院，河南 郑州450001； 2.中国船舶工业综合技术经济研究院，北京100081；3.河南省网络密码重点实验室，河南 郑州450001)
摘要： 由于具有巨大的流通市值、庞大的用户量和账户匿名性的特点，区块链交易频繁受到盗窃、庞氏骗局、欺诈等异常行为的威胁。针对区块链异常交易，提出一种网络表示学习模型DeepWalk-Ba用于特征提取，以比特币为例，对区块链交易的网络结构和属性进行学习，从交易的邻域结构中挖掘隐含信息作为节点特征，再使用5种有监督和1种无监督的机器学习算法进行异常检测。实验表明，有监督模型随机森林表现最好，达到了99.3%的精确率和86.4%的召回率，比使用传统的特征提取方法的异常检测模型具有更好的检测效果。
中圖分類號： TP311.1
文獻標識碼： A
DOI： 10.19358/j.issn.2097-1788.2022.04.002
引用格式： 張曉琦，白雪，李光松，等. 基于網絡表示學習的區(qū)塊鏈異常交易檢測[J].網絡安全與數據治理，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行交易提供平臺，使得去中心化、低成本、點對點的交易成為可能，在金融、醫(yī)療、物流、物聯網等領域得到了廣泛應用。區(qū)塊鏈使用分布式存儲和集體維護來實現去中心化，使用SHA-256等非對稱加密算法和可靠存儲技術完成信用背書，保障了系統(tǒng)的開源、公開和安全。區(qū)塊鏈最成功的實踐是以比特幣為代表的加密數字貨幣，自2009年比特幣誕生以來，越來越多的加密數字貨幣涌現出來并進入金融市場。截至2021年12月31日，加密數字貨幣的種類超過了1.6萬種，用戶近3億。主流加密數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月達到了歷史最高單價68 928.90美元，流通市值達到1萬億美元。加密數字貨幣具有匿名性的特點，不需要用戶進行實名認證，因此越來越多的犯罪分子將加密貨幣作為犯罪工具，實施網絡和金融犯罪，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%，總量達到100億美元，而在2021年，0.15%的加密貨幣交易與網絡犯罪、洗錢和恐怖主義融資等活動有關，其中詐騙案件共涉及資金約140億美元[1]。與加密貨幣相關的犯罪的發(fā)生增加了加密貨幣的價格波動，也為區(qū)塊鏈技術的發(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)的一個重要問題。對區(qū)塊鏈的異常交易進行檢測，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迫切需要解決的問題。同時，采用技術手段對區(qū)塊鏈交易中的異常進行檢測，也能為解決區(qū)塊鏈技術擴展到其他領域將要面臨的安全問題提供有意義的指導。因此，研究區(qū)塊鏈異常交易檢測方法具有重要現實意義。





本文詳細內容請下載：http://www.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 網絡空間安全學院，河南 鄭州450001；

2.中國船舶工業(yè)綜合技術經濟研究院，北京100081；3.河南省網絡密碼重點實驗室，河南 鄭州450001)


微信圖片_20210517164139.jpg

此內容為AET網站原創(chuàng)，未經授權禁止轉載。