[發(fā)明專利]一種針對以太網(wǎng)釣魚詐騙的網(wǎng)絡表示學習方法

在審

• 申請?zhí)枺?/td>: 202010140820.6
• 申請日: 2020-03-03
• 公開（公告）號: CN111447179A
• 公開（公告）日: 2020-07-24
• 發(fā)明（設計）人: 吳嘉婧;袁琪;鄭子彬
• 申請（專利權）人: 中山大學
• 主分類號: H04L29/06
• 分類號: H04L29/06;H04L12/24;G06Q40/04
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

本發(fā)明公開一種針對以太網(wǎng)釣魚詐騙的網(wǎng)絡表示學習方法，包括獲取交易歷史記錄，從交易歷史記錄中提取節(jié)點及其一階鄰居節(jié)點，其中節(jié)點包括釣魚節(jié)點和其他節(jié)點；從各節(jié)點交易的歷史記錄中提取各節(jié)點的交易特征；采用網(wǎng)絡表示學習方法采樣各節(jié)點間的交易特征并學習，以得到與各節(jié)點結構特征相應的網(wǎng)絡表示學習向量；采樣各節(jié)點交易特征的相應網(wǎng)絡表示學習向量輸入分類器分類，以將釣魚節(jié)點從各節(jié)點中分類出來。本發(fā)明有效地解決了區(qū)塊鏈數(shù)字貨幣的各種安全問題，減輕了釣魚詐騙所造成的嚴重經(jīng)濟損失。

技術領域

本發(fā)明涉及以太坊網(wǎng)絡領域，尤其涉及一種針對以太網(wǎng)釣魚詐騙的網(wǎng)絡表示學習方法。

背景技術

區(qū)塊鏈是一個開放的分布式分類賬，可以有效，可核實和永久地記錄雙方之間的交易。區(qū)塊鏈技術的突出優(yōu)勢在于其分散式設計，這是通過利用共識和獎勵機制，加密算法，時間戳和樹結構來實現(xiàn)的。最近，區(qū)塊鏈已經(jīng)成為人們關注的焦點，廣義的區(qū)塊鏈技術有望在金融，科學，技術，文化和政治等領域帶來深刻的變化。區(qū)塊鏈在經(jīng)濟學中最重要和最著名的應用之一是數(shù)字資產(chǎn)(或加密貨幣)。比特幣項目是第一個成功的大規(guī)模區(qū)塊鏈應用和加密貨幣的第一個實際實施。

以太坊目前是支持智能合約的最大區(qū)塊鏈平臺，相應的加密貨幣以太幣是第二大的互聯(lián)網(wǎng)貨幣。在以太坊平臺中，只需幾行代碼即可發(fā)布ICO。然而，以太坊也成為各種網(wǎng)絡犯罪的溫床。包括網(wǎng)絡釣魚，龐氏騙局和騙局--累計占據(jù)了10％以上ICO。金融安全是區(qū)塊鏈生態(tài)系統(tǒng)中的一個關鍵問題。

在區(qū)塊鏈數(shù)字貨幣涉及的各種安全問題中，釣魚詐騙已經(jīng)造成了嚴重的經(jīng)濟損失。隨著虛擬貨幣交易業(yè)務的興起，網(wǎng)絡釣魚詐騙成為交易安全的重要威脅。通過偽裝，釣魚詐騙罪犯試圖獲取用戶的敏感信息，如用戶名，密碼和信用卡等詳細信息。網(wǎng)絡釣魚犯罪通常會利用用戶的行為和心態(tài)，使他們上當受騙，特別是對于缺乏區(qū)塊鏈專業(yè)知識的人。因此，為了創(chuàng)造有利的投資環(huán)境，區(qū)塊鏈生態(tài)系統(tǒng)迫切需要一種檢測和預防網(wǎng)絡釣魚詐騙的有效方法。以往的釣魚詐騙檢測被廣泛的討論，一些反釣魚的檢測模型也應運而生。但與傳統(tǒng)場景相比，以太坊上的釣魚詐騙有以下幾點不同：

(1)在以太坊中，釣魚詐騙罪犯的目標是加密貨幣而不是傳統(tǒng)場景下的現(xiàn)金，所以釣魚詐騙罪犯需要通過提取加密貨幣來兌現(xiàn)不義之財。

(2)公共區(qū)塊鏈系統(tǒng)的所有交易記錄都是公開可訪問的，這為我們提供了網(wǎng)絡釣魚預防和檢測的完整數(shù)據(jù)源。

(3)之前在互聯(lián)網(wǎng)上的網(wǎng)絡釣魚欺詐是通過網(wǎng)絡釣魚電子郵件或釣魚網(wǎng)站欺詐的。因此，之前的網(wǎng)絡釣魚檢測是檢測電子郵件或網(wǎng)站是否包含網(wǎng)絡釣魚欺詐信息來實現(xiàn)檢測。然而，在以太坊中，網(wǎng)絡釣魚騙局的形式比傳統(tǒng)的網(wǎng)絡釣魚騙局更豐富和多樣化。它們不僅限于以電子郵件或網(wǎng)站形式的欺詐。因此，基于電子郵件或網(wǎng)站的傳統(tǒng)網(wǎng)絡釣魚檢測方法無法檢測以太坊上的釣魚詐騙。所以我們需要一個在以太坊場景下的釣魚檢測模型。

由于開放性和透明性是區(qū)塊鏈技術的主要特征，因此，在以太坊平臺上檢測網(wǎng)絡釣魚詐騙的直觀方式是從交易記錄中提取信息。以太坊交易歷史可以被建模為有向有權的交易網(wǎng)絡，其中以太坊地址為節(jié)點，兩個地址之間的一次交易作為邊。我們需要從以太坊網(wǎng)絡中提取釣魚節(jié)點的特征，輸入機器學習的分類算法中來辨別釣魚節(jié)點。

機器學習方法的性能很大程度上取決于數(shù)據(jù)表示(或特征)的選擇。特征工程是利用領域知識提取各種機器學習任務的特征的過程，旨在從大規(guī)模數(shù)據(jù)中自動提取和組織判別信息。為了從網(wǎng)絡數(shù)據(jù)中提取特征，傳統(tǒng)方法通常依賴于統(tǒng)計學的特征，內核函數(shù)，或其他精心設計的特征來區(qū)分節(jié)點。然而，這些手動設計的特征相對來說并不靈活，因為它們在學習過程中不能自適應，并且設計這些特征可能是相當耗時耗力的過程。

網(wǎng)絡表示學習是一種降維方法，它將節(jié)點，邊或整個(子)圖嵌入到低維向量空間中，并且保留了網(wǎng)絡的拓撲結構，節(jié)點屬性和其他信息。網(wǎng)絡表示學習的結果可以用作下游機器學習任務的特征輸入。在現(xiàn)有研究中，研究人員已經(jīng)為一般網(wǎng)絡和特定場景提出了各種類型的網(wǎng)絡表示學習算法。