[發明專利]一種端到端的以太坊釣魚賬戶檢測方法和系統

在審

• 申請號: 202110359953.7
• 申請日: 2021-04-02
• 公開（公告）號: CN113111930A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 宣琦;沈杰;周嘉俊;謝昀苡;俞山青
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵

1.一種端到端的以太坊釣魚賬戶檢測方法，其特征在于：包括：

S1：從交易記錄中采樣目標賬戶的二階交易網絡，賬戶包括釣魚賬戶和非釣魚賬戶；

S2：從智能合約調用歷史記錄中篩選出經常被調用的合約，并為所有二階網絡的中的賬戶提取合約調用特征；

S3：通過圖神經網絡學習賬戶的交易行為模式，并實現端到端的賬戶分類，將釣魚賬戶分類出來。

2.如權利要求1所述的端到端的以太坊釣魚賬戶檢測方法，其特征在于，所述S1具體包括：

S1-1：從目標賬戶開始采樣其二階交易網絡，如果目標賬戶的交易對象賬戶數量少于20個，保留這些交易對象賬戶并分別計算它們和目標賬戶的總交易量作為邊的權重；如果目標賬戶的交易對象賬戶多于20個，則以它們和目標賬戶之間的總交易量進行倒序采樣前20個交易量最大的交易對象賬戶，并分別計算它們和目標賬戶的總交易量作為邊的權重，該采樣方法也適用于通過一階交易對象賬戶采樣二階交易對象賬戶；

S1-2：某個目標賬戶的二階交易網絡可以用一個三元組表示為G＝(V，E，y)，其中V為該網絡的節點集合且節點數量少于400，E為帶權邊集合，其中的邊都以(v_i，v_j，e_ij)形式保存，其中v_i，v_j∈V，e_ij為該邊的權重對應于兩個節點間的交易總量，y是該網絡對應目標賬戶的實際標簽，y＝0表示這是一個非釣魚賬戶的二階交易網絡，y＝1表示這是一個釣魚賬戶的二階交易網絡。

3.如權利要求1所述的端到端的以太坊釣魚賬戶檢測方法，其特征在于，所述S2具體包括：

S2-1：統計以太坊部署的智能合約和被外部用戶調用的次數，忽略合約之間的調用，并保留前10000個被調用次數最多的智能合約；

S2-2：從合約調用歷史記錄中統計所有S1中采樣所得二階交易網絡中的節點對這10000個智能合約的調用情況，每個節點的合約調用特征可以表示為每一個二階交易網絡的合約調用特征矩陣可以表示為其中|V|表示該節點集合的節點數量。

4.如權利要求1所述的端到端的以太坊釣魚賬戶檢測方法，其特征在于，所述S3具體包括：

S3-1：將所有目標賬戶的二階交易網絡轉化為帶權值的鄰接矩陣Adjs＝{A₁，A₂，...A_n}，其中n為已知非釣魚賬戶和釣魚賬戶的數量，其中第i個鄰接矩陣的第j行第k列位置的值可以表示為：

其中e_jk為節點v_j，v_k∈V_i之間的邊的權重；

S3-2：將所有鄰接矩陣和對應的特征矩陣和標簽進行一一對應組成n個數據樣本，每個數據樣本可以表示為一個三元組S_i＝(A_i，X_i，y_i)，并將所有數據樣本S＝{S₁，S₂，...，S_n}劃分為訓練集和測試集，訓練集數據通過兩個圖卷積層聚合賬戶特征信息：

其中是歸一化后的鄰接矩陣，增加自環后的鄰接矩陣按列求和所得向量轉化的對角矩陣，D^max也是一個對角矩陣，即對角位置為鄰接矩陣A對應行的最大值，和為可訓練的權重矩陣，p和q為中間層維度，ReLU為非線性的激活函數，最終通過一個最大池化層將節點特征池化為圖特征，并進一步訓練一個全連接層利用特征區分釣魚賬戶和非釣魚賬戶：

Z＝Softmax(MaxPooling(X′)W⁽²⁾+b) (6)

其中MaxPooling(·)為矩陣按列取最大值，和分別為可訓練權重矩陣和偏置矩陣，Z為最終預測結果的概率矩陣；

上述所有可訓練參數通過最小化如下目標損失函數函數并利用梯度下降法優化更新：

其中z_i為第i個樣本檢測為釣魚賬戶的概率。

5.實現權利要求1所述的一種端到端的以太坊釣魚賬戶檢測系統，包括：網絡提取模塊、特征提取模塊、數據整合模塊，訓練模塊、釣魚賬戶檢測模塊；

所述網絡提取模塊用于對輸入的目標賬戶提取二階交易網絡；

所述特征提取模塊用于從合約調用記錄中提取所有二階交易網絡節點的合約調用特征；

所述整合模塊用于整合網絡結構數據和特征數據并統一放入數據池之中；

所述訓練模塊用于從數據池中抽取訓練數據訓練用來檢測釣魚賬戶的圖神經網絡；

所述釣魚賬戶檢測模塊用于從數據池中抽取需要檢測的目標賬戶，并預測它是否是一個釣魚賬戶。