[發(fā)明專利]用戶異常加密數字資產交易類別判斷方法、裝置

有效

• 申請?zhí)枺?/td>: 202110562380.8
• 申請日: 2021-05-24
• 公開（公告）號: CN113034145B
• 公開（公告）日: 2021-09-03
• 發(fā)明（設計）人: 李志杰
• 申請（專利權）人: 智安鏈云科技（北京）有限公司
• 主分類號: G06Q20/38
• 分類號: G06Q20/38;G06Q20/40
• 代理公司: 杭州華知專利事務所(普通合伙) 33235
• 代理人: 張德寶

本申請涉及一種用戶異常加密數字資產交易類別判斷方法、裝置。所述方法包括：挖掘用戶的交易哈希和登錄數據，構建模型特征數據；根據所述模型特征數據，通過種子K均值聚類算法，計算每個用戶的第一異常分值；根據所述模型特征數據，通過iForest模型進行訓練，得到每個用戶的第二異常分值；對所述第一異常分值和所述第二異常分值進行加權求和，得到每個用戶的異常交易結果得分；其中，異常交易結果得分高的用戶其異常等級高。采用本方法能夠提高異常交易用戶判斷的準確性。

技術領域

本申請涉及互聯網技術領域，特別是涉及一種用戶異常加密數字資產交易類別判斷方法、裝置。

背景技術

現有通過互聯網大數據，對用戶進行分類的模型，通過采集用戶基本信息、消費信息和出行數據，能夠實現對用戶進行畫像，進而可以應用到商業(yè)用途中。現有通過機器學習的方法，來判斷用戶的類別，包括通過監(jiān)督學習的方式，針對有標簽的數據集，通過已有的訓練樣本（即已知數據以及其對應的輸出）去訓練得到一個最優(yōu)模型，再利用這個模型將所有的輸入映射為相應的輸出，對輸出進行簡單的判斷從而實現分類的目的，也就具有對未知數據進行分類的能力，監(jiān)督學習的算法包括KNN（k-NearestNeighbor，鄰近算法）、SVM（Support Vector Machine，支持向量機）；機器學習的方法也包括無監(jiān)督學習的方式，訓練的樣本不帶有標簽，通過機器自動學習實現分類。

對于區(qū)塊鏈中加密數字資產交易，整個過程都是在線上進行，交易雙方之間沒有面對面的交流，無法核實用戶真實信息，因而面臨異常交易風險。另外，加密數字資產獨特的自身屬性（如用戶數量多、交易規(guī)模大、地址匿名化）使得界定與識別上述異常交易行為面臨諸多挑戰(zhàn)。首先，由于加密數字資產允許用戶在網絡中使用一個與真實身份無關的假名，并且無需地址重用，所以加密數字資產具有一定的匿名性，客戶有可能制造虛假信息進行交易。其次，由于一個用戶可以生成多個地址，使得整個賬本數據中涵蓋了大量不重復的幣種地址，同時這些地址也都涉及了海量的加密數字資產交易，因此識別加密數字資產異常交易行為這一過程需要基于海量復雜的加密數字資產交易數據，分析效率低、計算量大。此外，加密數字資產的整體交易模式為多對多（即輸入和輸出地址均可以是多個）。這種交易模式使得交易中的輸入和輸出地址之間缺乏顯式的鏈接，同時這種弱鏈接也更有效地在大量交易數據中模糊了潛在加密數字資產異常交易行為的特征，使得難以通過分析地址鏈接的方式識別基于加密數字資產的異常交易行為。

加密數字資產異常交易主要可分為空投糖果行為和貪婪注資行為?？胀短枪袨榈谋举|是按一定規(guī)則免費發(fā)放加密貨幣。這里泛指在一段時間內，大量加密數字資產持有者的賬戶中無故（或因為前期簡單操作，如注冊等）多出一部分數字資產的現象。貪婪注資行為通常是在一定時間段內存在某個或者某幾個加密數字資產賬戶收到大量轉賬交易的行為。這里的“貪婪”具體指代兩種不同角度的“貪婪”。一種是惡意用戶通過非法的方式，貪婪地向普通用戶索取加密加密數字資產資產。另一種是貪婪用戶希望通過注資這種行為（如，投資加密加密數字資產）獲得財富增長。用戶很有可能被騙取大額財產，倘若能及時發(fā)現這些異常交易的存在，那么便可避免此類悲劇的發(fā)生。由于加密數字資產異常交易的方式多種多樣，不能事先獲取具有異常交易標簽的用戶，因此，采用無監(jiān)督學習的方式來對此種場景進行用戶分類，如采用孤立森林用于挖掘異常數據，來判斷異常交易用戶。

然而，現有的用戶異常加密數字資產交易類別判斷方法，通過分析每個維度對異常交易用戶劃分的影響，極值單側分布的變量更容易區(qū)分異常交易用戶，使結果更加精確，但無法從整體上分析異常交易用戶和正常交易用戶的差異，且算法復雜度較高，結果解釋性較低。

發(fā)明內容

基于此，有必要針對上述技術問題，提供一種能夠提高異常交易用戶判斷準確性的用戶異常加密數字資產交易類別判斷方法、裝置。

一種用戶異常加密數字資產交易類別判斷方法，所述方法包括：

挖掘用戶的交易哈希和登錄數據，構建模型特征數據；