[發明專利]基于PCA與RF的區塊鏈異常檢測方法及相關裝置

在審

• 申請號: 202210183812.9
• 申請日: 2022-02-28
• 公開（公告）號: CN114331731A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 李達;王合建;陳帥;周磊;郭慶雷;羅招權;石欣;熬錦;王剛鵬;王欣楠;朱紅英
• 申請（專利權）人: 國網電子商務有限公司;國網區塊鏈科技（北京）有限公司;國網雄安金融科技集團有限公司
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06N3/00;G06N20/00
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 魏亞茹

1.一種基于PCA與RF的區塊鏈異常檢測方法，其特征在于，包括：

獲取目標區塊鏈中的原始交易數據；

調用PCA模型對所述原始交易數據進行降維，得到待檢測數據；

調用預先訓練的隨機森林模型對待檢測數據進行計算，得到對應原始交易數據的異常檢測結果；所述隨機森林模型為基于超參數進行的隨機森林模型訓練，得到的隨機森林模型；所述超參數為調用貝葉斯優化模型對待檢測數據進行調優訓練，得到的對應隨機森林模型的最優超參數。

2.根據權利要求1所述的方法，其特征在于，所述調用PCA模型對所述原始交易數據進行降維，得到待檢測數據包括：

根據所述原始交易數據生成區塊鏈交易數據矩陣；

根據所述區塊鏈交易數據矩陣生成相關系數矩陣，并生成所述相關系數矩陣的特征值；

根據所述特征值計算對應的主成分累計貢獻率，選取大于貢獻率閾值的主成分累計貢獻率所對應的主成分作為待檢測數據。

3.根據權利要求1所述的方法，其特征在于，還包括：

定義模型超參數優化的目標函數；所述超參數優化的目標函數服從高斯分布；

根據所述模型超參數優化的目標函數獲取貝葉斯優化的代理目標函數；

根據所述模型超參數優化的目標函數進行高斯回歸過程處理，得到所述模型超參數優化的目標函數的后驗概率；

根據所述后驗概率的均值和方差采用期望改進函數對所述貝葉斯優化的代理目標函數進行參數更新，得到最優超參數。

4.根據權利要求1所述的方法，其特征在于，還包括：

根據所述待檢測數據有放回地隨機抽取樣本集，得到待檢測子樣本集；所述樣本集數量為通過貝葉斯優化模型進行優化后所得超參數；

根據所述待檢測子樣本集隨機抽取屬性，得到子決策樹節點分裂的侯選屬性；所述侯選屬性數量為通過貝葉斯優化模型進行優化后所得超參數；

根據所述待檢測子樣本集基于Gini系數最大原則生成子決策樹，得到由多顆子決策樹構成的隨機森林模型。

5.一種基于PCA與RF的區塊鏈異常檢測裝置，其特征在于，包括：

交易數據獲取模塊，用于獲取目標區塊鏈中的原始交易數據；

降維模塊，用于調用PCA模型對所述原始交易數據進行降維，得到待檢測數據；

檢測模塊，用于調用預先訓練的隨機森林模型對待檢測數據進行計算，得到對應原始交易數據的異常檢測結果；所述隨機森林模型為基于超參數進行的隨機森林模型訓練，得到的隨機森林模型；所述超參數為調用貝葉斯優化模型對待檢測數據進行調優訓練，得到的對應隨機森林模型的最優超參數。

6.根據權利要求5所述的裝置，其特征在于，所述降維模塊包括：

數據矩陣單元，用于根據所述原始交易數據生成區塊鏈交易數據矩陣；

相關系數矩陣單元，用于根據所述區塊鏈交易數據矩陣生成相關系數矩陣，并生成所述相關系數矩陣的特征值；

降維單元，用于根據所述特征值計算對應的主成分累計貢獻率，選取大于貢獻率閾值的主成分累計貢獻率所對應的主成分作為待檢測數據。

7.根據權利要求5所述的裝置，其特征在于，還包括：

函數初始化單元，用于定義模型超參數優化的目標函數；所述超參數優化的目標函數服從高斯分布；

代理目標函數單元，用于根據所述模型超參數優化的目標函數獲取貝葉斯優化的代理目標函數；

高斯回歸過程單元，用于對所述模型超參數優化的目標函數進行高斯回歸過程處理，得到所述模型超參數優化的目標函數的后驗概率；

參數更新單元，用于根據所述后驗概率的均值和方差采用期望改進函數對所述貝葉斯優化的代理目標函數進行參數更新，得到最優超參數。