[發(fā)明專利]基于PCA與RF的區(qū)塊鏈異常檢測方法及相關(guān)裝置

在審

• 申請?zhí)枺?/td>: 202210183812.9
• 申請日: 2022-02-28
• 公開（公告）號: CN114331731A
• 公開（公告）日: 2022-04-12
• 發(fā)明（設(shè)計）人: 李達;王合建;陳帥;周磊;郭慶雷;羅招權(quán);石欣;熬錦;王剛鵬;王欣楠;朱紅英
• 申請（專利權(quán)）人: 國網(wǎng)電子商務(wù)有限公司;國網(wǎng)區(qū)塊鏈科技（北京）有限公司;國網(wǎng)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(chǎn)權(quán)代理有限公司 11227
• 代理人: 魏亞茹

本發(fā)明公開了一種基于PCA與RF的區(qū)塊鏈異常檢測方法，包括調(diào)用PCA模型對原始交易數(shù)據(jù)進行降維，得到待檢測數(shù)據(jù)；調(diào)用貝葉斯優(yōu)化模型對待檢測數(shù)據(jù)進行調(diào)優(yōu)訓練，得到隨機森林模型最優(yōu)超參數(shù)；基于所得超參數(shù)進行隨機森林模型訓練，得到區(qū)塊鏈異常檢測模型；調(diào)用預(yù)先訓練的隨機森林模型對待檢測數(shù)據(jù)進行計算，得到對應(yīng)原始交易數(shù)據(jù)的異常檢測結(jié)果。通過PCA模型對所述原始交易數(shù)據(jù)進行降維，可以減小冗余特征干擾，提高異常檢測性能；通過貝葉斯優(yōu)化模型實現(xiàn)隨機森林超參數(shù)智能化優(yōu)化，可以提高分類性能，消除區(qū)塊鏈交易數(shù)據(jù)正負樣本極不平衡的影響。本發(fā)明還提供了一種裝置、設(shè)備及存儲介質(zhì)，同樣具有上述有益效果。

技術(shù)領(lǐng)域

本發(fā)明涉及區(qū)塊鏈網(wǎng)絡(luò)技術(shù)領(lǐng)域，特別是涉及一種基于PCA與RF的區(qū)塊鏈異常檢測方法、一種基于PCA與RF的區(qū)塊鏈異常檢測裝置、一種基于PCA與RF的區(qū)塊鏈異常檢測設(shè)備以及一種計算機可讀存儲介質(zhì)。

背景技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,越來越多的個人用戶與企業(yè)關(guān)注并使用互聯(lián)網(wǎng)金融技術(shù),這在給人們帶來便利的同時，詐騙、洗錢、龐氏騙局等金融犯罪問題也頻繁發(fā)生. 特別是隨著數(shù)據(jù)維度高、增長速率快、類型多樣化的區(qū)塊鏈技術(shù)的出現(xiàn),不法分子利用其匿名性造成金融犯罪過程更加隱蔽與智能,傳統(tǒng)金融監(jiān)管方式已無法應(yīng)對日益復(fù)雜的違法手段如何運用大數(shù)據(jù)和人工智能的先進手段實現(xiàn)區(qū)塊鏈異常交易檢測是落實區(qū)塊鏈應(yīng)用的關(guān)鍵問題。

數(shù)字貨幣是迄今為止最為成功的區(qū)塊鏈應(yīng)用場景，也是近十年在數(shù)字貨幣投資領(lǐng)域和研究領(lǐng)域中最流行的話題之一。因為數(shù)字貨幣具有分布式和匿名性這兩個特點，近些年數(shù)字貨幣吸引大量用戶資本，積累大量交易數(shù)據(jù)。數(shù)字貨幣龐大的基礎(chǔ)用戶量和匿名性，使得其用戶的身份更容易被隱藏。所以許多不懷好意之人正是利用了數(shù)字貨幣的這種高價值屬性與匿名性來實施惡意行為。雖然數(shù)字貨幣交易場景很難實現(xiàn)人工監(jiān)管， 但是其完整的交易數(shù)據(jù)在區(qū)塊鏈上是公開透明的，使利用大數(shù)據(jù)和人工智能等技術(shù)實現(xiàn)數(shù)據(jù)驅(qū)動的智能化反洗錢監(jiān)管方案成為可能。

傳統(tǒng)的區(qū)塊鏈異常交易檢測方法為基于固定閾值的異常判斷，該方式需要針對不同的場景設(shè)定不同的閾值，系統(tǒng)根據(jù)閾值標記出可疑交易然后交由人工處理，完全基于人的主觀經(jīng)驗，極不靈活且可靠性很低。而基于機器學習的異常檢測方法不僅能有效地識別出異常交易，大幅提高監(jiān)管效率，還可以識別出傳統(tǒng)方法難以發(fā)現(xiàn)的問題，從而提高異常檢測的準確性。然而在區(qū)塊鏈異常檢測中，異常交易往往隱藏在大量正常交易中，可能會故意模仿正常交易行為，導(dǎo)致合法和非法交易的界限不明顯，兩者特征值差異較小，所以基于無監(jiān)督學習的方法會導(dǎo)致高誤報率和漏報率，并不適用于實際場景下的異常檢測。然而區(qū)塊鏈交易數(shù)據(jù)量龐大，區(qū)塊信息維度極高，區(qū)塊鏈交易信息存在相關(guān)性低、正負樣本極不平衡的特點，部分冗余特征導(dǎo)致有監(jiān)督學習模型訓練效果下降，經(jīng)常導(dǎo)致欠擬合情況的發(fā)生。所以如何提供一種可以準確識別出區(qū)塊鏈中異常交易數(shù)據(jù)是本領(lǐng)域技術(shù)人員急需解決的問題。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于PCA與RF的區(qū)塊鏈異常檢測方法，可以準確檢測出區(qū)塊鏈中異常交易數(shù)據(jù)；本發(fā)明還提供了一種基于PCA與RF的區(qū)塊鏈異常檢測裝置、一種基于PCA與RF的區(qū)塊鏈異常檢測設(shè)備以及一種計算機可讀存儲介質(zhì)，可以準確檢測出區(qū)塊鏈中異常交易數(shù)據(jù)。

為解決上述技術(shù)問題，本發(fā)明提供一種基于PCA與RF的區(qū)塊鏈異常檢測方法，包括：

獲取目標區(qū)塊鏈中的原始交易數(shù)據(jù)；

調(diào)用PCA模型對所述原始交易數(shù)據(jù)進行降維，得到待檢測數(shù)據(jù)；

調(diào)用貝葉斯優(yōu)化模型對待檢測數(shù)據(jù)進行調(diào)優(yōu)訓練，得到隨機森林模型最優(yōu)超參數(shù)；

基于所得超參數(shù)進行隨機森林模型訓練，得到區(qū)塊鏈異常檢測隨機森林模型；

調(diào)用預(yù)先訓練的隨機森林模型對待檢測數(shù)據(jù)進行計算，得到對應(yīng)原始交易數(shù)據(jù)的異常檢測結(jié)果。可選的，所述調(diào)用PCA模型對所述原始交易數(shù)據(jù)進行降維，得到待檢測數(shù)據(jù)包括：

根據(jù)所述原始交易數(shù)據(jù)生成區(qū)塊鏈交易數(shù)據(jù)矩陣；

根據(jù)所述區(qū)塊鏈交易數(shù)據(jù)矩陣生成相關(guān)系數(shù)矩陣，并生成所述相關(guān)系數(shù)矩陣的特征值；