[發(fā)明專利]一種面向去中心化金融的攻擊檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202211207488.6
• 申請(qǐng)日: 2022-09-30
• 公開（公告）號(hào): CN115601034B
• 公開（公告）日: 2023-05-12
• 發(fā)明（設(shè)計(jì)）人: 王偉;王斌;原笑含;王濱;馬洪亮;段莉;劉吉強(qiáng);金一;李浥東
• 申請(qǐng)（專利權(quán)）人: 北京交通大學(xué)
• 主分類號(hào): G06Q20/38
• 分類號(hào): G06Q20/38;G06Q20/40;G06F18/214;G06F18/25;G06N3/0442;G06N3/08
• 代理公司: 北京市商泰律師事務(wù)所 11255
• 代理人: 黃曉軍

1.一種面向去中心化金融的攻擊檢測(cè)方法，其特征在于，構(gòu)建全局模型、局部模型和融合模型，所述方法具體包括：

提取面向去中心化金融的交易事件中的全局信息和局部信息，根據(jù)全局信息提取全局特征，根據(jù)局部信息提取局部特征；

將全局特征輸入到全局模型中，對(duì)全局模型進(jìn)行訓(xùn)練，將局部特征輸入到局部模型中，對(duì)局部模型進(jìn)行訓(xùn)練，保存訓(xùn)練好的全局模型與局部模型的參數(shù)；

通過融合模型將全局特征與局部特征相融合并，提取不同層次的高級(jí)語義特征，對(duì)融合模型進(jìn)行訓(xùn)練，保存訓(xùn)練好的融合模型的參數(shù)；

通過訓(xùn)練好的全局模型提取待檢測(cè)的交易事件的全局特征，通過訓(xùn)練好的局部模型提取將待檢測(cè)的交易事件的局部特征，將待檢測(cè)的交易事件的全局特征和局部特征輸入到訓(xùn)練好的融合模型，訓(xùn)練好的融合模型輸出所述待檢測(cè)的交易事件的攻擊檢測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的提取面向去中心化金融的交易事件中的全局信息和局部信息，包括：

利用面向去中心化金融的交易哈希獲取交易事件中的全局信息G、局部信息、發(fā)出的事件E、關(guān)聯(lián)賬戶、賬戶余額與交易代幣量，所述全局信息G包括交易所在區(qū)塊號(hào)、交易對(duì)應(yīng)的時(shí)間戳和花費(fèi)的燃料費(fèi)，對(duì)全局信息進(jìn)行標(biāo)準(zhǔn)化處理，所述局部信息包含交易平臺(tái)的名稱與不同合約的函數(shù)參數(shù)名稱。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述的根據(jù)全局信息提取全局特征，包括：

根據(jù)全局信息G提取全局特征G(g₁,g₂,…,g₃₇)，所述全局特征G(g₁,g₂,…,g₃₇)包含37個(gè)維度，大部分為統(tǒng)計(jì)特征，該統(tǒng)計(jì)特征包括轉(zhuǎn)賬函數(shù)調(diào)用的次數(shù)、取回流動(dòng)性函數(shù)調(diào)用的次數(shù)、抵押函數(shù)調(diào)用的次數(shù)、所涉及的代幣數(shù)量和交易中的最大交易額。

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述的根據(jù)局部信息提取局部特征，包括：

將局部信息中的不同交易平臺(tái)的名稱、不同合約的函數(shù)參數(shù)名稱以及傳入的參數(shù)值映射到對(duì)應(yīng)的常量，轉(zhuǎn)化為統(tǒng)一的符號(hào)化表達(dá)，利用Word2Vec將標(biāo)準(zhǔn)化后仍非結(jié)構(gòu)化的局部信息轉(zhuǎn)化為固定長(zhǎng)度的向量化的形式，得到局部特征，該局部特征包括高層次語義特征。

5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述的將全局特征輸入到全局模型中，對(duì)全局模型進(jìn)行訓(xùn)練，將局部信息輸入到局部模型中，對(duì)局部模型進(jìn)行訓(xùn)練，保存訓(xùn)練好的全局模型與局部模型的參數(shù)，包括：

全局模型由自編碼器構(gòu)成，局部模型由長(zhǎng)短期記憶LSTM網(wǎng)絡(luò)構(gòu)成，將全局特征輸入到全局模型中，將局部特征輸入到局部模型中，利用正常數(shù)據(jù)分別對(duì)全局模型與局部模型進(jìn)行訓(xùn)練，待全局模型與局部模型收斂后，保存全局模型與局部模型的參數(shù)。

6.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述的通過融合模型將全局特征與局部特征相融合并，提取不同層次的高級(jí)語義特征，對(duì)融合模型進(jìn)行訓(xùn)練，保存訓(xùn)練好的融合模型的參數(shù)，包括：

融合模型包含融合層、深度LSTM層與全連接層，通過融合層將全局特征與局部特征中不同層次的信息相融合，t時(shí)刻LSTM每一層的輸出為其中為輸出門，神經(jīng)元的狀態(tài)，通過下述公式計(jì)算：

其中，*為向量中每個(gè)維度對(duì)應(yīng)相乘，代表向量連接操作，與為相應(yīng)的激活函數(shù)，為L(zhǎng)STM的權(quán)重矩陣，V_t^l代表第l-1(l＞1)層的輸出，表示t-1上一時(shí)刻LSTM的輸出值，b為偏置矩陣，當(dāng)l＝1時(shí)則表示將向量化后的交易事件信息，通過一個(gè)特征融合層獲取融合特征f_f，該融合特征f_f為不同層次的高級(jí)語義特征：

其中，f_f為融合特征，M_g則表示全局模型，M_l為本地模型；

利用重構(gòu)損失對(duì)融合模型進(jìn)行訓(xùn)練，直到融合模型收斂，保存訓(xùn)練好的融合模型的參數(shù)。

7.根據(jù)權(quán)利要求1至6任一項(xiàng)所述的方法，其特征在于，所述的通過訓(xùn)練好的全局模型提取待檢測(cè)的交易事件的全局特征，通過訓(xùn)練好的局部模型提取將待檢測(cè)的交易事件的局部特征，將待檢測(cè)的交易事件的全局特征和局部特征輸入到訓(xùn)練好的融合模型，訓(xùn)練好的融合模型輸出所述待檢測(cè)的交易事件的攻擊檢測(cè)結(jié)果，包括：

將待檢測(cè)的交易事件數(shù)據(jù)作為輸入樣本分別輸入到全局模型和局部模型中，全局模型和局部模型分別輸出全局特征和局部特征，將全局特征和局部特征輸入到融合模型中，將融合模型輸出的不同層次的高級(jí)語義特征作為輸出樣本；

計(jì)算出所述輸入樣本與所述輸出樣本之間的重構(gòu)損失，如果重構(gòu)損失大于給定閾值，則判定所述待檢測(cè)的交易事件數(shù)據(jù)為攻擊，否則，則判定所述待檢測(cè)的交易事件數(shù)據(jù)為正常交易數(shù)據(jù)。