[發明專利]一種基于圖神經網絡的區塊鏈釣魚詐騙識別的方法

在審

• 申請號: 202211275203.2
• 申請日: 2022-10-18
• 公開（公告）號: CN115438751A
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 卞靜;卓紹烜;李焱
• 申請（專利權）人: 中山大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q40/04
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 鄭堪泳

1.一種基于圖神經網絡的區塊鏈釣魚詐騙識別的方法，其特征在于：所述的方法包括以下步驟：

對于交易數據進行預處理，將交易數據處理為交易網絡圖；

對交易網絡圖進行聚類處理，得到全局視角圖；

對交易網絡圖進行采樣處理，得到局部視角圖；

構建并訓練多交易視角注意力圖神經網絡；

將全局視角圖輸入訓練好的多交易視角注意力圖神經網絡得到全局交易視角的節點嵌入；所述的節點嵌入包括交易網絡的結構和邊視角信息；

將局部視角圖輸入訓練好的多交易視角注意力圖神經網絡得到局部交易視角的節點嵌入；

將全局交易視角的節點嵌入和局部交易視角的節點嵌入進行拼接后一起輸入多層感知器，以實現網絡釣魚地址的分類識別。

2.根據權利要求1所述的基于圖神經網絡的區塊鏈釣魚詐騙識別的方法，其特征在于：通過聚類函數對交易網絡圖進行聚類處理，得到全局視角圖，其表達式如下：

其中，ρ表示圖形聚類函數，c表示聚類數量，表示交易網絡圖；表示聚類后生成的第i個子圖、表示中節點的集合、表示中邊的集合。

3.根據權利要求1所述的基于圖神經網絡的區塊鏈釣魚詐騙識別的方法，其特征在于：通過鄰居采樣函數對交易網絡圖進行采樣處理，得到局部視角圖：

其中，表示節點i的K階鄰居節點，j表示圖中的節點，K-hop表示K跳即尋找K階鄰居。

4.根據權利要求1所述的基于圖神經網絡的區塊鏈釣魚詐騙識別的方法，其特征在于：所述的多交易視角注意力圖神經網絡，通過邊特征和注意力系數以捕獲交易網絡獲取邊視角系數信息，通過聚合地址節點的特征獲取交易圖的結構信息。

5.根據權利要求4所述的基于圖神經網絡的區塊鏈釣魚詐騙識別的方法，其特征在于：所述的多交易視角注意力圖神經網絡是由多個MTvConv塊組成；

所述的MTvConv塊的輸入是一組節點的輸入特征其中N表示節點的數量，F表示每個節點中輸入特征的維度、表示第i維度的輸入特征；

在訓練完后圖神經網絡MTvGAT，每個MTvConv塊輸出節點的嵌入其中，F′表示輸出嵌入的維度、表示第i維度的嵌入特征；

所述的多交易視角注意力圖神經網絡MTvGAT的計算公式如下：

其中，表示輸入交易網絡圖，A表示輸入交易網絡圖的鄰接矩陣，z表示從MTvGAT最后一層MTvConv塊學到的目標節點的嵌入。

6.根據權利要求5所述的基于圖神經網絡的區塊鏈釣魚詐騙識別的方法，其特征在于：所述的注意力系數α_ij的計算公式如下：

其中，表示一個可學習的權重矩陣，將輸入特征轉換為高緯度特征；表示一個共享的注意力機制，||表示特征拼接操作。

7.根據權利要求6所述的基于圖神經網絡的區塊鏈釣魚詐騙識別的方法，其特征在于：所述的邊視角系數δ_i,j是通過結合邊特征和注意力系數拼接而成：

δ_i,j＝(e_i,j||α_i,j)

每個MTvConv塊都將節點和邊特征作為輸入；通過信息前向傳播機制被表述如下：

其中，φ和是多層感知器，通過拼接輸入來計算輸出節點嵌入；⊙表示多個聚合器的組合和縮放器的組合；所述的聚合器聚合來自鄰居的信息，所述的縮放器對聚合的信息進行不同的縮放；

所述的信息前向傳播機制在多交易視角注意力圖神經網絡中的節點聚合鄰居節點的信息，生成新的特征向量即l表示第l層神經網絡。

8.根據權利要求7所述的基于圖神經網絡的區塊鏈釣魚詐騙識別的方法，其特征在于：采用神經網絡反向傳播對多交易視角注意力圖神經網絡進行訓練。