基于网络表示学习的区块链异常交易检测-AET-电子技术应用

基于网络表示学习的区块链异常交易检测

网络安全与数据治理 4期

张晓琦1，白雪2，李光松1，王永娟3

(1.信息工程大学网络空间安全学院，河南郑州450001； 2.中国船舶工业综合技术经济研究院，北京100081；3.河南省网络密码重点实验室，河南郑州450001)

摘要：由于具有巨大的流通市值、庞大的用户量和账户匿名性的特点，区块链交易频繁受到盗窃、庞氏骗局、欺诈等异常行为的威胁。针对区块链异常交易，提出一种网络表示学习模型DeepWalk-Ba用于特征提取，以比特币为例，对区块链交易的网络结构和属性进行学习，从交易的邻域结构中挖掘隐含信息作为节点特征，再使用5种有监督和1种无监督的机器学习算法进行异常检测。实验表明，有监督模型随机森林表现最好，达到了99.3%的精确率和86.4%的召回率，比使用传统的特征提取方法的异常检测模型具有更好的检测效果。

关键词： 区块链异常检测网络表示学习随机游走机器学习

中图分类号：TP311.1
文献标识码：A
DOI：10.19358/j.issn.2097-1788.2022.04.002
引用格式：张晓琦，白雪，李光松，等. 基于网络表示学习的区块链异常交易检测[J].网络安全与数据治理，2022，41(4)：11-20.

Blockchain abnormal transaction detection based on network representation learning

Zhang Xiaoqi1，Bai Xue2，Li Guangsong1，Wang Yongjuan3

(1.School of Cyberspace Security，Information Engineering University，Zhengzhou 450001，China； 2.China Institute of Marine Technology & Economy，Beijing 100081，China； 3.Henan Key Laboratory of Network Cryptography Technology，Zhengzhou 450001，China)

Abstract：Due to its characteristics of huge circulation market value, user volume and anonymity of accounts, blockchain transactions are frequently threatened by abnormal behaviours such as theft, Ponzi scheme and fraud. This paper proposed a network representation learning model DeepWalk-Ba as feature extraction method, taking bitcoin as an example, to learn the network structure and attributes of blockchain transactions, and excavate hidden information from the neighborhood structure of transactions as features. Then, 5 supervised and 1 unsupervised machine learning algorithms were used for anomaly detection. The experiment indicated that the supervised model random forest performed best, with a precision of 99.3% and recall value of 86.4%. The detection effect was better than detection models using the traditional feature extraction methods.

Key words :lockchain；anomaly detection；network representation learning；random walk；machine learning

0 引言

区块链是一种分布式加密账本，为非信任成员可以安全地进行交易提供平台，使得去中心化、低成本、点对点的交易成为可能，在金融、医疗、物流、物联网等领域得到了广泛应用。区块链使用分布式存储和集体维护来实现去中心化，使用SHA-256等非对称加密算法和可靠存储技术完成信用背书，保障了系统的开源、公开和安全。区块链最成功的实践是以比特币为代表的加密数字货币，自2009年比特币诞生以来，越来越多的加密数字货币涌现出来并进入金融市场。截至2021年12月31日，加密数字货币的种类超过了1.6万种，用户近3亿。主流加密数字货币主要有比特币、以太坊、莱特币等，其中，比特币在2021年11月达到了历史最高单价68 928.90美元，流通市值达到1万亿美元。加密数字货币具有匿名性的特点，不需要用户进行实名认证，因此越来越多的犯罪分子将加密货币作为犯罪工具，实施网络和金融犯罪，如敲诈勒索、欺诈和洗钱等。2020年非法交易在所有加密货币交易中所占的比例为0.34%，总量达到100亿美元，而在2021年，0.15%的加密货币交易与网络犯罪、洗钱和恐怖主义融资等活动有关，其中诈骗案件共涉及资金约140亿美元[1]。与加密货币相关的犯罪的发生增加了加密货币的价格波动，也为区块链技术的发展带来了不利的影响，还给社会带来了安全问题，交易安全已成为区块链系统生态的一个重要问题。对区块链的异常交易进行检测，挖掘交易中有用的信息，提高对区块链犯罪的打击效率已成为一个迫切需要解决的问题。同时，采用技术手段对区块链交易中的异常进行检测，也能为解决区块链技术扩展到其他领域将要面临的安全问题提供有意义的指导。因此，研究区块链异常交易检测方法具有重要现实意义。

本文详细内容请下载：https://www.chinaaet.com/resource/share/2000004984

作者信息：

张晓琦1，白雪2，李光松1，王永娟3

(1.信息工程大学网络空间安全学院，河南郑州450001；

2.中国船舶工业综合技术经济研究院，北京100081；3.河南省网络密码重点实验室，河南郑州450001)

微信图片_20210517164139.jpg

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容