(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111641806.5 (22)申请日 2021.12.2 9 (71)申请人 上海朝夕网络技 术有限公司 地址 201203 上海市浦东 新区科苑路151号 华强大厦610 (72)发明人 陈伟　贾曦　李汝佳　 (74)专利代理 机构 武汉东喻专利代理事务所 (普通合伙) 42224 代理人 雷霄 (51)Int.Cl. G06Q 20/38(2012.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种加密货币异常交易检测方法及应用 (57)摘要 本发明公开了一种加密货币异常交易检测 方法及应用。 该方法包括步骤： 分别对基于区块 链的加密货币的正常交易数据和异常交易数据 进行采样， 将同一用户的交易数据根据交易时间 进行序列化， 生成用户交易序列样本， 并对用户 交易序列样本标记正常交易标签或异常交易标 签； 将用户交易序列 样本编码成用户交易序列向 量后输入到加密货币异常交易检测模型进行训 练， 其中， 加密货币异常交易检测模型是基于 Transformer网络架构实现的。 本发明中采用的 模型网络十分适用于区块链技术的加密货币异 常交易检测， 提取的特征表达性更强， 从而使得 本发明的检测准确率更高。 权利要求书1页 说明书7页 附图1页 CN 114298712 A 2022.04.08 CN 114298712 A 1.一种加密货币异常交易检测方法， 其特 征在于， 包括 步骤： 分别对基于区块链的加密货币的正常交易数据和 异常交易数据进行采样， 将同一用户 的交易数据根据 交易时间进行序列化， 生成用户交易序列样本， 并对用户交易序列样本标 记正常交易标签或异常交易标签； 将用户交易序列样本编码成用户交易序列向量后输入到加密货币异常交易检测模型 进行训练， 其中， 加密货币异常交易检测模型是基于Tr ansformer网络架构实现的， 训练后 的加密货币异常交易检测模型用于 输出表示交易异常与否的检测结果。 2.如权利要求1所述的一种加密货币异常交易检测方法， 其特征在于， 基于区块序列来 获取交易时间的先后顺序。 3.如权利要求1所述的一种加密货币异常交易检测方法， 其特征在于， 每笔交易数据包 括交易价值属性、 燃料属性和交易地址属性， 交易价值属性表示该笔 交易中转移的货币量， 燃料属性包括第一字段、 第二字段和第三字段， 第一字段表示交易发送方允许执行交易的 计算工作的上限， 第二字段表示实际执行 的计算量， 第三字段表示发送方愿意为交易支付 的成本， 交易 地址属性表示该 笔交易的发送方和接收方。 4.如权利要求3所述的一种加密货币异常交易检测方法， 其特征在于， 根据交易地址属 性将交易数据按照用户进行分类。 5.如权利要求1所述的一种加密货币异常交易检测方法， 其特征在于， 设置多个不同的 正常交易数据和异常交易数据的采样比率， 基于每个采样比例分别构建训练集， 分别在多 个训练集上训练该加密货币异常交易检测模型， 得到多个训练后的加密货币异常交易检测 模型， 根据测试 结果选择最佳的采样比率。 6.一种加密货币异常交易检测系统， 其特 征在于， 包括： 样本获取模块， 用于分别对基于区块链的加密货币的正常交易数据和 异常交易数据进 行采样， 将同一用户的交易数据根据交易时间进 行序列化， 生成用户交易序列样本， 并对用 户交易序列样本标记正常交易标签或异常交易标签； 训练模块， 用于将用户交易序列样本编码成用户交易序列向量后输入到加密货币异常 交易检测模 型进行训练， 其中， 加密货币异常交易检测模 型是基于Transformer网络架构实 现的， 训练后的加密货币异常交易检测模型用于 输出表示交易异常与否的检测结果。 7.如权利要求6所述的一种加密货币异常交易检测系统， 其特征在于， 基于区块序列来 获取交易时间的先后顺序。 8.如权利要求6所述的一种加密货币异常交易检测系统， 其特征在于， 每笔交易数据包 括交易价值属性、 燃料属 性、 交易地址属性， 交易价值属 性表示该笔交易中转移的货币量， 燃料属性包括第一字段、 第二字段和第三字段， 第一字段表示交易发送方允许执行交易的 计算工作的上限， 第二字段表示实际执行 的计算量， 第三字段表示发送方愿意为交易支付 的成本， 交易 地址属性表示该 笔交易的发送方和接收方。 9.一种电子设备， 包括存储器和 处理器， 所述存储器存储有计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现权利要求1至 5中任一项所述的方法的步骤。 10.一种存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被处理器执 行时实现如权利要求1至 5中任一项所述的方法。权　利　要　求　书 1/1 页 2 CN 114298712 A 2一种加密货币异常交易检测方 法及应用 技术领域 [0001]本发明属于区块链技术领域， 更具体地， 涉及一种加密货币异常交易检测方法及 应用。 背景技术 [0002]目前金融市场对异常交易的检测主要集中在传统的金融领域， 如银行卡和信用卡 交易。 按照检测方式， 可以分为两类： 基于手工特征的检测和基于机器学习的检测。 基于手 工特征的检测就是通过建立、 更新基于交易行为特征的规则库， 并在交易 发生时， 通过查询 该交易的某些特征， 比如交易量， 交易频率， 时间等来判断该笔交易的交易状态。 但是基于 手工特征 的检测只能覆盖已经出现的诈骗类型， 对于新兴诈骗无能为力。 基于机器学习的 检测主要 是利用机器学习领域的算法， 随机森林和深度学习技术， 去自动学习交易的特征， 发现潜在的诈骗模式。 这些方法虽然能在某种程度上缓解基于卡片交易的金融诈骗， 但是 由于基于银行卡的交易与基于区块链技术的加密货币交易有着本质的区别， 比如 对用户的 定义， 交易平台的不同等， 上述方法并不能直接应用到加密货币交易的监管当中。 [0003]目前区块链系统中异常用户检测的方法主要使用机器学习技术， 从现有的异常用 户和非异常用户的行为中总结规律， 最终使得模型能够具有甄别异常以及正常用户的能 力。 使用机器学习的异常用户检测方法主要包括数据收集和解析、 特征提取、 设计合理的机 器学习算法 几个阶段。 (1)在数据收集和解析阶段， 在由于区块链数据的去中心 化的账本存 在， 在数据收集解析过程一般使用的是同样来源的数据， 主要是数据量的使用随发表时间 有所不同。 (2)特征提取阶段， 现有技术中一般使用手工特征。 但是机器学习理论已经证明， 使用手工特征容易使模型陷入过拟合的问题， 削弱了模型 的泛化能力， 使得模型在处理大 量数据或者新数据时的性能大大下降， 而处理大量数据和新的交易数据证实基于区块链的 加密货币交易所具有的明显特点。 其次， 手工特征不一定能够表达出异常账号的特征， 比如 用户节点的平均转账数量和入账数量只能表现一个账号的一段时间的整体行为， 或者手工 计算不同时间段峰值， 而并没有对行为在时序上的差异进 行深入的分析挖掘。 (3)在机器学 习阶段， 一般包括无监督学习方法和监督学习方法。 对于无监督学习， 常用Mahalanobis   distance或者Unsupervised  SVM来计算不同用户之间的距离， 然后使用k ‑means方法进行 聚类， 对于不在聚类集群内的类外的样本点， 则被看作 异常账号/用户。 一种现有技术中， 使 用无监督学习方法， 利用用户图和交易图的一致性来判断用户或者交易是不是异常， 最终 由于图特征选取 的偏差， 使得不同特征对于最终 图一致性的结果影响巨大， 从而影响模型 的公平性和准确性。 对于有监督学习， 常用SVM， Random  Forest， XGBoost， ExtraTreesClassifier等对样本特征进行分类。 但是对于目前的算法设计， 都假设正负样 本的数量差别不大， 而目前能获取到的异常用户数量非常少， 需要在数据不均衡的角度对 当前的算法进行改进。说　明　书 1/7 页 3 CN 114298712 A 3