高判别精度的区块链交易合法性检测方法

doi:10.3778/j.issn.1002-8331.2211-0395

摘要/摘要

摘要：区块链上的交易合法性检测对于加密数字货币的监管具有重大意义。针对现有交易合法性检测方法存在的检测精度低下、判别过程中难以有效兼顾交易本身信息与前后拓扑信息的问题，提出融合可信深度森林的多角度高精度合法性检测方法。设计基于可信生成特征的可信深度森林T森林以特征重排序的方式赋予子样本足够的区分度，结合可变滑动窗口以均衡无混淆的方式提取可信子样本，在大幅度降低生成特征维度的基础上，提高了深度森林的判别精度。提出一种集成策略，基于不同基模型对于正负样本识别能力的差异性，采用双阶段逐层优化的方式有效融合可信深度森林与变压器图网络及残差网络三类基判别器，兼顾两方面信息，构成高精度的多角度分析模型T2R网络在椭圆形数据集上的实验结果显示，该模型的F1核心区83.11%相比基准图卷积方法提升31.6%，具备可靠的交易合法性检测性能。

关键词: 区块链, 合法性检测, 可信深度森林, 神经网络, 双阶段集成

摘要：区块链上交易的合法性歧视对于加密货币的监管至关重要。为了有效地考虑交易本身的信息和鉴别过程中的拓扑信息，提高鉴别准确性，本文提出了一种结合可信深森林的多视角合法性检测方法。首先，设计了一个基于可信特征生成的可信深层森林（TForest）。它通过特征重新排序对子样本进行充分的区分，并结合可变滑动窗口以平衡且无混淆的方式提取可微子样本。在显著降低生成特征维数的基础上，提高了深层森林的识别精度。然后，设计了集成策略。它使用两阶段分层优化方法有效融合了三种类型的基本鉴别器，即可信深森林、Transformer图网络和ResNet。该策略基于正负样本识别能力基本模型的差异，并利用两种信息，最终构建了一个高精度的多视角分析模型T2Rnet。在椭圆数据集上的实验结果表明，该模型的F1核达到83.11%，比基线图卷积方法高31.6%。该模型具有可靠的交易合法性鉴别性能。

关键词： 块链，合法性歧视，值得信赖的深林，神经网络，两阶段集成策略

蔡元海, 宋甫元, 黎凯, 陈彦宇, 付章杰. 高判别精度的区块链交易合法性检测方法[J] ●●●●。计算机工程与应用, 2024, 60(5): 271-280.

蔡元海、宋福源、李凯、陈燕玉、付章杰。高识别准确度的区块链交易合法性识别[J]。计算机工程与应用，2024，60（5）：271-280。

参考文献

[1] MCGINN D，BIRCH D，AKROYD D，等.动态比特币交易模式可视化[J]。大数据，2016，4（2）：109-119。
[2] BISTARELLI S，SANTINI F.Go with the-bitcoin-flow，with visual analytics[C]//第十二届可用性、可靠性和安全性国际会议论文集，2017:1-6。
[3] BATTISTA D，DONATO D，PATRIGNANI M，et al.比特币视图：比特币交易图中的流可视化[C]//IEEE网络安全可视化研讨会论文集，2015:1-8。
[4] CONTI M，GANGWAL A，RUJ S.论勒索软件活动的经济意义：比特币交易视角[J]。计算机与安全，2018，79:162-189。
[5] PHAM T，LEE S.使用无监督学习方法的比特币网络异常检测[J]。arXiv:1611.039412016年。
[6] 沈蒙, 桑安琪, 祝烈煌, 等. 基于动机分析的区块链数字货币异常交易行为识别方法[J] ●●●●。计算机学报, 2021, 44(1): 193-208.
沈明，桑亚清，朱丽华，等.基于动机分析的区块链数字货币异常交易行为识别[J]。中国计算机学报，2021，44（1）：193-208。
[7] HARLEV M A，SUN Y H，LANGENHELDT K C，et al.Breaking bad:使用监督机器学习消除比特币区块链上的非对称实体类型[C]//第51届夏威夷国际系统科学会议论文集，2018。
[8] WEBER M，DOMENICONI G，CHEN J，et al.比特币中的反洗钱：金融取证的图卷积网络实验[C]//SIGKDD金融异常检测研讨会论文集，安克雷奇，AK，2019。
[9] 朱会娟, 陈锦富, 李致远, 等. 基于多特征自适应融合的区块链异常交易检测方法[J] ●●●●。通信学报, 2021, 42(5): 41-50.
朱海杰，陈建发，李志勇，等.基于自适应多特征融合的区块链异常事务检测方法[J]。通讯杂志，2021，42（5）：41-50。
[10] CHAI Z，YOU S，YANG Y，等。图形神经网络能检测到异常吗？[C] //第三十一届国际人工智能联合会议记录，维也纳，2022年7月：1945-1951。
[11] PAREJA A，DOMENICONI G，CHEN J，et al.EvolveGCN:动态图的进化图卷积网络[C]//AAAI人工智能会议论文集，2020：5363-5370。
[12] 周志华，冯J.深林[J]。《国家科学评论》，2019，6（1）：74-86。
[13] WELLING M，KIPF T N.图卷积网络半监督分类[C]//国际学习表征会议论文集，2016。
[14] VASWANI A，SHAZEER N，PARMAR N，et al.注意力是你所需要的一切[C]//神经信息处理系统进展，2017:5998-6008。
[15] 石毅，黄忠，冯S，等。掩蔽标签预测：半监督分类的统一消息传递模型[J]。arXiv:2009.035092020。
[16] 何克明，张欣，任仕，等.图像识别的深度剩余学习[C]//2016 IEEE计算机视觉与模式识别会议论文集，拉斯维加斯，2016:770-778。
[17] CHEN T，GUESTRIN C.XGBoost:一个可扩展的树提升系统[C]//第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集，2016：785-794。
[18] MAATEN L，HINTON G.使用t-SNE可视化数据[J]。机器学习研究杂志，2008，9:2579-2605。
[19] VELICKOVIC P、CUCURULL G、Casanova A等。图形注意力网络[C]//ICLR 2018年会议盲提交，2018年。
[20] 柯刚，孟清，芬利T，等.LightGBM:一种高效的梯度增强决策树[C]//神经信息处理系统进展，2017:3146-3154。