交易所,交易所排名,交易所排行,加密货币交易所排行榜,加密货币是什么,加密货币交易平台,币安交易所,火币交易所,欧意交易所,Bybit交易所,Coinbase交易所,Bitget交易所,交易所排行

　　1.一种基于图神经网络的异常虚拟币钱包地址检测方法，其特征在于，该方法包括以

　　步骤1：从区块链公链上收集虚拟币的所有流水存入Elasticsearch交易流水库；从区

　　块链浏览器上收集合约地址、交易所大地址信息存入MySQL地址信息库；将已有的异常虚拟

　　币钱包地址，也存入MySQL地址信息库；从交易所得到提币数据及交易所注册信息，存入

　　MongoDB交易所数据信息库，交易所注册信息包括用户的身份证号及手机号，身份证号及手

　　机号作为敏感信息，存入交易所数据信息库前先使用SHA‑256哈希加密进行脱敏处理；

　　步骤2：根据步骤1收集到的数据信息，将若干异常虚拟币钱包地址为初始钱包地址节

　　点加入虚拟币交易异常检测网络中；再从区块链上的虚拟币交易流水中找到初始钱包地址

　　节点的所有交易对手，从中选择出对手数小于10的个人钱包地址或匿名钱包地址添加至虚

　　拟币交易异常检测网络中，再去寻找这些交易对手的对手，循环往复，直至将初始钱包地址

　　节点的十阶邻居添加至虚拟币交易异常检测网络中，完成虚拟币交易异常检测网络的构

　　步骤3：结合步骤1得到的交易流水库，计算出虚拟币交易异常检测网络中每个节点的

　　交易对手数、交易金额、交易时间及余额信息，作为虚拟币钱包地址的交易特征；

　　步骤4：将虚拟币交易异常检测网络中的所有节点，按照60%、20%、20%划分为训练集、验

　　证集、测试集，保证训练集、验证集和测试集服从同一数据分布；采用MLP‑GCN‑GAT模型在虚

　　拟币交易异常检测网络上进行半监督节点分类任务，输出异常概率最高且仍未被发现的钱

　　2.根据权利要求1所述基于图神经网络的异常虚拟币钱包地址检测方法，其特征在于，

　　步骤1.3：从地址信息库中得到异常钱包地址、合约地址、交易所大地址列表，将这些数

　　签，标签类型有异常地址、合约地址、交易所大地址及无标签四种，其中无标签类型为不属

　　3.根据权利要求1基于图神经网络的异常虚拟币钱包地址检测方法，其特征在于，所述

　　判断对手的标签是否为合约地址和交易所大地址，如果对手标签为合约地址或者交易所大

　　地址，则忽略这个对手；否则就将这个对手和钱包地址之间连一条边，称为原始交易边；如

　　项对手数，将出项对手数和入项对手数均小于10的钱包地址作为有效钱包地址，拓展出集

　　的一阶新增邻居；然后在交易流水库上查询每个有效钱包地址的对手，用步骤1.3得到

　　或者交易所大地址，则忽略这个对手；否则就将这个对手和有效钱包地址之间连一条边，同

　　的所有节点合并到一个大集合S中，集合S代表所有异常钱包地址十阶内的所有新增邻

　　间添加一条边，代表实际发生的，却未在区块链公链流水上体现出来的交易关系；

　　些钱包地址同属于一个人，它们之间被认为发生了交易，却不会在区块链公链流水上体现

　　步骤2.6：找到集合S中所有节点组成的最大连通子图，作为最终得到的虚拟币交易异

　　常检测网络，记作G＝(N,E)，N代表虚拟币交易异常检测网络中的钱包地址节点，E代表钱包

　　4.根据权利要求1所述基于图神经网络的异常虚拟币钱包地址检测方法，其特征在于，

　　对于步骤2.6得到的虚拟币交易异常检测网络G＝(N,E)中的所有钱包地址节点N，根据

　　交易流水库中的信息，提取出它们的19维特征，分别是每个钱包地址的总交易次数、转入交

　　易次数、转出交易次数、转入转出交易总额、转入交易总额、转出交易总额、最近一次交易时

　　间、第一次交易时间、当前余额、转入转出交易次数比率、转入转出交易总金额比率、转入对

　　手数、转出对手数、转入转出对手数比率、历史最大余额、历史最大余额出现日期、历史最大

　　余额持续天数、钱包地址使用持续天数及历史最大余额持续天数占钱包地址使用持续天数

　　5.根据权利要求1所述基于图神经网络的异常虚拟币钱包地址检测方法，其特征在于，

　　步骤4.1：构建MLP‑GCN‑GAT模型，模型由两层多层感知器MLP、一层图卷积神经网络GCN

　　和一层图注意力网络GAT组成；首先使用多层感知器MLP模块对数据集进行特征过滤，剔除

　　影响力小的数据；然后利用图卷积神经网络GCN模块对图数据的处理能力进行特征提取；之

　　后通过MLP模块重新对数据进行学习，以保证数据被充分利用；再将数据导入图注意力网络

　　步骤4.2：定义损失函数为交叉熵损失，通过计算并通过梯度下降不断优化模型识别结

　　果在训练集上的损失，来学习获取模型参数，并将模型参数用于在验证集和测试集中钱包

　　地址的预测，通过模型在准确率即Accuracy、精准率即Precision、召回率即Recall及F1值

　　四方面的表现来评价模型在验证集和测试集中识别出异常虚拟币钱包地址识别的能力；

　　步骤4.3：F1值代表整个模型的综合训练效果，通过验证集上的F1值判定模型的表现，

　　并据此调整超参数的选择；在得到能够较好拟合验证集的一组超参数后，用测试集上的F1

　　值来评价模型的泛化能力；比较多组超参数在用测试集上的F1值，选择F1值最高的一组超

　　步骤4.4：利用模型的最终参数对虚拟币交易异常检测网络G中的所有无标签钱包地址

　　节点进行是否异常的预测，最终通过Softmax函数输出异常的预测概率；按照异常概率大

　　点传输、共识机制、加密算法等多种技术的新型技术。虚拟币的代表是比特币(Bitcoin)。它

　　不依靠特定货币机构发行，依据特定算法，通过大量的计算产生，使用整个P2P网络中众多

　　节点构成的分布式数据库来确认并记录所有的交易行为，并用密码学的设计来确保货币流

　　通各个环节安全性。P2P的去中心化特性与算法本身可以确保无法通过大量造币来人为操

　　控币值。基于密码学的设计可以使虚拟币只能被真实的拥有者转移或支付。这同样确保了

　　拟币交易所的交易秩序，影响交易所的服务能力，使交易所蒙受名誉和财产的损失。因此对

　　异常交易的钱包地址进行检测尤为重要。由于虚拟币网络的复杂性以及密集的交易结构，

　　对其进行检测并不是一件容易的事。利用机器学习可以处理这些复杂的数据，并训练检测

　　模型，从而将模型应用到异常的检测。虚拟币钱包地址之间的交易可以构成图形数据，因

　　卷积网络在比特币网络中检测非法交易做了探索，运用GCN方法来对给定数据集进行非法

　　行了改进，通过将图卷积层获得的节点嵌入与从节点特征矩阵的线性变换中获得的单个隐

　　钱包地址。为此提出一种基于图神经网络的区块链异常识别方法，包括如下步骤：。

　　步骤1：从区块链公链上收集虚拟币的所有流水存入Elasticsearch交易流水库；

　　从区块链浏览器上收集合约地址、交易所大地址信息存入MySQL地址信息库；将已有的异常

　　虚拟币钱包地址，也存入MySQL地址信息库；从交易所得到提币数据及交易所注册信息，存

　　入MongoDB交易所数据信息库，交易所注册信息包括用户的身份证号及手机号，身份证号和

　　手机号作为敏感信息，存入交易所数据信息库前先使用SHA‑256哈希加密进行脱敏处理；具

　　步骤1.3：从地址信息库中得到异常钱包地址、合约地址、交易所大地址列表，将这

　　的标签，标签类型有异常地址、合约地址、交易所大地址及无标签四种，其中无标签类型为

　　不属于异常地址、合约地址、交易所大地址这三种类型的其他所有钱包地址的标签。

　　步骤2：根据步骤1收集到的数据信息，将若干异常虚拟币钱包地址为初始钱包地

　　址节点加入虚拟币交易异常检测网络中；再从区块链上的虚拟币交易流水中找到初始钱包

　　地址节点的所有交易对手，从中选择出对手数小于10的个人钱包地址或匿名钱包地址添加

　　至虚拟币交易异常检测网络中，再去寻找这些交易对手的对手，循环往复，直至将初始钱包

　　地址节点的十阶邻居添加至虚拟币交易异常检测网络中，完成虚拟币交易异常检测网络的

　　判断对手的标签是否为合约地址和交易所大地址，如果对手标签为合约地址或者交易

　　所大地址，则忽略这个对手；否则就将这个对手和钱包地址之间连一条边，称为原始交易

　　数和入项对手数，将出项对手数和入项对手数均小于10的钱包地址作为有效钱包地址，拓

　　合约地址或者交易所大地址，则忽略这个对手；否则就将这个对手和有效钱包地址之间连

　　的所有节点合并到一个大集合S中，集合S代表所有异常钱包地址十阶内的所有新

　　之间添加一条边，代表实际发生的，却未在区块链公链流水上体现出来的交易关系；

　　表这些钱包地址同属于一个人，它们之间被认为发生了交易，却不会在区块链公链流水上

　　步骤2.6：找到集合S中所有节点组成的最大连通子图，作为最终得到的虚拟币交

　　易异常检测网络，记作G＝(N,E)，N代表虚拟币交易异常检测网络中的钱包地址节点，E代表

　　步骤3：结合步骤1得到的交易流水库，计算出虚拟币交易异常检测网络中每个节

　　点的交易对手数、交易金额、交易时间及余额信息，作为虚拟币钱包地址的交易特征；具体

　　对于步骤2.6得到的虚拟币交易异常检测网络G＝(N,E)中的所有钱包地址节点N，

　　根据交易流水库中的信息，提取出它们的19维特征，分别是每个钱包地址的总交易次数、转

　　入交易次数、转出交易次数、转入转出交易总额、转入交易总额、转出交易总额、最近一次交

　　易时间、第一次交易时间、当前余额、转入转出交易次数比率、转入转出交易总金额比率、转

　　入对手数、转出对手数、转入转出对手数比率、历史最大余额、历史最大余额出现日期、历史

　　最大余额持续天数、钱包地址使用持续天数及历史最大余额持续天数占钱包地址使用持续

　　步骤4：将虚拟币交易异常检测网络中的所有节点，按照60％、20％、20％划分为训

　　练集、验证集、测试集，保证训练集、验证集和测试集服从同一数据分布；采用MLP‑GCN‑GAT

　　模型在虚拟币交易异常检测网络上进行半监督节点分类任务，输出异常概率最高且仍未被

　　步骤4.1：构建MLP‑GCN‑GAT模型，模型由两层多层感知器MLP、一层图卷积神经网

　　络GCN和一层图注意力网络GAT组成；首先使用多层感知器MLP模块对数据集进行特征过滤，

　　剔除影响力小的数据；然后利用图卷积神经网络GCN模块对图数据的处理能力进行特征提

　　取；之后通过MLP模块重新对数据进行学习，以保证数据被充分利用；再将数据导入图注意

　　力网络GAT模块以提高对图数据的提取精度；最后通过线性层对是否异常进行划分；

　　步骤4.2：定义损失函数为交叉熵损失，通过计算并通过梯度下降不断优化模型识

　　别结果在训练集上的损失，来学习获取模型参数，并将模型参数用于在验证集和测试集中

　　钱包地址的预测，通过模型在准确率即Accuracy、精准率即Precision、召回率即Recall、F1

　　值四方面的表现来评价模型在验证集和测试集中识别出异常虚拟币钱包地址识别的能力；

　　步骤4.3：F1值代表整个模型的综合训练效果，通过验证集上的F1值判定模型的表

　　现，并据此调整超参数的选择；在得到能够较好拟合验证集的一组超参数后，用测试集上的

　　F1值来评价模型的泛化能力；比较多组超参数在用测试集上的F1值，选择F1值最高的一组

　　步骤4.4：利用模型的最终参数对虚拟币交易异常检测网络G中的所有无标签钱包

　　地址节点进行是否异常的预测，最终通过Softmax函数输出异常的预测概率；按照异常概率

　　为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对

　　本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不

　　参阅图1，本发明提出一种基于图神经网络的异常虚拟币钱包地址检测方法，包括

　　步骤1：从区块链公链上收集虚拟币的所有流水存入Elasticsearch交易流水库；

　　从区块链浏览器上收集合约地址、交易所大地址信息存入MySQL地址信息库；将已有的异常

　　虚拟币钱包地址，也存入MySQL地址信息库；从交易所得到提币数据及交易所注册信息，存

　　入MongoDB交易所数据信息库，交易所注册信息包括用户的身份证号及手机号，身份证号和

　　手机号作为敏感信息，存入交易所数据信息库前先使用SHA‑256哈希加密进行脱敏处理；

　　步骤2：根据步骤1收集到的数据信息，将若干异常虚拟币钱包地址为初始钱包地

　　址节点加入虚拟币交易异常检测网络中；再从区块链上的虚拟币交易流水中找到初始钱包

　　地址节点的所有交易对手，从中选择出对手数小于10的个人钱包地址或匿名钱包地址添加

　　至虚拟币交易异常检测网络中，再去寻找这些交易对手的对手，循环往复，直至将初始钱包

　　地址节点的十阶邻居添加至虚拟币交易异常检测网络中，完成虚拟币交易异常检测网络的

　　步骤3：结合步骤1得到的交易流水库，计算出虚拟币交易异常检测网络中每个节

　　点的交易对手数、交易金额、交易时间及余额信息，作为虚拟币钱包地址的交易特征；

　　步骤4：将步骤2得到的虚拟币交易异常检测网络中的所有节点，按照60％、20％、

　　20％划分为训练集、验证集、测试集，保证训练集、验证集和测试集服从同一数据分布；采用

　　MLP‑GCN‑GAT模型在该图上进行半监督节点分类任务，输出最有可能异常且仍未被发现的

　　进一步地，在本实施例中，步骤1中处理虚拟币历史交易数据，构建虚拟币异常数

　　步骤1.3：从地址信息库中得到异常钱包地址、合约地址、交易所大地址列表，将这

　　的标签，标签类型有异常地址、合约地址、交易所大地址及无标签四种，其中无标签类型为

　　不属于异常地址、合约地址、交易所大地址这三种类型的其他所有钱包地址的标签；

　　进一步地，在本实施例中，步骤2中基于异常人员信息构建虚拟币交易异常检测网

　　判断对手的标签是否为合约地址和交易所大地址，如果对手标签为合约地址或者交易

　　所大地址，则忽略这个对手；否则就将这个对手和钱包地址之间连一条边，称为原始交易

　　数和入项对手数，将出项对手数和入项对手数均小于10的钱包地址作为有效钱包地址，拓

　　合约地址或者交易所大地址，则忽略这个对手；否则就将这个对手和有效钱包地址之间连