区块链网络异常检测溯源分享

1. Graph Convolutional Networks (GCN)

GCN的核心思想是通过图卷积操作，将节点的特征与其邻域信息结合起来，从而生成更丰富的节点表示 构建一个两层的GCN模型，使用节点的166个特征作为输入，最终输出层使用softmax函数进行分类 损失函数使用加权交叉熵损失函数，为非法样本分配更高的权重，优化器使用Adam优化器，学习率为0.001，训练1000个epoch

2. 改进GCN

时序建模的关键点在于捕捉金融数据具有的时间戳特性和系统动态变化 EvolveGCN通过在每个时间步计算一个独立的GCN模型，并通过循环神经网络（RNN）连接这些GCN模型来捕捉系统的动态变化 EvolveGCN的核心思想是使用循环神经网络（如GRU）将独立的GCN模型连接起来，捕捉从过去到未来的系统动态变化

3. TMAS：区块链交易恶意行为分析方案

TMAS是一种基于多种特征模式匹配的研究方案，用于分析区块链交易的恶意行为 区块链技术因其去中心化和匿名性而被广泛应用于加密货币，但也容易被用于非法活动 区块链的不可篡改和不可变特性使得交易数据可以被公开验证和分析，为检测非法活动提供了可能

4. 系统设计

系统设计旨在识别频繁交易节点、大额交易、账户间关系紧密度、多账户用户、间接交易和循环网络、双伞模型以及内部转账洗钱模型 双伞洗钱模型灵感来源于现实中的赌场洗钱场景，模拟了非法资金通过复杂的交易路径被分散和重新聚集的过程 检测双伞洗钱模型的步骤包括选择关键账户、跟踪交易路径、识别双伞结构和评估模型

5. 创新点

强化利用时间特征 结合隐私保护 TMAS规则匹配结合AI模型

本次组会内容下载链接