【技术实现步骤摘要】
本专利技术属于区块链数据分析领域，具体的说是一种基于图神经网络的交易链分类方法及系统。
技术介绍
1、交易链，特别是区块链，是一种分布式的数据库技术，具有去中心化、不可篡改、全程留痕、匿名性等特点，这些特性使得区块链在金融服务、数据存储、智能合约等领域具有广泛的应用前景，然而，同时也对交易链的分类和监管提出了挑战。随着区块链技术的快速发展，交易链的复杂性和多样性不断增加，传统的交易链分类方法往往难以处理大规模、高维度的交易数据，且容易受到噪声和异常数据的影响。因此，需要一种更加高效、准确的交易链分类方法。
2、如公开号为cn118965060a的中国专利申请公开了基于图神经网络的区块链地址行为分类方法及系统，包括：利用区块链地址交易数据构建每个区块链地址对应的地址交易图列表；所述地址交易图列表包括多个地址交易图，利用图神经网络学习每个地址交易图的特征，并生成每个地址交易图的图嵌入特征；将一个区块链地址的全部图嵌入特征进行聚合并使用分类模型得到区块链地址行为分类的预测结果，该技术方案提供了一种新颖的区块链地址行为分类方案，能够精准地对区块链网络中的地址进行分类。
3、以上现有技术均存在以下问题：分类结果的准确性受限；区块链地址交易数据的获取可能受到各种限制，如数据隐私、数据权限等问题；可扩展性和可维护性差。
技术实现思路
1、针对现有技术的不足，本专利技术提出了一种基于图神经网络的交易链分类方法及系统，从区块链网络中获取并预处理交易数据，构建交易链数据；构建交
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于图神经网络的交易链分类方法，包括：
4、步骤s1：从区块链网络中获取全量区块链交易数据，并对全量区块链交易数据进行预处理，根据预处理后的全量区块链交易数据构建交易链数据；
5、步骤s2：根据预处理后的交易链数据构建交易网络图，并利用改进的图神经网络算法对交易网络图中的节点进行特征向量训练，生成节点的聚合特征向量；
6、步骤s3：利用地址标签库为交易网络图中的部分节点赋予标签，生成带有标签的交易网络图，并使用带有标签的交易网络图中的节点的聚合特征向量和对应的标签，对深度图神经网络模型进行向量训练，生成节点的目标特征向量；
7、步骤s4：根据预训练好的深度图神经网络模型，对带有标签的交易网络图中的未知标签节点进行分类，获得预测标签，并根据预测标签节点的目标特征向量和预设的相似度阈值，对预测标签进行类别划分；
8、步骤s5：对类别划分结果进行分析，识别出异常交易节点或路径，并根据分析结果对资金流动进行追踪和分析；
9、所述步骤s2的具体步骤包括：
10、s2.1：获取预处理后的交易链数据，根据预处理后的交易链数据，构建节点集合和边集合，并为每个节点分配唯一标识符；
11、s2.2：根据点集合和边集合构建交易网络图，并将交易网络图转换为图神经网络模型的处理格式，所述图神经网络模型的处理格式包括邻接矩阵和节点特征矩阵；
12、s2.3：加载图神经网络模型框架，并初始化图神经网络模型参数，将交易网络图的节点特征矩阵和邻接矩阵作为图神经网络模型的输入数据，利用图卷积层对节点特征进行聚合和更新，公式为：
13、；
14、其中，表示更新后的第k+1层的节点特征矩阵，和表示非线性激活函数，表示第l个注意力头的邻接矩阵，表示第k层的节点特征矩阵，表示第k层第l个注意力头的权重矩阵，表示第k层第l个注意力头的偏置项，r表示正则化项；
15、s2.4：通过将前一层的特征表示直接传递到后一层，其中，表示图卷积操作；
16、s2.5：图神经网络模型训练完成后，从图神经网络模型中提取节点的聚合特征向量。
17、具体地，所述步骤s1中构建交易链数据的具体步骤包括：
18、s1.1：获取预处理后的全量区块链交易数据，基于获取的预处理后的全量区块链交易数据，结合区块链的特性，确定交易链的区块头、区块体和交易记录；
19、s1.2：读取交易记录中的区块高度信息，并按照区块高度对交易记录进行排序，根据排序后的交易记录和预设的区块大小，将交易记录划分为n个区块，其中，每个区块的区块头中包含前一个区块的哈希值；
20、s1.3：对每个区块的区块头和区块体进行哈希计算，生成唯一的区块哈希值；
21、s1.4：根据区块哈希值和前一个区块的哈希值，将区块链接起来形成交易链，并将第一个区块的哈希值作为交易链的起点，对构建的交易链进行验证。
22、具体地，所述步骤s3的具体步骤包括：
23、s3.1：获取交易网络图数据和节点的聚合特征向量，并准备地址标签库；
24、s3.2：根据地址标签库，采用标签传播与标签增强算法将已知标签赋予交易网络图中的对应节点，生成带有标签的交易网络图；
25、s3.3：加载预构建的深度图神经网络模型，将带有标签的节点的聚合特征向量和对应的标签作为训练数据对，对深度图神经网络模型进行训练；
26、s3.4：训练完成后，使用训练好的深度图神经网络模型对交易网络图中的节点进行融合特征提取，得到的目标特征向量。
27、具体地，所述s3.2的具体步骤包括：
28、s3.21：准备地址标签库，使用邻接矩阵表示交易网络；
29、s3.22：遍历交易网络图中的节点，对于地址标签库中的已知节点，将其标签初始化为对应的已知标签，对于未知节点，对其赋予一个默认的未知标签；
30、s3.23：遍历交易网络图中的节点，对于每个节点选择邻居节点中出现次数最多的标签作为当前节点的标签，若存在出现次数相同的情况下，则随机选择一个标签；
31、s3.24：根据基于图结构的规则调整标签的分配过程，所述基于图结构的规则是指根据节点的邻居数量、邻居的标签分布、节点在图中的位置信息调整标签的分配过程；
32、s3.25：重复执行步骤s3.22-步骤s3.24，直到标签不再发生变化；
33、s3.26：将更新后的标签信息添加到交易网络图的节点中，生成带有标签的交易网络图。
34、具体地，所述步骤s4的具体步骤包括：
35、s4.1：从存储位置加载已经预训练好的深度图神经网络模型；
36、s4.2：从带有标签的交易网络图中提取所有节点的特征向量，包括已知标签节点和未知标签节点，并将未知标签节点的特征向量输入到预训练好的深度图神经网络模型本文档来自技高网...
【技术保护点】
1.一种基于图神经网络的交易链分类方法，其特征在于，包括：
2.如权利要求1所述的一种基于图神经网络的交易链分类方法，其特征在于，所述步骤S1中构建交易链数据的具体步骤包括：
3.如权利要求2所述的一种基于图神经网络的交易链分类方法，其特征在于，所述步骤S3的具体步骤包括：
4.如权利要求3所述的一种基于图神经网络的交易链分类方法，其特征在于，所述S3.2的具体步骤包括：
5.如权利要求4所述的一种基于图神经网络的交易链分类方法，其特征在于，所述步骤S4的具体步骤包括：
6.一种基于图神经网络的交易链分类系统，其用于实现权利要求1-5中任一项所述的一种基于图神经网络的交易链分类方法，其特征在于，包括：数据采集模块、交易网络图构建模块、特征向量模块、模型训练模块、分类与识别模块；
7.如权利要求6所述的一种基于图神经网络的交易链分类系统，其特征在于，所述分类与识别模块包括：分类单元、相似度计算单元、类别划分单元、异常识别单元、追踪单元；
8.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程
...【技术特征摘要】
1.一种基于图神经网络的交易链分类方法，其特征在于，包括：
2.如权利要求1所述的一种基于图神经网络的交易链分类方法，其特征在于，所述步骤s1中构建交易链数据的具体步骤包括：
3.如权利要求2所述的一种基于图神经网络的交易链分类方法，其特征在于，所述步骤s3的具体步骤包括：
4.如权利要求3所述的一种基于图神经网络的交易链分类方法，其特征在于，所述s3.2的具体步骤包括：
5.如权利要求4所述的一种基于图神经网络的交易链分类方法，其特征在于，所述步骤s4的具体步骤包括：
6.一种基于图神经网...
【专利技术属性】
技术研发人员：阮宝江，刘睿，刘晶，蒋丹，
申请(专利权)人：南京博晟宇网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。