本发明涉及网络安全领域,特别是涉及一种基于图神经网络和条件随机场的以太坊网络钓鱼检测方法、系统、电子设备及介质。
背景技术:
1、自2008年以来,区块链作为其底层技术引起了广泛关注,现已广泛应用于各行各业。当前,以太坊是支持智能合约的最大区块链平台。开展网络钓鱼诈骗检测研究对于避免以太坊账户造成经济损失、维护区块链生态系统安全、促进区块链行业发展尤为重要。
2、传统的网络钓鱼诈骗检测方法依赖于网站、网页、电子邮件和url (uniformresource locator,统一资源定位系统),而以太坊的网络钓鱼含义多样且形式多变,因此传统方法并不适用于以太坊网络钓鱼诈骗检测。目前,以太坊的开放性为钓鱼诈骗检测提供了便利,研究者可以获取所有的交易记录作为实验数据。但以太坊账户都是没有特征的字符串、用户依靠假名进行传输等难点给网络钓鱼诈骗检测带来了巨大的挑战。
3、针对上述难点,一些研究者提出了基于图建模的方法,即将网络钓鱼诈骗检测转化为通过图学习进行节点分类的问题。但这些方法不考虑整个图,而是根据事先制定的策略,抽取样本来提取节点特征,存在一些弊端。图卷积网络作为一种对图结构数据进行自动、全面学习的方法,其区分网络钓鱼账号取得了很好的实验效果,但是图卷积网络不能约束具有相同标签的帐户学习类似的表示。
技术实现思路
1、本发明的目的是提供一种以太坊网络钓鱼检测方法、系统、电子设备及介质,可有效识别以太坊上的网络钓鱼骗局。
2、为实现上述目的,本发明提供了如下方案:
3、一种以太坊网络钓鱼检测方法,包括:
4、获取以太坊中的交易记录;各交易记录包括账户及账户间的交易关系;
5、根据所述交易记录,以账户节点,交易关系为边,构建交易图;
6、提取所述交易图中各节点的初始特征;
7、根据所述交易图及所述交易图中各节点的初始特征,基于特征学习模型,确定所述交易图中各节点的最终特征;所述特征学习模型包括依次连接的第一图卷积网络、条件随机场及第二图卷积网络;
8、根据各节点的最终特征,基于分类模型,确定各节点的类别;节点的类别为钓鱼账户或非钓鱼账户;所述分类模型为预先采用训练样本集对 lightgbm进行训练得到的;所述训练样本集包括多个样本特征及各样本特征的类别。
9、可选地,所述提取所述交易图中各节点的初始特征,具体包括:
10、采用深度游走算法确定所述交易图中各节点的初始特征。
11、可选地,所述根据所述交易图及所述交易图中各节点的初始特征,基于特征学习模型,确定所述交易图中各节点的最终特征,具体包括:
12、根据所述交易图及初始特征矩阵,通过第一卷积网络对各节点进行特征学习,得到第一特征矩阵;所述初始特征矩阵包括各节点的初始特征;所述第一特征矩阵包括各节点的第一特征;
13、根据所述第一特征矩阵,通过条件随机场对各节点进行特征学习,得到第二特征矩阵;所述第二特征矩阵包括各节点的第二特征;
14、根据所述第二特征,通过第二图卷积网络对各节点进行特征学习,得到最终特征矩阵;所述最终特征矩阵包括各节点的最终特征。
15、可选地,采用以下公式,确定第一特征矩阵:
16、
17、其中,m(1)为第一特征矩阵,σ(·)为激活函数,为交易图的度对角矩阵,为交易图的邻接矩阵,为初始特征矩阵,w(0)为第一图卷积网络的权重矩阵。
18、为实现上述目的,本发明还提供了如下方案:
19、一种以太坊网络钓鱼检测系统,包括:
20、交易记录获取单元,用于获取以太坊中的交易记录;各交易记录包括账户及账户间的交易关系;
21、交易图构建单元,与所述交易记录获取单元连接,用于根据所述交易记录,以账户节点,交易关系为边,构建交易图;
22、初始特征提取单元,与所述交易图构建单元连接,用于提取所述交易图中各节点的初始特征;
23、特征学习单元,与所述初始特征提取单元连接,用于根据所述交易图及所述交易图中各节点的初始特征,基于特征学习模型,确定所述交易图中各节点的最终特征;所述特征学习模型包括依次连接的第一图卷积网络、条件随机场及第二图卷积网络;
24、分类单元,与所述特征学习单元连接,用于根据各节点的最终特征,基于分类模型,确定各节点的类别;节点的类别为钓鱼账户或非钓鱼账户;所述分类模型为预先采用训练样本集对lightgbm进行训练得到的;所述训练样本集包括多个样本特征及各样本特征的类别。
25、可选地,所述特征学习单元包括:
26、第一特征学习模块,与所述初始特征提取单元连接,用于根据所述交易图及初始特征矩阵,通过第一卷积网络对各节点进行特征学习,得到第一特征矩阵;所述初始特征矩阵包括各节点的初始特征;所述第一特征矩阵包括各节点的第一特征;
27、第二特征学习模块,与所述第一特征学习模块连接,用于根据所述第一特征矩阵,通过条件随机场对各节点进行特征学习,得到第二特征矩阵;所述第二特征矩阵包括各节点的第二特征;
28、第三特征学习模块,与所述第二特征学习模块连接,用于根据所述第二特征,通过第二图卷积网络对各节点进行特征学习,得到最终特征矩阵;所述最终特征矩阵包括各节点的最终特征。
29、为实现上述目的,本发明还提供了如下方案:
30、一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的以太坊网络钓鱼检测方法。
31、为实现上述目的,本发明还提供了如下方案:
32、一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的以太坊网络钓鱼检测方法。
33、根据本发明提供的具体实施例,本发明公开了以下技术效果:根据以太坊中的交易记录,以账户节点,交易关系为边,构建交易图,然后提取交易图中各节点的初始特征;根据交易图及交易图中各节点的初始特征,基于特征学习模型(包括依次连接的第一图卷积网络、条件随机场及第二图卷积网络),确定交易图中各节点的最终特征;最后根据各节点的最终特征,基于分类模型,确定各节点的类别;通过结合图卷积网络和条件随机场,能够有效识别以太坊上的网络钓鱼账号。
1.一种以太坊网络钓鱼检测方法,其特征在于,所述以太坊网络钓鱼检测方法包括:
2.根据权利要求1所述的以太坊网络钓鱼检测方法,其特征在于,所述提取所述交易图中各节点的初始特征,具体包括:
3.根据权利要求1所述的以太坊网络钓鱼检测方法,其特征在于,所述根据所述交易图及所述交易图中各节点的初始特征,基于特征学习模型,确定所述交易图中各节点的最终特征,具体包括:
4.根据权利要求3所述的以太坊网络钓鱼检测方法,其特征在于,采用以下公式,确定第一特征矩阵:
5.一种以太坊网络钓鱼检测系统,其特征在于,所述以太坊网络钓鱼检测系统包括:
6.根据权利要求5所述的以太坊网络钓鱼检测系统,其特征在于,所述特征学习单元包括:
7.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至4中任一项所述的以太坊网络钓鱼检测方法。
8.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的以太坊网络钓鱼检测方法。