基于加密流量图谱特征分析的区块链异常账户识别方法研究.pdf

湖北工业大学硕士学位论文

摘要

加密货币作为区块链技术典型的应用之一，对数字经济的蓬勃发展起到了十

分重要的推动作用。然而，加密货币交易的固有匿名性、庞大的交易量以及基于

对等网络的分布式特性，为识别异常账户和防范诸如洗钱、勒索和市场操纵等异

常交易行为带来了新的挑战。传统依赖于个人身份信息的检测手段显得力不从心，

如存在隐私泄露、验证复杂等问题。尽管已有研究利用交易图谱特征，从模式识

别和关系洞察方面揭示异常活动。但是这些图谱特征往往呈现出高维稀疏性，这

不仅增加了模型的计算复杂度，而且使得从交易数据中提取有效信息变得困难。

与此同时，也有研究人员提出利用机器学习来高效、准确的进行异常交易检测。

但在实际应用中，异常账户和交易的数量远低于正常账户和交易，导致现有检测

方法难以通过训练这种不平衡的异常、正常账户数据集来有效检测异常账户。

为解决这一问题，本文提出一种基于区块链交易图谱特征分析的异常账户识

别方法。首先，鉴于异常账户可能展现出独特的图谱特征，本文从中提取交易图

的图谱特征。本文将区块链中的账户和交易视为图的节点和边，从而通过图谱特

征来揭示用户交易行为之间的关联性。其次，本文通过对图谱特征的分析，高维

稀疏的图谱特征可以使用奇异值分解方法进行有效降维，去除图谱特征的稀疏性，

有利于模型训练收敛。进一步地，本文利用生成对抗网络生成近似异常账户交易

样本的同分布样本，并将其整合纳入训练数据集，从而实现异常与正常账户训练

数据的平衡性。最后，本文采用多种机器学习技术来识别区块链中的异常账户。

实验结果表明，与现有前沿的方法相比，本文提出方法在检测区块链中的异常账

户时，无论是在精确率还是召回率方面，都取得显著的性能提升。

基于上述研究提出的区块链异常交易行为检测技术，本文设计并实现一款区

块链加密货币交易异常检测系统。该系统完成了基于Neo4j的异常交易图谱构建，

可用于批量检测基于区块链的加密货币交易网络中的异常账户，并通过可视化平

台以交易图谱形式对可疑账户交易流进行监管。系统包括区块链加密货币交易数

据导入、异常检测模型训练、异常检测、可视化分析等功能，具有较好的实用性。

通过本文设计的区块链异常交易检测系统开发，为区块链中用户的交易安全提供

有力支持。

关键词：加密货币，交易图，奇异值分解，生成对抗网络

I

湖北工业大学硕士学位论文

Abstract

Cryptocurrency,asoneofthetypicalapplicationsofblockchaintechnology,has

playedaveryimportantroleinpromotingtheboomingdevelopmentofthedigital

economy.However,theinherentanonymityofcryptocurrencytransactions,thehuge

volumeoftransactions,andthedistributednatureofpeer-to-peernetworkbased

cryptocurrencytransactionshavebroughtnewchallengesinidentifyingabnormal

accountsandpreventingabnormaltradingbehaviorssuchasmoneylaundering,

extortion,andmarketmanipulation.Thetraditionaldetectionmeansrelyingonpersonal

identificationinformationappeartobeinadequate,suchastheprob