本發(fā)明涉及區(qū)塊鏈，特別涉及一種風險操作識別方法、裝置及設(shè)備。

背景技術(shù)：

1、區(qū)塊鏈技術(shù)在去中心化、不可偽造性、匿名性、開放性等方面都具有突出優(yōu)勢，被廣泛應用于各個領(lǐng)域之中，而其中最重要的應用便是數(shù)字加密貨幣。在區(qū)塊鏈技術(shù)的支持下，以太坊作為新興的數(shù)字加密貨幣交易平臺獲得了極大的發(fā)展。

2、以太坊支持用戶執(zhí)行諸如查詢區(qū)塊鏈狀態(tài)、發(fā)送交易等操作，極大地豐富了加密貨幣貿(mào)易的層次和場景，但與此同時，以太坊也逐漸成為了不法分子的主要目標，嚴重影響了以太坊上的區(qū)塊鏈金融生態(tài)?，F(xiàn)有技術(shù)中通常基于特征工程方法或基于隨機游走圖表示學習方法對風險操作進行識別，但是，該方法無法準確識別未曾出現(xiàn)的風險操作，進而造成對風險操作的識別準確性低的問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種風險操作識別方法、裝置及設(shè)備，用以解決現(xiàn)有技術(shù)中存在無法準確識別未曾出現(xiàn)的風險操作，進而造成識對風險操作的識別準確性低的問題。

2、本發(fā)明方法包括：

3、第一方面，本申請?zhí)峁┮环N風險操作識別方法，包括：

4、獲取待檢測操作數(shù)據(jù)；

5、將所述待檢測操作數(shù)據(jù)輸入至目標原型圖卷積網(wǎng)絡模型，輸出與所述待檢測操作數(shù)據(jù)對應的類別；

6、其中，所述目標原型圖卷積網(wǎng)絡模型是通過下列方式訓練得到的：

7、基于獲取到的以太坊區(qū)塊鏈的操作數(shù)據(jù)，構(gòu)建多個抽樣子圖；

8、針對每個抽樣子圖，通過圖卷積網(wǎng)絡確定所述每個抽樣子圖對應的節(jié)點嵌入，其中，所述節(jié)點嵌入用于表征抽樣子圖的特征；

9、確定與每個節(jié)點嵌入對應的類別；

10、基于每個類別中的節(jié)點嵌入，確定每個類別的原型嵌入，以及基于原型嵌入，確定節(jié)點的類別，以及基于三重損失函數(shù)和原型損失函數(shù)優(yōu)化預訓練的原型圖卷積網(wǎng)絡模型，以實現(xiàn)對所述預訓練的原型圖卷積網(wǎng)絡模型的訓練，得到所述目標原型圖卷積網(wǎng)絡模型。

11、在一種可能的實施方式中，所述基于獲取到的以太坊區(qū)塊鏈的操作數(shù)據(jù)，構(gòu)建多個抽樣子圖，包括：

12、基于所述操作數(shù)據(jù)，通過圖數(shù)據(jù)庫或圖數(shù)據(jù)結(jié)構(gòu)構(gòu)建以太坊圖表；

13、基于所述以太坊圖表，通過廣度優(yōu)先搜索方法，構(gòu)建多個抽樣子圖。

14、在一種可能的實施方式中，所述針對每個抽樣子圖，通過圖卷積網(wǎng)絡確定所述每個抽樣子圖對應的節(jié)點嵌入，包括：

15、針對抽樣子圖的每個節(jié)點，確定與所述每個節(jié)點對應的鄰接矩陣；

16、基于所述鄰接矩陣對所述每個節(jié)點進行節(jié)點特征聚合，得到與所述每個節(jié)點對應的節(jié)點特征；

17、基于度矩陣對所述節(jié)點特征進行標準化處理；

18、基于權(quán)重矩陣和激活函數(shù)對標準化處理后的節(jié)點特征進行特征變換，得到所述每個抽樣子圖對應的節(jié)點嵌入。

19、在一種可能的實施方式中，所述基于每個類別中的節(jié)點嵌入，確定每個類別的原型嵌入，包括：

20、針對相同類別對應的多個節(jié)點嵌入，計算多個節(jié)點嵌入的平均值，將所述平均值作為原型嵌入。

21、在一種可能的實施方式中，所述基于原型嵌入，確定節(jié)點的類別，包括：

22、針對每個節(jié)點，計算所述節(jié)點與每個原型嵌入的距離值；

23、將與最小距離值對應的原型嵌入的類別，作為所述節(jié)點的類別。

24、第二方面，本申請實施例還提供一種風險操作識別裝置，包括：

25、類別確定單元，用于獲取待檢測操作數(shù)據(jù)；將所述待檢測操作數(shù)據(jù)輸入至目標原型圖卷積網(wǎng)絡模型，輸出與所述待檢測操作數(shù)據(jù)對應的類別；

26、模型訓練單元，用于基于獲取到的以太坊區(qū)塊鏈的操作數(shù)據(jù)，構(gòu)建多個抽樣子圖；針對每個抽樣子圖，通過圖卷積網(wǎng)絡確定所述每個抽樣子圖對應的節(jié)點嵌入，其中，所述節(jié)點嵌入用于表征抽樣子圖的特征；確定與每個節(jié)點嵌入對應的類別；基于每個類別中的節(jié)點嵌入，確定每個類別的原型嵌入，以及基于原型嵌入，確定節(jié)點的類別，以及基于三重損失函數(shù)和原型損失函數(shù)優(yōu)化預訓練的原型圖卷積網(wǎng)絡模型，以實現(xiàn)對所述預訓練的原型圖卷積網(wǎng)絡模型的訓練，得到所述目標原型圖卷積網(wǎng)絡模型。

27、在一種可能的實施方式中，所述模型訓練單元具體用于：

28、基于所述操作數(shù)據(jù)，通過圖數(shù)據(jù)庫或圖數(shù)據(jù)結(jié)構(gòu)構(gòu)建以太坊圖表；

29、基于所述以太坊圖表，通過廣度優(yōu)先搜索方法，構(gòu)建多個抽樣子圖。

30、在一種可能的實施方式中，所述模型訓練單元具體用于：

31、針對抽樣子圖的每個節(jié)點，確定與所述每個節(jié)點對應的鄰接矩陣；

32、基于所述鄰接矩陣對所述每個節(jié)點進行節(jié)點特征聚合，得到與所述每個節(jié)點對應的節(jié)點特征；

33、基于度矩陣對所述節(jié)點特征進行標準化處理；

34、基于權(quán)重矩陣和激活函數(shù)對標準化處理后的節(jié)點特征進行特征變換，得到所述每個抽樣子圖對應的節(jié)點嵌入。

35、在一種可能的實施方式中，所述模型訓練單元具體用于：

36、針對相同類別對應的多個節(jié)點嵌入，計算多個節(jié)點嵌入的平均值，將所述平均值作為原型嵌入。

37、在一種可能的實施方式中，所述模型訓練單元具體用于：

38、針對每個節(jié)點，計算所述節(jié)點與每個原型嵌入的距離值；

39、將與最小距離值對應的原型嵌入的類別，作為所述節(jié)點的類別。

40、第三方面，本申請實施例還提供一種風險操作識別設(shè)備，包括至少一個處理器；以及與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行本申請實施例第一方面提供的風險操作識別方法。

41、第四方面，本申請實施例還提供一種計算機存儲介質(zhì)，所述計算機存儲介質(zhì)存儲有計算機程序，所述計算機程序用于使計算機執(zhí)行本申請實施例第一方面提供的風險操作識別方法。

42、本發(fā)明有益效果如下：

43、本申請?zhí)峁┮环N風險操作識別方法、裝置及設(shè)備，本申請通過對預訓練的原型圖卷積網(wǎng)絡模型的訓練，得到目標原型圖卷積網(wǎng)絡模型，當獲取到待檢測操作數(shù)據(jù)時，將待檢測操作數(shù)據(jù)輸入至目標原型圖卷積網(wǎng)絡模型，輸出與待檢測操作數(shù)據(jù)對應的類別；具體通過下列方式對預訓練的原型圖卷積網(wǎng)絡模型進行訓練：首先，基于獲取到的操作數(shù)據(jù)，構(gòu)建多個抽樣子圖；其次，針對每個抽樣子圖，通過圖卷積網(wǎng)絡確定每個抽樣子圖對應的節(jié)點嵌入，以及確定與每個節(jié)點嵌入對應的類別；最后，基于每個類別中的節(jié)點嵌入，確定每個類別的原型嵌入，以及基于原型嵌入，確定節(jié)點的類別，以及基于三重損失函數(shù)和原型損失函數(shù)優(yōu)化預訓練的原型圖卷積網(wǎng)絡模型，得到目標原型圖卷積網(wǎng)絡模型。本申請通過對預訓練的原型圖卷積網(wǎng)絡模型的訓練以實現(xiàn)對未曾出現(xiàn)的風險操作進行識別，進而提高對風險操作識別的準確性。

技術(shù)特征：

1.一種風險操作識別方法，其特征在于，所述方法包括：

2.如權(quán)利要求1所述的方法，其特征在于，所述基于獲取到的以太坊區(qū)塊鏈的操作數(shù)據(jù)，構(gòu)建多個抽樣子圖，包括：

3.如權(quán)利要求1所述的方法，其特征在于，所述針對每個抽樣子圖，通過圖卷積網(wǎng)絡確定所述每個抽樣子圖對應的節(jié)點嵌入，包括：

4.如權(quán)利要求1所述的方法，其特征在于，所述基于每個類別中的節(jié)點嵌入，確定每個類別的原型嵌入，包括：

5.如權(quán)利要求1所述的方法，其特征在于，所述基于原型嵌入，確定節(jié)點的類別，包括：

6.一種風險操作識別裝置，其特征在于，所述裝置包括：

7.如權(quán)利要求6所述的裝置，其特征在于，所述模型訓練單元具體用于：

8.如權(quán)利要求6所述的裝置，其特征在于，所述模型訓練單元具體用于：

9.一種風險操作識別設(shè)備，其特征在于，包括至少一個處理器；以及與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行權(quán)利要求1～5中任一項所述的方法。

10.一種計算機存儲介質(zhì)，其特征在于，所述計算機存儲介質(zhì)存儲有計算機程序，所述計算機程序用于使計算機執(zhí)行權(quán)利要求1～5中任一項所述的方法。

技術(shù)總結(jié)
本發(fā)明公開了一種風險操作識別方法、裝置及設(shè)備，通過對預訓練的原型圖卷積網(wǎng)絡模型的訓練，得到目標原型圖卷積網(wǎng)絡模型，當獲取到待檢測操作數(shù)據(jù)時，將待檢測操作數(shù)據(jù)輸入至目標原型圖卷積網(wǎng)絡模型，輸出對應的類別；通過下列方式進行訓練：首先，基于操作數(shù)據(jù)，構(gòu)建多個抽樣子圖；其次，針對每個抽樣子圖，通過圖卷積網(wǎng)絡確定節(jié)點嵌入，以及確定與每個節(jié)點嵌入對應的類別；最后，確定每個類別的原型嵌入，以及基于原型嵌入確定節(jié)點的類別，以及基于損失函數(shù)優(yōu)化預訓練的原型圖卷積網(wǎng)絡模型，得到目標原型圖卷積網(wǎng)絡模型。本申請通過對預訓練的原型圖卷積網(wǎng)絡模型的訓練以實現(xiàn)對未曾出現(xiàn)的風險操作進行識別，進而提高對風險操作識別的準確性。

技術(shù)研發(fā)人員：高思雨
受保護的技術(shù)使用者：中國電信股份有限公司技術(shù)創(chuàng)新中心
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19