作者简介：
张 晓 琦：硕 士 研 究 生，主 要 研 究 方 向：区 块 链 安 全。
白 雪：硕 士，工 程 师，主 要 研 究 方 向：质 量 与 可 靠 性 管 理。
李 光 松：博 士，教 授，主 要 研 究 方 向：密 码 协 议 分 析、区 块 链 安 全、网 络 流 量 分 析。
《基于网络表示学习的区块链异常交易检测》一文发表于《网络安全与数据治理》期刊2022年第4期。
由于具有巨大的流通市值、庞大的用户量和账户匿名性的特点，区块链交易频繁受到盗窃、庞氏骗局、欺诈等异常行为的威胁。针对区块链异常交易，提出一种网络表示学习模型DeepWalk-Ba用于特征提取，以比特币为例，对区块链交易的网络结构和属性进行学习，从交易的邻域结构中挖掘隐含信息作为节点特征，再使用5种有监督和1种无监督的机器学习算法进行异常检测。实验表明，有监督模型随机森林表现最好，达到了99.3%的精确率和86.4%的召回率，比使用传统的特征提取方法的异常检测模型具有更好的检测效果。
异常检测是机器学习中一个重要分支，旨在识别偏离正常数据分布的对象，在网络入侵检测、疾病检测、故障检测、工业异常检测和金融欺诈检测等领域，都发挥了重要的作用。随着深度学习等技术的出现，异常检测技术也得到了进一步的完善。区块链是一个复杂的系统，存在多种异常的情况，如何将新的异常检测技术应用于区块链是一个值得关注的问题。本节介绍了区块链异常交易检测和网络表示学习在异常检测中的相关研究情况。
为了验证基于网络表示学习的检测模型的有效性，需要与现有异常检测模型进行对比。设计了三组实验，分别使用原始数据的特征集、增加了网络表示学习提取的特征后的合并特征集、经过标准化和采样处理的合并特征集作为检测模型的输入，并随机选取输入集的70%作为训练集，剩余30%作为测试集进行异常检测。设置K-means的聚类个数k为2～13。在测试完成后，对不同的聚类个数k下的检测效果进行检查，选取分类效果最好的k值下的样本簇进行聚类，并据此计算检测的精确率等指标。
为了对区块链交易中的异常交易进行检测，本文提出了一种基于有偏随机游走的网络表示学习方法，使用3种网络表示学习方法对比特币交易图提取特征，对特征集使用不同的有监督和无监督方法进行异常检测，得到了最好99.3%的精确率、86.4%的召回率和92.4%的F1值。
实验中，无监督算法K-means的检测结果显著地落后于有监督算法，但在实际的区块链网络中有大量的节点和交易，且随着时间处于动态变化中，及时而准确地获得有标签的数据是异常困难的。无监督检测算法不要求数据标签，对于实时检测甚至预测区块链异常交易有重要意义。在第一组实验中，K-means算法具有很低的精确率，但召回率却很高，高于同组实验中全部有监督算法。在未来的研究中，将K-means算法和有监督算法结合，对检测结果进行交叉验证，可能会提高精确率和召回率，从而带来更好的检测效果。此外，本研究中使用3种采样方法处理特征数据集，均产生了过拟合的问题，没有对检测结果产生好的影响，但并不能否认采样处理方法在区块链这种正负类别数量差异巨大的不平衡数据集中的作用。在后续研究中，找到更适于处理区块链数据集的采样方法，会带来检测效果的进一步提升。
![【期刊精选】基于网络表示学习的区块链异常交易检测]( "【期刊精选】基于网络表示学习的区块链异常交易检测")
2022年7月，国内首本兼备网络安全和数据治理双领域的学术性期刊《网络安全与数据治理》（刊号：CN10-1863/TP）正式创刊出版。该刊由中国电子主管，华北计算机系统工程研究所主办，清华大学-中国电子数据治理工程联合研究院和中国电子数字办协办。该刊聚焦网络空间安全和数据治理前沿领域最新科研动态，密切关注政产学研用各环节在网络强国和数字中国建设过程中跨学科学术成果，坚持技术与应用、产品与研发、产业与市场相结合，服务国家网络空间安全和数据治理工程建设。
《网络安全与数据治理》由中国电子首席科学家、中国工程院院士方滨兴担任主编，中国电子第六研究所所长张尼和清华大学公共管理学院教授、长江学者特聘教授、清华中国电子数据治理工程研究院院长孟庆国担任副主编，数十名院士和知名专家组成专家编辑委员会。该期刊将主动开展理论研究，聚焦学术生态资源，拓展网络安全和数据治理领域基础研究，打造一流学术成果交流展示窗口；充分发挥学界专家力量，组织高水平学术会议，组织出版学术专著；坚持理论与实践相结合，服务国家网络空间安全和数据治理工程建设。
原文始发于微信公众号（网络安全与数据治理）：【期刊精选】基于网络表示学习的区块链异常交易检测
评论