(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211275203.2 (22)申请日 2022.10.18 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 (72)发明人 卞静　卓绍烜　李焱　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 郑堪泳 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 40/04(2012.01) (54)发明名称 一种基于图神经网络的区块链钓鱼诈骗识 别的方法 (57)摘要 本发明提供一种基于图神经网络的区块链 钓鱼诈骗识别的方法， 对于交易数据进行预处 理， 将交易数据处理为交易网络图； 对交易网络 图进行聚类处理， 得到全局视角图； 对交易网络 图进行采样处理， 得到局部视角图； 构建并训练 图神经网络； 将全局视角图输入训练好的图神经 网络得到全局交易视角的节点 嵌入； 所述的节点 嵌入包括交易网络的结构和边视角信息； 将局部 视角图输入训练好的图神经网络得到局部交易 视角的节 点嵌入； 将全局交易视角的节点嵌入和 局部交易视角的节点嵌入进行拼接后一起输入 多层感知器， 以实现网络钓鱼地址的分类识别。 本发明基于多交易视角的数据挖掘从交易网络 中更多有效信息来提高以太坊钓鱼诈骗识别的 识别性能。 权利要求书2页 说明书9页 附图2页 CN 115438751 A 2022.12.06 CN 115438751 A 1.一种基于 图神经网络的区块链钓鱼诈骗识别的方法， 其特征在于： 所述的方法包括 以下步骤： 对于交易数据进行 预处理， 将交易数据处 理为交易网络图； 对交易网络图进行聚类处 理， 得到全局视角图； 对交易网络图进行采样处 理， 得到局部 视角图； 构建并训练多交易视角注意力图神经网络； 将全局视角图输入训练好的多交易视角注意力图神经网络得到全局交易视角的节点 嵌入； 所述的节点嵌入 包括交易网络的结构和边视角信息； 将局部视角图输入训练好的多交易视角注意力图神经网络得到局部交易视角的节点 嵌入； 将全局交易视角的节点嵌入和局部交易视角的节点嵌入进行拼接后一起输入多层感 知器， 以实现网络钓鱼地址的分类识别。 2.根据权利要求1所述的基于图神经网络的区块链钓鱼诈骗识别的方法， 其特征在于： 通过聚类函数对交易网络图进行聚类处 理， 得到全局视角图， 其表达式如下： 其中， ρ 表示图形聚类函数， c表示聚类数量， 表示交易网络图； 表示聚类后生成的第i 个子图、 表示 中节点的集 合、 表示 中边的集 合。 3.根据权利要求1所述的基于图神经网络的区块链钓鱼诈骗识别的方法， 其特征在于： 通过邻居采样函数对交易网络图进行采样处 理， 得到局部 视角图： 其中， 表示节点i的K阶邻居节点， j表示图中的节点， K ‑hop表示K跳即寻找K阶邻 居。 4.根据权利要求1所述的基于图神经网络的区块链钓鱼诈骗识别的方法， 其特征在于： 所述的多交易视角注意力图神经网络， 通过边特征和注意力系数以捕获交易网络获取边视 角系数信息， 通过聚合 地址节点的特 征获取交易图的结构信息 。 5.根据权利要求4所述的基于图神经网络的区块链钓鱼诈骗识别的方法， 其特征在于： 所述的多交易视角注意力图神经网络是由多个MTvCo nv块组成； 所述的MTvConv块的输入是一 组节点的输入特征 其中N表示节点 的数量， F表示每 个节点中输入特 征的维度、 表示第i维度的输入特 征； 在 训练 完 后图 神经网 络MTvG AT ， 每个MTvConv块输出 节点的 嵌 入 其中， F′表示输出嵌入的维度、 表示第i维度的嵌入特 征； 所述的多交易视角注意力图神经网络 MTvGAT的计算公式如下： 其中， 表示输入交易网络图， A表示输入交易网络图的邻接矩阵， z表示从MTvGAT最后 一层MTvCo nv块学到的目标节点的嵌入。 6.根据权利要求5所述的基于图神经网络的区块链钓鱼诈骗识别的方法， 其特征在于：权　利　要　求　书 1/2 页 2 CN 115438751 A 2所述的注意力系数αij的计算公式如下： 其中， 表示一个可学习的权重矩阵， 将输入特征转换为高纬度特征； 表示一个共享的注意力机制， | |表示特征拼接操作。 7.根据权利要求6所述的基于图神经网络的区块链钓鱼诈骗识别的方法， 其特征在于： 所述的边视角系数δi,j是通过结合边特征和注意力系数拼接而成： δi,j＝(ei,j||αi,j) 每个MTvConv块都将节点和边特 征作为输入； 通过信息前向传播机制被表述如下： 其中， φ和 是多层感知器， 通过拼接输入来计算输出节点嵌入； ⊙表示多个聚合器的 组合和缩放器的组合； 所述的聚合器聚合来自邻居的信息， 所述的缩放器对聚合的信息进 行不同的缩放； 所述的信息前向传播机制在多交易视角注意力图神经网络中的节点聚合邻居节点的 信息， 生成新的特 征向量即 l表示第l层神经网络 。 8.根据权利要求7所述的基于图神经网络的区块链钓鱼诈骗识别的方法， 其特征在于： 采用神经网络反向传播对多交易视角注意力图神经网络进行训练。 9.根据权利要求8所述的基于图神经网络的区块链钓鱼诈骗识别的方法， 其特征在于： 在训练过程采用损失函数衡量输入交易网络图与目标节点之间的相似度； 重构的损失函数 定义如下： 其中， 表示一个向量的L2 ‑norm， σ 表示表示sigmo id函数、 n； 通过在每次训练迭代中最小化重建损失进行优化， 进而输出节点学习交易网络的结构 和边视角信息 。 10.根据权利要求8所述的基于图神经网络的区块链钓鱼诈骗识别的方法， 其特征在 于： 将全局交易视角的节点嵌入和局部交易视角的节点嵌入进行拼接后一起输入多层感知 器， 以实现网络钓鱼地址的分类识别， 其公式表达式如下： 其中， ||表示拼接操作， Pn表示节点是钓鱼地址的概率； 表示节点全局嵌入特征、 表示节点局部嵌入特 征。权　利　要　求　书 2/2 页 3 CN 115438751 A 3