一种区块链金融安全监测方法、装置、存储介质以及设备与流程

本发明涉及区块链监测，特别涉及一种区块链金融安全监测方法、装置、存储介质以及设备。

背景技术：

1、区块链是一种集成分布式数据存储、点对点传输、共识机制、加密算法等多种技术的新型技术。当前以区块链产品为代表的全球金融科技迅猛发展，对实体经济和金融体系产生深远影响，如何平衡好金融科技的创新和风险，成为监督管理部门不可忽视的问题。因此，研究对异常交易进行跟踪识别的技术迫在眉睫，进而达到将异常交易进行实时识别和跟踪，建立有效、快速、准确的异常行为检测机制。现有技术大部分采用监督式机器学习技术,但是通过监督式机器学习技术无法对交易行为处于动态变化的地址进行交易异常的识别，其效果严重依赖于异常地址样本的有限数据量，此外，监督式模型具有滞后性且训练时间消耗大。

技术实现思路

1、有鉴于此，本发明提供了一种区块链金融安全监测方法、装置、存储介质以及电子设备，主要目的在于解决目前存在区块链异常交易数据监测不精准的问题。

2、为解决上述问题，本技术提供一种区块链金融安全监测方法，包括：

3、获取若干样本交易数据，所述样本交易数据为各区块链的链上交易数据、各交易平台的交易行情数据经过数据清洗处理后的结构化数据；

4、采用随机森林算法，对各所述样本交易数据进行训练，得到异常交易识别模型；

5、将实时获取的待识别交易数据输入至所述异常交易识别模型，获得与所述待识别交易数据对应的异常交易信息以及风险评分值；

6、当所述风险评分值超过预设阈值时，针对所述异常交易数据中携带的各交易方地址进行追踪，采用预设模版生成异常交易报告，得到金融安全监测结果。

7、可选的，所述获取若干样本交易数据，具体包括：

8、获取各区块链的初始链上交易数据以及各交易平台的初始交易行情数据，所述初始链上交易数据至少包括：交易金额数据、交易地址数据以及与交易地址对应的黑白名单数据；

9、采用均值填充方法对各所述初始链上交易数据以及初始交易行情数据进行缺失值补充处理，得到中间链上交易数据以及中间交易行情数据；

10、对所述交易地址对应的黑白名单数据采用字符串的形式进行编码处理，得到各编码数据；

11、对所述中间链上交易数据、中间交易行情数据以及各编码数据进行结构化处理，得到各所述样本交易数据。

12、可选的，所述采用采用随机森林算法，对各所述样本交易数据进行训练，得到异常交易识别模型，具体包括：

13、基于各所述样本交易数据构建用于创建所述异常交易识别模型的训练集以及测试集；

14、对各所述样本交易数据进行特征提取，获得用于训练所述异常交易识别模型的特征集；

15、基于各所述训练集以及特征集，采用随机森林算法，构建用于检测异常交易数据的初始异常交易识别模型；

16、基于各所述训练集、各所述测试集以及所述特征集对所述初始异常识别模型进行模型训练，得到满足预设条件的所述异常交易识别模型。

17、可选的，基于各所述训练集，采用随机森林算法，构建用于检测异常交易数据的初始异常交易识别模型，具体包括：

18、基于各所述训练集，随机从各所述训练集中进行有放回的抽样处理，得到与各待训练决策树对应的样本子集；

19、针对各待训练决策树，从所述特征集中无放回的随机选择预定数量的特征，得到与各所述待训练决策树对应的子特征集；

20、针对目标待训练决策树对应的目标样本子集以及目标子特征集对所述目标待训练决策树进行训练，在目标待训练决策树的每个叶子节点对应的样本不再分裂的情况下，构建得到所述目标待训练决策树，以得到各决策树模型；

21、对各所述决策树模型进行集成，构建得到用于检测异常交易数据的初始异常交易识别模型。

22、可选的，所述基于各所述训练集、各所述测试集以及所述特征集对所述初始异常识别模型进行模型训练，得到满足预设条件的所述异常交易识别模型，具体包括：

23、将携带有分类标签的测试集数据输入至所述初始异常交易识别模型，得到与测试集数据对应的、经过初始异常识别模型识别得到的初始预测结果；

24、基于测试集中的分类标签以及所述初始预测结果进行各模型指标计算处理，得到反应模型训练效果的各指标数据；

25、在各所述指标数据满足预设条件的情况下，将所述初始异常交易识别模型确定为异常交易识别模型；

26、在各所述指标数据不满足预设条件的情况下，对所述初始异常交易识别模型的模型参数进行调整，循环迭代的更新所述初始异常交易识别模型，直至各所述指标数据满足预设条件为止，得到所述异常交易识别模型。

27、可选的，所述将实时获取的待识别交易数据输入至所述异常交易识别模型，获得与所述待识别交易数据对应的异常交易信息以及风险评分值，具体包括：

28、将实时获取的待识别交易数据进行数据预处理，得到预处理后的初始交易数据；

29、将所述初始交易数据输入至所述异常交易识别模型，得到所述异常交易识别模型的各决策树模型对应的分类结果；

30、计算每个特征对应的各决策树的增益率，得到各特征对应的各所述决策树的权重值；

31、基于各所述分类结果以及各所述权重值进行计算处理，得到与所述待识别交易数据对应的异常交易信息以及风险评分值。

32、可选的，将所述初始交易数据输入至所述异常交易识别模型，得到所述异常交易识别模型的各决策树模型对应的分类结果，具体包括：

33、针对所述异常交易识别模型的每一个决策树，按照决策树的结构以及预定特征划分规则，将所述初始交易数据沿着各决策树的根节点逐步进行划分；

34、根据预先设定的节点特征分割阈值，判断与所述初始交易数据对应的目标移动分支，直至将所述初始交易数据分配到与各所述决策树对应的目标叶子节点，得到所述异常交易识别模型的各决策树模型对应的分类结果。

35、为解决上述问题本技术提供一种区块链金融安全监测装置，包括：

36、获取模块：用于获取若干样本交易数据，所述样本交易数据为各区块链的链上交易数据、各交易平台的交易行情数据经过数据清洗处理后的结构化数据；

37、训练模块：用于采用随机森林算法，对各所述样本交易数据进行训练，得到异常交易识别模型；

38、识别模块：用于将实时获取的待识别交易数据输入至所述异常交易识别模型，获得与所述待识别交易数据对应的异常交易信息以及风险评分值；

39、异常交易报告生成模块：用于当所述风险评分值超过预设阈值时，针对所述异常交易数据中携带的各交易方地址进行追踪，采用预设模版生成异常交易报告，得到金融安全监测结果。

40、为解决上述问题本技术提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述所述区块链金融安全监测方法的步骤。

41、为解决上述问题本技术提供一种电子设备，其特征在于，至少包括存储器、处理器，所述存储器上存储有计算机程序，所述处理器在执行所述存储器上的计算机程序时实现上述所述区块链金融安全监测方法的步骤。

42、本技术通过获取若干样本交易数据，所述样本交易数据为各区块链的链上交易数据、各交易平台的交易行情数据经过数据清洗处理后的结构化数据；采用随机森林算法，对各所述样本交易数据进行训练，得到异常交易识别模型；将实时获取的待识别交易数据输入至所述异常交易识别模型，获得与所述待识别交易数据对应的异常交易信息以及风险评分值；当所述风险评分值超过预设阈值时，针对所述异常交易数据中携带的各交易方地址进行追踪，采用预设模版生成异常交易报告，得到金融安全监测结果。本技术中的方法可以实时对区块链的交易数据进行监测，对异常交易数据进行追踪生成异常交易报告以对潜在风险进行预警，保证金融安全稳定。

43、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。