基于GAT与SVM的区块链异常交易检测

谭朋柳 周叶

摘 要：公有链因为透明公开而面临着众多恶意交易和非法加密活动的问题，这造成了区块链出现异常交易，对用户的资产和信息安全造成严重损害。针对区块链异常交易问题，提出一种关注区块链事务图局部结构邻节点特征与联系，基于图注意神经网络（graph attention network，GAT）与支持向量机（support vector machine，SVM）相融合的区块链异常交易检测方法——GAS（graph attention network and support vector machine）。采用随机森林对节点交易数据特征进行重要性评估，并选取降序排列后前140个重要特征，再结合邻节点特征，利用GAT對当前节点进行特征更新，更新后的特征作为SVM的输入，从而实现异常检测。实验结果表明，相比非融合方法，GAS检测结果性能更优，准确率可达98.11%，精度可达94.01%以及召回率可达85.48%。

关键词：区块链； 图注意力神经网络； 异常交易检测； 支持向量机

中图分类号：TP311.13;TP309   文献标志码：A   文章编号：1001-3695（2024）01-003-0021-05

doi：10.19734/j.issn.1001-3695.2023.05.0207

Blockchain anomaly transaction detection based on GAT and SVM

Abstract：Public chains face numerous problems of malicious transactions and illegal cryptographic activities because of their transparency and openness， which cause anomalous transactions in blockchains and cause serious damage to users assets and information security. To address the problem of blockchain abnormal transactions， this paper proposed a blockchain abnormal transaction detection method based on the fusion of GAT and SVM， which focused on the features and connections of the local structure of the blockchain transaction graph neighbor nodes——GAS. In GAS， it utilized the random forest to evaluate the importance of transaction data features of nodes， and selected the top 140 important features in descending order. Then， combining with the features of neighboring nodes， it used GAT to update the features of the current node. The updated features served as input to SVM for anomaly detection. Experimental results demonstrate that compared to non-integrated methods， GAS shows superior performance in detecting anomalies， with an accuracy rate of 98.11%， precision of 94.01%， and recall rate of 85.48%.

Key words：blockchain; graph attention network; abnormal transaction detection; SVM

0 引言

区块链是一个开放式数据平台，在这个平台上产生的交易会被矿工打包至区块并上链，且所有的交易都会被记录在链上。区块链网络中账户的资产以及交易记录都是透明公开的，它们会直接显示在每个区块上，这种透明性为存储区块链交易数据提供了便捷［1］，使得交易的记录和资产的流转变得更加高效。区块链这种分布式加密账本以移除第三方的形式实现了去中心化、低成本、点对点的交易，被广泛地应用于金融、医疗、物流、物联网和其他领域［2］。但区块链自身去中心化、全球流通和匿名性性质也带来了链上交易的异常安全问题，常见的安全问题有攻击、骗局、账户异常行为、私钥泄露以及智能合约安全漏洞等［3］，其中双花攻击（使用同一笔加密货币支付给不同的账户进行多次交易）、交易数据造假、价格操纵、洗钱、勒索和频繁恶意操作以及区块链上的不符合正常交易规则或有问题的交易等构成了区块链上的异常交易。特别地，区块链中比特币等虚拟货币的加入让网络和金融领域的犯罪分子日益增多，他们将加密货币作为犯罪工具，实施敲诈、欺诈和洗钱等。例如，2018年，日本Coincheck虚拟货币交易所，其不幸被黑客攻击，价值约580亿日元新经币被窃取［3］。同年2月，加密货币创业公司BeeToken遭到网络钓鱼攻击，损失的以太币价值超过100万美元。至2020年，全球加密货币交易中，有0.34%属于非法交易，总值高达100亿美元。而在2021年，大约有0.15%的加密货币交易牵扯到网络犯罪、洗钱和恐怖主义融资等活动，欺诈案件［4］涉及资金总额约为140亿美元。2022年，加密货币非法交易犯罪金额超过200亿美元，创下历史新高，这种情况对区块链技术的发展造成了负面影响。

在此背景下，有关区块链交易的违法活动层出不穷。为了应对这些违规性问题，现有的区块链交易异常检测方法大多考虑的是通过获取交易记录构建交易图，对交易记录中实体和地址进行识别且分类，或是对以太坊上智能合约漏洞检测［5］以及异常交易行为检测［6］。部分研究忽略了交易账户实体与实体之间存在的潜在联系，这种潜在联系体现于邻节点的特性上，当以账户实体作为交易图中一个节点时，当前节点其邻域内的邻居节点交易特征包含了当前节点的交易信息，例如，邻节点是当前节点发起交易的对象，恶意节点的交易对象可能是恶意节点或是良性节点等。而忽略这种潜在联系，不利于找到不同节点之间多维度的关联，因而降低了检测准确率。

大数据时代，深度学习神经网络技术学习能力强，应用领域广泛，扩展了人工智能的极限，开辟了新的可能性。同时，机器学习作为人工智能子集，其中包含如K最邻近、决策树、支持向量机等有监督学习，在分类预测问题上表现良好。因此，本文利用深度学习与机器学习模型进行结合，对区块链异常交易检测进行研究，提出一种将GAT［7］与机器学习SVM［8］融合的方法用于异常交易数据检测，在特征处理时主要采用GAT对区块链事务图结构当前节点实现特征更新，更新后的数据将利用支持向量机来处理，以此提高检测准确率。

1 相关工作

区块链可以实现数据安全共享，以交易的形式将数据发布到区块链中，充分发挥了数据价值［9］。区块链中加密货币以比特币为例，总市值接近330亿美元［10］，其去中心化无须可信任第三方就能通过区块链平台进行交易的交易模式，使得交易中容易存在非法犯罪活动等异常交易，严重威胁区块链的健康发展，这给区块链的安全测评及异常检测带来了极大的挑战。

在多数异常检测研究中，机器学习是常用的方法。机器学习中的SVM算法基于结构化最小化原则，泛化能力强，可以解决高维问题，被广泛使用。例如，胡海洋等人［11］提取数据的高维特征来训练降噪自编码器，自编码器将数据特征降维后，使用one-class单分类支持向量机进行二次异常事件检测。朱佳佳等人［12］同样将改进的SVM算法用于异常流量检测。目前，在区块链的异常交易检测领域有大量的研究。针对一些特定的异常交易行为，Wu等人［13］提出了一种名为trans2vec的网络嵌入算法，基于收集到的交易记录，并参照交易量和时间戳建立交易网络，通过提取地址特征，运用one-class单分类支持向量机模型，实现异常检测。2019年，Lin等人［14］利用与账户实体有关的交易记录或特定的地址来识别不常见的地址，利用监督的机器学习方法对交易历史特征进行检测，最后Light-GBM获得了不错的效果。2021年，沈蒙等人［15］制定异常行为判定规则，抽象出了两种异常交易行为，即空投糖果和贪婪注资，这些可以与其他不同类别的异常交易行为相关联，从而创建比特币异常交易行为真值集，在动机分析基础下利用子图匹配技术实现比特币异常交易行为检测。2022年3月，陈彬杰等人［16］提出了具有隐私保护功能的联盟链异常交易检测方案，将提取后的交易數据采用矩阵乘法对其随机化，然后发至云服务器，云服务器使用KNN分类学习算法进行检测。2022年10月，林伟［17］根据区块链交易数据的特点，多特征融合后处理成不同的拼接特征向量，以此构建多特征融合模型（multi feature fusion，MFF）模型。

区块链交易研究中，把数据特征转换为交易事务图作为重点的研究方法相对较少。2016年，Pham［18，19］采用幂律和网络视图浓缩法对比特币用户图和交易图进行特征提取，紧接着应用局部离群因子（LOF）、基于马兰诺比斯距离（Mahalanobis distance-based，MDB）以及one-class SVM单分类支持向量机三种方法对数据进行检测。2018年，Jourdan等人［20］分析比特币交易图中账户实体交易模式，以及与该交易模式有关联的账户实体所涵盖的信息，选出重要特征并利用特征来描述属性，根据每个实体关联的类别的方法进行分类，将模型分为具有浅层数据挖掘知识的弱小攻击者与强攻击，分别使用两种模型进行检测，最终结果获得了较高的分类精度。2019年，Weber等人［4］使用Elliptic发布的区块链数据，使用逻辑回归（LR）、随机森林（RF）、多层感知器（MLP）和图卷积网络（GCN）的变体来预测非法交易，并得出结论，GCN变体在以上方法中表现最为出色。2019年1月，Chen等人［21］提出了一种探索交易所交易网络的方法，主要分析了Mt. Gox交易所以及其他六个交易市场，根据交易金额特征分为三类地址并构建三种交易图，将得到的交易图特征序列作为矩阵进行重构，利用主成分分析法（类似于SVD，奇异值分解）评估账户交易行为对比特币价格的影响。朱会娟等人［22］基于交易事务图，提出了一种残差网络结构 ResNet-32和三种自适应特征融合方法，分别是RRCF（ResNet and raw concat fusion）、RRSF（ResNet and raw supervised fusion）和 RRUF（ResNet and raw unsupervised fusion），这些技术探索了高层抽象特征与浅层原始特征之间的优势互补关系，自动学习不同特征的权重，抑制噪声信息，分析高层与浅层交叉特征信息，以此获得最具识别能力的特征来提高区块链异常交易检测性能。2022年，张晓琦等人［23］针对区块链图结构提出一种网络表示学习模型DeepWalk-Ba用于特征提取，再使用机器学习算法进行异常检测。Chen等人［24］考虑到动态事务图，针对以太坊钓鱼欺诈地址的检测，利用真实的以太坊交易历史数据生成交易网络图数据，将图自监督学习技术引入到图节点分类模型中的编码器中，该方法将许多基本模型集成在一起，用于检测欺诈行为。

上述工作为区块链异常交易检测提供了良好的基础，研究者们通过在区块链异常交易特征的特征处理中考虑对所有交易特征进行挖掘，即考虑全局图结构，但大多没有考虑到交易事务图中局部图结构中邻居节点对当前节点的影响，图局部结构的研究十分欠缺。因此，本文提出了一种基于GAT图注意力机制网络，关注区块链局部事务图结构邻居节点特征并与SVM融合的方法，获取邻居节点特征，考虑离散且高维度特征，根据邻居节点权重实现当前节点自我特征更新，更新后的特征用于异常交易检测。这对于区块链异常交易检测的研究价值和优化潜力具有极大意义。

2 基于GAT与SVM的区块链异常交易检测方法

2.1 数据集介绍

Elliptic区块链加密货币数据分析公司致力将区块链分析用于金融犯罪防范，全球三分之二的加密货币交易量是使用 Elliptic的交易所进行，该公司对区块链上实体之间的比特币交易流记录进行展示，此举为加密货币领域的违规性问题提供了解决方案。该公司于2019年发布了Elliptic数据集［4］。该数据集将比特币交易的对象映射为两种真实实体类型，即合法类型（例如交易所、钱包提供商、矿工、合法服务等）与非法类型（例如骗局、恶意软件、恐怖组织、勒索软件、庞氏骗局等）。数据收集阶段共分为49个时间步长，根据最初的比特币交易数据，将每个实体抽象为简单节点，比特币资金流向表示为边，以此构建交易事务图。图中节点大约有203 000，有向边约为234 000。已知类型的节点与未知类型节点比例为46 564∶157 205，已知类型中合法交易实体节点与非法交易实体节点比例为42 019∶4 545。对每个节点而言，其关联了166个特征，这些特征涵盖多个方面，前94个特征表示如时间步长、交易笔数、交易费用，以及输入/输出数量和总计交易数等有关交易的本地信息;后72个特征称为聚合特征，聚合特征是基于图结构边的方向，从中心节点分别向前或向后跳一定距离收集交易信息而得到的。在这 72 种交易信息和属性中，包括输入/输出数量、交易费用等数据的最大值、最小值、标准差和相关系数等指标。

2.2 GAS检测方法

2.2.1 图注意力网络

图注意力网络（graph attention network，GAT）是在GCN的基础上，用注意力机制对邻居节点特征加权求和的一种方法。GAT用注意力机制来替代GCN中固定的标准化操作，网络中允许每个节点关注邻域内的其他邻居节点，忽略全局结构信息，利用自注意网络层（masked self-attention layer），通过堆叠该层，获取每个节点周围邻居节点特征，对邻域中的不同节点可分配不同的权重，再根据函数计算实现当前节点特征更新。GAT网络对节点特征进行更新的具体步骤如下，首先计算交易事务图中各个节点的注意力值，注意力值为

eij=（aT［Whi‖Whj］）（1）

其中：eij表示节点i与节点j的注意力值，即节点i对节点j的影响力系数;h={h1，h2，…，hN}表示节点输入特征，hi∈RApF，F表示节点的特征维数;aT表示权重向量;T表示转置;W表示每个节点上应用的线性变换权重矩阵，为可学习参数，在自注意层，每一层的aT与W是相同的;hi为节点i的特征向量;hj为节点j的特征向量。将注意力值与邻域节点注意力值的总和进行比值得到注意力分数αij，αij可表示为

其中：αij表示节点i对节点j的注意力分數;k为邻居节点;Ni为节点i的一部分邻节点个数;LeakyReLU为激活函数。最后得出的新特征值为

h′i=σ（Σj∈NiαijWhj）（3）

其中：h′i为节点i更新后的特征向量;σ为激活函数;W同上。

2.2.2 支持向量机

支持向量机（support vector machine，SVM）是一种广泛应用于分类、回归和离群点检测等领域的机器学习方法。其基本想法是在特征空间中寻找一个超平面，将不同类别的样本分开。其中，距离超平面最近的一些数据点被称为支持向量。线性支持向量机算法如下：

输入：给定一个由N组样本（x1，y1），（x2，y2），…，（xn，yn）组成的训练数据集，其中xi∈RApn，yi∈{－1，1}，w和b是模型参数。

输出：分离超平面和分类决策函数。

a）构造并求解约束最优化问题：

求得最优解w，b。

b）由此得到分离超平面与分类决策函数：

w*·x+b=0（6）

f（x）=sign（w·x+b）（7）

非线性支持向量机则可采用核函数将输入特征映射到高维空间来构建一个非线性决策面，令φ（x）表示将x映射到高维空间后的特征向量，决策函数为

f（x）=wTφ（x）+b（8）

其中：w是在高维空间中的权重值;b是偏置项。

2.2.3 GAS整体结构

本文结合了深度学习与机器学习思想，利用GAT对交易原始的数据特征进行特征更新，并集成SVM基础模型，集成后的方法称为GAS。在第一阶段采用随机森林对特征进行重要性评估，选取评估结果高的特征。同时，本文考虑到交易事务图局部结构，在第二阶段将特征选取的结果作为GAT网络模型输入，结合邻居节点交易特征，利用网络模型中掩模自注意层（masked self-attention layer）实现当前节点特征更新，并将集聚更新后的节点特征输出，集聚新特征作为第三阶段SVM分类器的输入，以此完成整个异常交易检测过程。整体结构如图1所示。

区块链交易事务图中包含了点对点的有向流，同一个实体可对一个或多个其他实体发送交易请求并生成交易单，非法实体发起的交易被定义为异常交易，每一个实体作为一个节点都可能和与之相邻的节点之间存在联系。采用GAS方法可进一步地关注局部图结构中邻居节点的特征并且根据不同决定因素设置多头注意力与权重值，捕获图结构中数据存在的关系信息，最后利用SVM进行异常检测。

2.3 区块链交易数据特征处理

Elliptic数据集中交易特征数据呈现非线性相关并伴随多数离散值，根据此数据分布情况，本文将利用机器学习与神经网络融合的技术对区块链交易特征进行特征处理。

2.3.1 特征重要性评估与选取

重要特征的选取过程中能够识别嘈杂特征、过滤掉冗余特征并找到与真实结果高度相关的特征变量。重要性评估结果相对较高的特征往往能够有效帮助训练模型，防止模型过拟合。

机器学习中随机森林（random forest，RF）［25］是一种监督式学习算法，灵活且易于操作。随机森林进行特征重要性评估时，可通过基尼不纯度（Gini impurity）来衡量特征重要性。这实际上是在森林中对目标变量估计价值重要性。Gini的平均递减量（Gini mean decrease）为所有决策树上相同特征节点的基尼递减量（Gini decrease）的加权和，平均递减量越高，表明特征的重要性越高。度量结构如图2所示。

为了解决图注意力机制神经网络对特征卷积处理时计算成本高的问题，本文预先采用随机森林对数据特征进行重要性度量与选取，在随机森林选取重要特征阶段采用网格搜索［26］对最优特征个数进行求解，结果表明140个特征最佳。此处给出重要性得分排名前30的特征度量结果，如图3所示。

图3横坐标是重要性得分，纵坐标是重要性得分排前30的特征。在以上过程中，本文把区块链交易特征原始数据每一列特征标上序号，将已计算好得分的特征按照重要性降序排列并以一维数组的形式输出重新加以存储。

2.3.2 特征更新

本文利用交易事务图中节点共享边这一特性，挖掘邻居节点的潜在信息，采用GAT中如图4注意力机制结构、图5特征更新结构进行数据特征更新。

如图4所示是GAT图注意力网络注意力机制结构，该结构通过学习注意力权重来将邻居节点的信息汇聚到当前节点。

特征更新结构如图5所示，这样可进一步地关注局部图结构中邻居节点的特征并且根据不同决定因素设置多头注意力与权重值，捕获图结构中数据存在的关系信息。

在GAT注意力网络层中，针对性地选择邻居节点个数，将每个邻居节点的特征向量都赋予权重值，隐层状态下计算注意力值eij，使用softmax函数对分数进行归一化，利用分数对隐层状态每个头部进行加权，得到注意力特征即为更新后的特征，新特征数据与节点标签匹配后重新覆盖存储。

2.3.3 异常交易分类检测

根据Elliptic区块链交易数据集中的标签，可将交易分为正常交易、异常交易与未知类别三类。异常分类检测阶段，将GAT输出的140维度新特征作为SVM的输入，本文利用正常交易与异常交易的标签数据来训练SVM模型，即完成二分类问题。具体结构如图6所示。

SVM接收GAT输出的新特征数据，提取其中正常、异常与未知类别交易的标签，将标签从正常与异常的交易分离出来，用于模型训练，未知标签用于测试，根据模型评估值不断调整参数进行优化，得出最终模型，输出检测结果。

3 实验与分析

3.1 评估准则

本文应用机器学习常用的基于混淆矩阵评估准则对模型进行评估，其中运用到准确率（accuracy）、精确率（precision）、召回率（recall）和F1-score四个准则。其定义分别为

其中：分类器正确分类的正例数据称为真阳性（true positive，TP）;负例数据中被正确分类的称为真阴性（true negative，TN）;而被错误标记为正例数据的负例数据被称为假阳性（false positive，FP）;错误标记为负例数据的正例数据则称为假阴性（false negative，FN）。

3.2 实验环境及参数设置

本文实验使用一台DELL台式计算机，搭载2.80 GHz的Intel Core i5-8400处理器与8 GB机带RAM。实验过程利用Python的科学计算类库PyTorch网络框架与Sklearn算法库搭建GAS并实现。模型参数设置中，特征更新阶段，图注意力网络计算注意力值时本文采用tanh激活函数，epochs为50，学习率为0.01，网络隐层的输出设置为64，模型输出通道数设置为1；考虑到更多的邻居节点特征，掩模自注意层多头注意参数head设置为7，采用恒定注意力机制，相同架构下每个邻节点权重值设置为1；为了增加模型稳定性与鲁棒性，参数dropout设置为0.5，SVM模型中参数kernel为RBF高斯核函数，C为180，gamma为auto。

3.3 模型评估及对比

本文将Elliptic区块链交易数据中含有已知标签的数据进行提取作为本次实验的数据集，采用10折交叉验证对数据集进行划分。为了体现GAS的有效性，实验将分为参照组与对比组。参照组对特征处理后的交易数据采取基础模型进行检测，其中所运用到的学习算法简单介绍如下：

a）高斯朴素贝叶斯（Gaussian Nave Bayes，GNB）［27］假定样本每个特征维度的条件概率均服从高斯分布，进而再根据贝叶斯公式来计算得到新样本在某个特征分布下其属于各个类别的后验概率，最后通过极大化后验概率来确定样本的所属类别的一种方法。

b）K最邻近（K-nearest neighbor，KNN）［28］是利用K个最近邻居样本将数据集合中每一个样本进行分类的方法。

c）邏辑回归（logistic regression，LR）［29］通过代价函数寻找最优解拟合模型参数，其是一种广义回归分析类模型。

d）支持向量机以学习样本求解最大边距或超平面（maximum-margin hyperplane）为决策边界，以此对数据进行分类的一种方法。

参照组分别使用GNB、KNN、LR、SVM四个基础学习算法，模型检测的输入为特征选取后具有140个特征的交易数据，检测结果如表1所示。

对比组中，GAS方法的输入与参照组相同，即同样采用参照组中特征选取后含有140个重要特征的交易数据，同时，为了体现特征更新操作可有效关注到邻域节点的特征性质，实验基于GAT图注意特征更新后分别融合GNB、KNN、LR算法进行检测，检测结果如表2所示。两组实验都以accuracy、precision、recall、F1-score四个准则为基准，进行模型评估与比较。

参照组基础模型作为GAS评估对比基准，将原始特征数据经过随机森林重要特征选取后利用机器学习分类。结果由上表1可知，高斯朴素贝叶斯模型accuracy处于最低，仅有63.71%，其recall与F1-score低于50%，其他分类器结果的accuracy均在96%～97%。KNN、LR、SVM分类器的precision、recall与F1-score的检测结果值处于75%～95%。

在对比组中，由表2的实验结果可以得出， GAS与文献［17， 22］中方法的检测结果对比，GAS相比RRUF，accuracy与recall分别提高了0.26%、20.23%;与MFF相比，precision与recall也提高了1.13%与0.56%。结合表1与2可以看出，GAS方法得出的准确率最高，accuracy比SVM提高了0.59%，达到了98.11%，其recall与F1-score也分别提高了7.51%、3.80%。而基于GAT图注意力网络分别融合单个分类器GNB、KNN、LR算法后，在GAT处理区块链交易数据特征的基础上，三个不同学习算法异常检测的accuracy与precision均有所提升，部分模型的recall与F1-score也分别相应提高。GAT与GNB融合后模型相比GNB，accuracy提高了9.76%，与KNN融合后四个评估准则的检测结果均有提高，GAT与LR融合后相比LR模型，precision提高值最大，为2.80%。

由此可以看出，本文提出的基于图注意力网络特征更新融合方法能够结合事务图的局部邻域之间的关系，重组特征，使得分类检测更加准确，神经网络结构易选择局部最优解，而SVM能够有效避免这种情况，找到分类全局最优解，使得整体模型性能更佳。图7～10中横坐标是学习算法，即基础模型与GAS;纵坐标是不同评估结果值。从图7～10可以清晰直观地看到融合模型在基础模型评估性能上的提升。

4 结束语

近几年，拓扑图结构神经网络技术在众多领域成功应用，这也为区块链异常检测技术带来一个新的尝试。在区块链异常交易检测问题上，本文围绕深度学习与机器学习两方面，将其相融合，结合两者优点，提出了利用随机森林与注意力神经网络对交易特征进行筛选与更新，利用SVM机器学习分类器对特征更新后的数据进行分类的GAS检测方法。图注意力神经网络能够更好地关联节点，选择邻域内预测标签的决定因素个数，采样节点特征计算相似度，而非结构特征，挖掘不同程度的节点之间的联系;SVM可以避免神经网络结构选择局部极小点问题。但GAS在特征更新阶段，由于邻节点重复问题，会造成计算冗余，同时，受到静态图的限制，每个节点不会根据最新的交易数据改变注意力分数。所以，本文将两个算法进行融合，连接两者优势以提升区块链异常交易检测模型的性能。由实验结果可知，该融合方法在Elliptic数据集下表现良好，准确率、精度、召回率可达98.11%、94.01%、85.48%，此结果有助于区块链异常交易检测研究。

在下一步研究中，本文将考虑对动态交易事务图的深入研究，改进和扩展融合算法使其能够运用到动态图上，能够更高效地批处理数据。此外，将考虑探索新的策略模型或算法来进行区块链异常交易检测研究。

参考文献：

[1]傅丽玉，陆歌皓，吴义明，等.区块链技术的研究及其发展综述［J］.计算机科学，2022，49（S1）：447-461，666.（Fu Liyu， Lu Gehao， Wu Yiming， et al. A review of blockchain technology research and its development［J］.Computer Science，2022，49（S1）：447-461，666.）

［2]徐晨.区块链技术现存问题和未来发展趋势［J］.电子元器件与信息技术，2022，6（6）：17-21.（Xu Chen. Existing problems and future development trend of blockchain technology［J］.Electronic Components and Information Technology，2022，6（6）：17-21.）

［3]孫国梓，李芝，肖荣宇，等.区块链交易安全问题研究［J］.南京邮电大学学报：自然科学版，2021，41（2）：36-48.（Sun Guozi， Li Zhi， Xiao Rongyu， et al. Research on the security of blockchain transactions［J］.Journal of Nanjing University of Posts and Telecommunications：Natural Science Edition，2021，41（2）：36-48.）

［4]Weber M， Domeniconi G， Chen Jie， et al. Anti-money laundering in bitcoin：experimenting with graph convolutional networks for financial forensics［EB/OL］.［2022-10-27］.https：//arxiv.org/abs/1908.02591.

［5]钱鹏，刘振广，何钦铭，等.智能合约安全漏洞检测技术研究综述［J］.软件学报，2022，33（8）：3059-3085.（Qian Peng， Liu Zhenguang， He Qinming， et al. A review of smart contract security vulnera-bility detection techniques［J］.Journal of Software，2022，33（8）：3059-3085.）

［6]瞿元.比特币异常行为检测系统的研究与设计［D］.成都：电子科技大学，2021：36-48.（Qu Yuan. Research and design of bitcoin anomalous behavior detection system［D］.Chengdu：University of Electronic Science and Technology of China，2021：36-48.）

［7]Velicˇkovic＇ P， Cucurull G， Casanova A， et al. Graph attention networks［C］//Proc of International Conference on Learning Representations.2017：164-176.

［8]Saunders C， Stitson M O， Weston J， et al. Support vector machine［J］.Computer Science，2002，1（4）：1-28.

［9]王利朋，关志，李青山，等.区块链数据安全服务综述［J］.软件学报，2023，34（1）：1-32.（Wang Lipeng， Guan Zhi， Li Qingshan， et al. A review of blockchain data security services［J］.Journal of Software，2023，34（1）：1-32.）

［10]Kuzuno H， Tziakouris G. Ad-hoc analytical framework of bitcoin investigations for law enforcement［J］.IEICE Trans on Information and Systems，2018，E101D（11）：2644-2657.

［11]胡海洋，张力，李忠金.融合自编码器和one-class SVM的异常事件检测［J］.中国图象图形学报，2020，25（12）：2614-2629.（Hu Haiyang， Zhang Li， Li Zhongjin. Anomalous event detection by fusing self-encoder and one-class SVM［J］.Journal of Image and Graphics，2020，25（12）：2614-2629.）

［12]朱佳佳，陈佳.基于熵和SVM多分类器的异常流量检测方法［J］.计算机技术与发展，2016，26（3）：31-35.（Zhu Jiajia， Chen Jia. Anomalous traffic detection method based on entropy and SVM multi-classifier［J］.Computer Technology and Development，2016，26（3）：31-35.）

［13]Wu Jiajing， Yuan Qi， Lin Dan， et al. Who are the phi-shers？Phishing scam detection on ethereum via network embedding［J］.IEEE Trans on Systems， Man， and Cybernetics：Systems，2022，52（2）：1156-1166.

［14]Lin Yujing， Wu Powei， Hsu Chenghan， et al. An evaluation of bitcoin address classification based on transaction history summarization［C］//Proc of International Conference on Blockchain and Cryptocurrency.2019：302-310.

［15]沈蒙，桑安琪，祝烈煌，等.基于動机分析的区块链数字货币异常交易行为识别方法［J］.计算机学报， 2021，44（1）：193-208.（Shen Meng， Sang Anqi， Zhu Liehuang， et al. A motivation analysis-based approach to identify abnormal trading behavior of blockchain digital currencies［J］.Chinese Journal of Computer，2021，44（1）：193-208.）

［16]陈彬杰，魏福山，顾纯祥.基于KNN的具有隐私保护功能的区块链异常交易检测［J］.信息网络安全，2022，22（3）：78-84.（Chen Binjie， Wei Fushan， Gu Chunxiang. KNN-based blockchain anomaly transaction detection with privacy protection［J］.Information Network Security，2022，22（3）：78-84.）

［17]林伟.基于多特征融合的区块链异常交易检测［J］.信息网络安全，2022，22（10）：24-30.（Lin Wei. Blockchain anomaly transaction detection based on multi-feature fusion［J］.Information Network Security，2022，22（10）：24-30.）

［18]Pham T L S. Anomaly detection in bitcoin network using unsupervised learning methods［EB/OL］.（2016）［2022-10-30］.https：//arxiv.org/abs/1611.03941v2.

［19]Pham T L S. Anomaly detection in the bitcoin system-a network perspective［EB/OL］.（2016）［2022-10-30］.https：//arxiv.org/abs/1611.03942v1.

［20]Jourdan M， Blandin S， Wynter L， et al. Characterizing entities in the bitcoin blockchain［C］//Proc of IEEE International Conference on Data Mining Workshops.2018：55-62.

［21]Chen Weili， Wu Jun， Zheng Zibin， et al. Market manipulation of bitcoin：evidence from mining the Mt. Gox transaction network［C］//Proc of IEEE INFOCOM Conference on Computer Communications.2019：964-972.

［22]朱會娟，陈锦富，李致远，等.基于多特征自适应融合的区块链异常交易检测方法［J］.通信学报，2021，42（5）：41-50.（Zhu Huijuan， Chen Jinfu， Li Zhiyuan， et al. A blockchain anomaly transaction detection method based on multi-feature adaptive fusion［J］.Journal on Communications，2021，42（5）：41-50.）

［23]张晓琦，白雪，李光松，等.基于网络表示学习的区块链异常交易检测［J］.网络安全与数据治理，2022，41（10）：11-20.（Zhang Xiaoqi， Bai Xue， Li Guangsong， et al. Blockchain anomaly transaction detection based on network representation learning［J］.Cyber Security and Data Governance，2022，41（10）：11-20.）

［24]Chen Liang， Peng Jiaying， Liu Yang， et al. Phishing scams detection in ethereum transaction network［J］.ACM Trans on Internet Technology，2020，21（1）：1-16.

［25]Liaw A， Wiener M. Classification and regression by random forest［J］.R News，2002，23（23）：18-22.

［26]Wang Huajun. Grid-search molecular accessible surface algorithm for solving the protein docking problem［J］.Journal of Computational Chemistry，1991，12（6）：746-750.

［27]Jahromi A H， Taheri M. A non-parametric mixture of Gaussian naive Bayes classifiers based on local independent features［C］//Proc of Artificial Intelligence and Signal Processing Conference.2017：209-212.

［28]Larose D T. K-nearest neighbor algorithm［M］//Discovering Know-ledge in Data：An Introduction to Data Mining.2004：1-18.

［29]Kleinbaum D G， Klein M. Logistic regression （a self-learning text）［M］.Berlin：Springer，2002：1-20.