基于交易不可信度的比特币非法交易检测

作者：俞莎莎; 牛保宁

来源：计算机工程, 2022, 48(08): 166-172.

DOI：10.19678/j.issn.1000-3428.0062816

• 比特币
• 区块链
• 非法交易
• 机器学习
• 图卷积网络

比特币非法交易检测根据交易特征构建检测模型鉴别非法交易，在反金融犯罪领域得到广泛应用。现有的比特币非法交易检测方法假定交易的属性包含交易是否非法的信息，并从交易属性中挖掘能够代表交易非法性的特征，难以准确判断非法交易，导致检测精度和召回率降低。设计基于交易不可信度的比特币非法交易检测方法。根据非法交易之间具有关联的特性，定义交易不可信度。通过构建交易不可信度度量模型，将量化结果作为直接反映交易非法性的特征融入到已有的分类模型中，提高模型的检测性能。在此基础上，采用迭代训练集的方式扩增非法交易样本，解决非法交易样本不足以及标注困难的问题。在Elliptic数据集上的实验结果表明，与本地特征和聚合特征相比，加入不可信度特征的逻辑回归、随机森林、多层感知机和图卷积网络分类模型的F1值平均提高8.5%。

• 单位
  太原理工大学