基于图神经网络的账户余额模型区块链地址分类方法

为了监管账户余额模型公链上的交易,有必要对该类区块链上的交易进行地址分类研究。基于此,提出了一种基于图神经网络的账户余额模型区块链地址分类方法(简称AJKGS-ABCM)以实现区块链地址的分类,为区块链交易追踪提供有效的支持。该方法将区块链交易数据建模为图结构,以地址为节点,交易为边,提出AJK-GraphSAGE算法学习图的嵌入表示,模型的输入只需要节点及其采样的邻居节点集合。同时,模型引入注意力机制及跳跃知识结合策略,自适应地为不同层的表示分配权重,并在不同层间共享信息,提高了训练速度和泛化能力。最后进行了实验对比,结果表明该模型在准确度、召回率和F1分数上性能优于其他方法。

基于节点影响力的区块链匿名交易追踪方法

随着区块链技术的快速发展,借助虚拟货币进行非法交易的行为越来越普遍,且数量仍在快速增长。为打击该类犯罪行为,目前主要从网络分析技术和图数据挖掘等角度研究区块链交易数据,以进行区块链交易追踪。然而,现有的研究在有效性、普适性以及效率等方面存在不足,且无法对新注册地址进行有效追踪。针对上述问题,文中提出了一种基于节点影响力的账户余额模型区块链交易追踪方法NITT,旨在追踪特定目标账户模型地址的主要资金流向。相比传统方法,该方法引入时间策略,降低了图数据规模,同时采用多重权重分配策略,筛选出了更有影响力的重要账户地址。在真实数据集上进行实验,结果表明,所提方法在有效性、普适性和效率等方面具有较大的优势。