基于区块链的交易检测方法、装置、设备及可读存储介质与流程

1.本技术涉及互联网技术领域，特别是涉及一种基于区块链的交易检测方法、装置、设备及可读存储介质。


背景技术：

2.随着互联网技术的不断进步，银行也已经开始与互联网技术相融合，具备了跨地域甚至全球化的经营网点，令其成为发展异常交易活动的重要渠道。而随着区块链技术的逐渐发展，多家银行也开始基于区块链技术对各个银行账户产生的交易信息进行识别，在检测出账户发生异常交易活动时，及时向银行发送告警信息。
3.相关技术中，银行系统会将各个账户产生的交易数据上传至联盟区块链中，交易预警模型利用上传至联盟区块链中的交易数据进行训练，银行系统在进行交易检测时需要将待检测的交易信息上传至联盟区块链中，由训练后的交易预警模型调取联盟区块链中的待检测交易信息进行检测。
4.在实现本技术的过程中，申请人发现相关技术至少存在以下问题：
5.银行系统先将待检测交易数据上传至联盟区块链，再调用智能合约利对待检测交易数据进行检测，使得用户数据信息会脱离本地上传至联盟区块链，存在用户隐私信息暴露的风险，信息安全性差，难以高效、准确的进行交易检测。


技术实现要素：

6.有鉴于此，本技术提供了一种基于区块链的交易检测方法及装置，主要目的在于解决目前用户数据信息会脱离本地上传至联盟区块链，存在用户隐私信息暴露的风险，信息安全性差，难以高效、准确的进行交易检测的问题。
7.依据本技术第一方面，提供了一种基于区块链的交易检测方法，该方法应用于银行系统包括：
8.接收训练参数，所述训练参数由联盟区块链的区块链节点通过调用智能合约发布至所述银行系统；
9.按照所述训练参数对多个交易样本进行训练，得到多个本地训练参数，并将所述多个本地训练参数上传至所述区块链节点，以使所述区块链节点对所述多个本地训练参数进行聚合运算，采用运算结果更新所述训练参数，并调用所述智能合约发布更新后的所述训练参数；
10.接收完成训练提醒，得到交易检测模型，所述完成训练提醒是所述区块链节点在检测到调用所述智能合约发布训练参数的调用次数达到调用次数阈值时发送的；
11.获取待检测交易信息，将所述待检测交易信息输入至所述交易检测模型，得到交易检测结果，基于所述交易检测结果，为提供所述待检测交易信息的账户设置账户标签。
12.可选地，所述按照所述训练参数对多个交易样本进行训练，得到多个本地训练参数，包括：
13.获取所述训练参数，查询第一预设数目，在所述多个交易样本中提取多个目标交易样本，所述多个目标交易样本是所述多个交易样本中任意的多个交易样本；
14.基于孤立森林算法，对所述多个目标交易样本建立第一预设数目的目标样本孤立树，确定目标样本拆分序列，所述目标样本拆分序列用于指示所述银行系统建立所述目标样本孤立树产生的样本拆分点；
15.在所述训练参数中确定差分隐私预设值，为所述目标样本拆分序列添加取值为所述差分隐私预设值的差分隐私噪声，得到所述多个本地训练参数。
16.可选地，所述基于孤立森林算法，对所述多个目标交易样本建立第一预设数目的目标样本孤立树，确定目标样本拆分序列，包括：
17.按照所述孤立森林算法的指示，建立根节点，并按照维度从小到大的顺序，在所述根节点中对所述多个目标交易样本进行排序，确定区间长度；
18.查询所述训练参数，确定初始拆分序列，计算所述初始拆分序列与所述区间长度的第一和值和所述初始拆分序列与所述区间长度的差值，在所述第一和值和所述差值组成的区间范围内，提取目标数值作为第一样本拆分点将所述第一拆分点加入样本拆分序列，所述目标数值为所述区间范围内的任意数值；
19.在所述根节点下创建第一左节点和第一右节点，依据所述第一样本拆分点对所述多个目标交易样本进行拆分；
20.检测所述第一左节点中目标交易样本的第一样本数量和所述第一右节点中目标交易样本的第二样本数量，将所述第一样本数量和第二样本数量分别与拆分数量阈值进行比对，生成两个比对结果，基于所述比对结果，确定第二样本拆分点，对所述当前节点中目标交易样本进行拆分，将所述第二样本拆分点加入所述样本拆分序列；
21.当所述样本孤立树的节点高度满足预设高度阈值时，停止拆分过程，完成当前所述孤立树的创建，确定所述样本孤立树的样本拆分序列；
22.重新为所述多个目标交易样本建立样本孤立树，直至所述样本孤立树的数目达到所述第一预设数目，得到多个所述样本拆分序列；
23.对所述多个样本拆分序列中的每个样本拆分序列包含的每个样本拆分点进行编号，在所述多个样本拆分序列中提取目标编号的多个目标样本拆分点，所述目标编号的取值为任意值；
24.对所述多个目标样本拆分点进行整理，得到目标样本拆分序列。
25.可选地，所述基于比对结果，确定第二样本拆分点，对所述当前节点中目标交易样本进行拆分，包括：
26.若所述比对结果指示所述样本数量满足所述预设拆分条件，则确定所述样本数量对应的第一目标节点，基于所述第一目标节点中目标交易样本的维度数值，确定第二样本拆分点，将所述第二样本拆分点加入所述样本拆分序列，在所述第一目标节点下创建第二左节点和第二右节点，将小于所述第二样本拆分点的目标交易样本放置于所述第二左节点中，将大于等于所述第二拆分点的目标交易样本放置于所述第二右节点中；
27.若所述比对结果指示所述样本数量不满足所述预设拆分条件，则确定所述样本数量对应第二目标的节点，停止对所述第二目标节点中的目标交易样本进行拆分。
28.可选地，所述将所述多个本地训练参数上传至所述区块链节点，包括：
29.获取区块链节点公钥；
30.采用公开密码密钥体制rsa加密算法，基于所述区块链节点公钥对所述多个本地训练参数进行加密，得到所述多个本地训练参数的多个参数密文；
31.将所述多个参数密文上传至所述区块链节点，以使所述区块链节点对所述多个参数密文进行解密得到所述多个本地训练参数并对所述多个本地训练参数进行聚合。
32.可选地，所述获取待检测交易信息，将所述待检测交易信息输入至所述交易检测模型，得到交易检测结果，基于所述交易检测结果，为提供所述待检测交易信息的账户设置账户标签，包括：
33.获取所述账户的账户信息，在所述账户信息中确定目标信息，所述目标信息为所述账户信息中与交易无关的信息；
34.对所述账户信息进行信息清洗，在所述账户信息中将所述目标信息删除，得到所述待检测交易信息，
35.将所述待检测交易信息输入至所述交易检测模型，为所述待检测交易信息建立第二预设数目的样本孤立树；
36.确定所述第二预设数目的目标孤立树中每个目标孤立树的总路径长度、所述待检测交易信息在所述每个目标孤立树的待检测路径长度，得到多个总路径长度和多个待检测路径长度；
37.计算所述多个待检测路径长度的待检测期望值与所述多个路径总长度的平均值的待检测比值，并对所述待检测比值进行指数运算，得到所述待检测比值的待检测指数值，将所述待检测指数值作为所述待检测交易信息的异常分数；
38.当所述异常分数处于第一分数区间时，设置用于指示重点监测账户的标签；
39.当所述异常分数处于第二分数区间时，设置用于指示正常账户的标签。
40.依据本技术第二方面，提供了一种基于区块链的交易检测方法，该方法应用于联盟区块链的区块链节点，包括：
41.调用智能合约，发布训练参数，以使所述银行系统基于所述训练参数在本地训练交易检测模型；
42.获取所述银行系统上传的多个本地训练参数，将所述多个本地训练参数进行聚合，采用聚合后的所述多个本地训练参数对所述训练参数进行更新；
43.将所述多个本地训练参数和更新后的所述训练参数上传至所述联盟区块链，调用所述智能合约发布更新后的所述训练参数；
44.统计调用所述智能合约发布训练参数的调用次数，当所述调用次数达到调用次数阈值时，向所述银行系统发送完成训练提醒，以使所述银行系统得到所述交易检测模型，并基于所述交易检测模型得到待检测交易信息的交易检测结果，基于所述交易检测结果，为提供所述待检测交易信息的账户设置账户标签。
45.可选地，所述获取所述银行系统上传的多个本地训练参数，将所述多个本地训练参数进行聚合，采用聚合后的所述多个本地训练参数对所述训练参数进行更新，包括：
46.接收所述银行系统上传的多个参数密文，获取区块链节点公钥；
47.采用rsa加密算法，基于所述区块链节点公钥，对所述多个参数密文进行解密，得到所述多个本地训练参数；
48.对所述多个本地训练参数进行增量运算，得到所述多个本地训练参数的增量向量；
49.计算所述多个本地训练参数与所述增量向量的第二和值，将所述第二和值设置为所述训练参数，完成对所述训练参数的更新。
50.依据本技术第三方面，提供了一种基于区块链的交易检测装置，该装置应用于银行系统，包括：
51.第一接收模块，用于接收训练参数，所述训练参数由联盟区块链的区块链节点通过调用智能合约发布至所述银行系统；
52.训练模块，用于按照所述训练参数对多个交易样本进行训练，得到多个本地训练参数，并将所述多个本地训练参数上传至所述区块链节点，以使所述区块链节点对所述多个本地训练参数进行聚合运算，采用运算结果更新所述训练参数，并调用所述智能合约发布更新后的所述训练参数；
53.第二接收模块，用于接收完成训练提醒，得到交易检测模型，所述完成训练提醒是所述区块链节点在检测到调用所述智能合约发布训练参数的调用次数达到调用次数阈值时发送的；
54.获取模块，用于获取待检测交易信息，将所述待检测交易信息输入至所述交易检测模型，得到交易检测结果，基于所述交易检测结果，为提供所述待检测交易信息的账户设置账户标签。
55.可选地，所述训练模块，用于获取所述训练参数，查询第一预设数目，在所述多个交易样本中提取多个目标交易样本，所述多个目标交易样本是所述多个交易样本中任意的多个交易样本；基于孤立森林算法，对所述多个目标交易样本建立第一预设数目的目标样本孤立树，确定目标样本拆分序列，所述目标样本拆分序列用于指示所述银行系统建立所述目标样本孤立树产生的样本拆分点；在所述训练参数中确定差分隐私预设值，为所述目标样本拆分序列添加取值为所述差分隐私预设值的差分隐私噪声，得到所述多个本地训练参数。
56.可选地，所述训练模块，用于按照所述孤立森林算法的指示，建立根节点，并按照维度从小到大的顺序，在所述根节点中对所述多个目标交易样本进行排序，确定区间长度；查询所述训练参数，确定初始拆分序列，计算所述初始拆分序列与所述区间长度的第一和值和所述初始拆分序列与所述区间长度的差值，在所述第一和值和所述差值组成的区间范围内，提取目标数值作为第一样本拆分点将所述第一拆分点加入样本拆分序列，所述目标数值为所述区间范围内的任意数值；在所述根节点下创建第一左节点和第一右节点，依据所述第一样本拆分点对所述多个目标交易样本进行拆分；检测所述第一左节点中目标交易样本的第一样本数量和所述第一右节点中目标交易样本的第二样本数量，将所述第一样本数量和第二样本数量分别与拆分数量阈值进行比对，生成两个比对结果，基于所述比对结果，确定第二样本拆分点，对所述当前节点中目标交易样本进行拆分，将所述第二样本拆分点加入所述样本拆分序列；当所述样本孤立树的节点高度满足预设高度阈值时，停止拆分过程，完成当前所述孤立树的创建，确定所述样本孤立树的样本拆分序列；重新为所述多个目标交易样本建立样本孤立树，直至所述样本孤立树的数目达到所述第一预设数目，得到多个所述样本拆分序列；对所述多个样本拆分序列中的每个样本拆分序列包含的每个样本
拆分点进行编号，在所述多个样本拆分序列中提取目标编号的多个目标样本拆分点，所述目标编号的取值为任意值；对所述多个目标样本拆分点进行整理，得到目标样本拆分序列。
57.可选地，所述训练模块，用于若所述比对结果指示所述样本数量满足所述预设拆分条件，则确定所述样本数量对应的第一目标节点，基于所述第一目标节点中目标交易样本的维度数值，确定第二样本拆分点，将所述第二样本拆分点加入所述样本拆分序列，在所述第一目标节点下创建第二左节点和第二右节点，将小于所述第二样本拆分点的目标交易样本放置于所述第二左节点中，将大于等于所述第二拆分点的目标交易样本放置于所述第二右节点中；若所述比对结果指示所述样本数量不满足所述预设拆分条件，则确定所述样本数量对应第二目标的节点，停止对所述第二目标节点中的目标交易样本进行拆分。
58.可选地，所述训练模块，用于获取区块链节点公钥；采用公开密码密钥体制rsa加密算法，基于所述区块链节点公钥对所述多个本地训练参数进行加密，得到所述多个本地训练参数的多个参数密文；将所述多个参数密文上传至所述区块链节点，以使所述区块链节点对所述多个参数密文进行解密得到所述多个本地训练参数并对所述多个本地训练参数进行聚合。
59.可选地，所述获取模块，用于获取所述账户的账户信息，在所述账户信息中确定目标信息，所述目标信息为所述账户信息中与交易无关的信息；对所述账户信息进行信息清洗，在所述账户信息中将所述目标信息删除，得到所述待检测交易信息，将所述待检测交易信息输入至所述交易检测模型，为所述待检测交易信息建立第二预设数目的样本孤立树；确定所述第二预设数目的目标孤立树中每个目标孤立树的总路径长度、所述待检测交易信息在所述每个目标孤立树的待检测路径长度，得到多个总路径长度和多个待检测路径长度；计算所述多个待检测路径长度的待检测期望值与所述多个路径总长度的平均值的待检测比值，并对所述待检测比值进行指数运算，得到所述待检测比值的待检测指数值，将所述待检测指数值作为所述待检测交易信息的异常分数；当所述异常分数处于第一分数区间时，设置用于指示重点监测账户的标签；当所述异常分数处于第二分数区间时，设置用于指示正常账户的标签。
60.依据本技术第四方面，提供了一种基于区块链的交易检测装置，该装置应用于联盟区块链的区块链节点，包括：
61.调用模块，用于调用智能合约，发布训练参数，以使所述银行系统基于所述训练参数在本地训练交易检测模型；
62.聚合模块，用于获取所述银行系统上传的多个本地训练参数，将所述多个本地训练参数进行聚合，采用聚合后的所述多个本地训练参数对所述训练参数进行更新；
63.传输模块，用于将所述多个本地训练参数和更新后的所述训练参数上传至所述联盟区块链，调用所述智能合约发布更新后的所述训练参数；
64.统计模块，用于统计调用所述智能合约发布训练参数的调用次数，当所述调用次数达到调用次数阈值时，向所述银行系统发送完成训练提醒，以使所述银行系统得到所述交易检测模型，并基于所述交易检测模型得到待检测交易信息的交易检测结果，基于所述交易检测结果，为提供所述待检测交易信息的账户设置账户标签。
65.可选地，所述聚合模块，用于接收所述银行系统上传的多个参数密文，获取区块链节点公钥；采用rsa加密算法，基于所述区块链节点公钥，对所述多个参数密文进行解密，得
到所述多个本地训练参数；对所述多个本地训练参数进行增量运算，得到所述多个本地训练参数的增量向量；计算所述多个本地训练参数与所述增量向量的第二和值，将所述第二和值设置为所述训练参数，完成对所述训练参数的更新。
66.依据本技术第五方面，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述方法的步骤。
67.依据本技术第六方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法的步骤。
68.借由上述技术方案，本技术提供的一种基于区块链的交易检测方法、装置、设备及可读存储介质方法及装置，本技术由区块链节点调用智能合约，发布训练参数，银行系统在接收训练参数后，按照训练参数对多个交易样本进行训练，得到多个本地训练参数，并将多个本地训练参数上传至区块链节点。接下来，区块链节点获取银行系统上传的多个本地训练参数，将多个本地训练参数进行聚合，采用聚合后的多个本地训练参数对训练参数进行更新，将多个本地训练参数和更新后的训练参数上传至联盟区块链，并调用智能合约发布更新后的训练参数。随后，统计调用智能合约发布训练参数的调用次数，当调用次数达到调用次数阈值时，向银行系统发送完成训练提醒。从而使银行系统接收完成训练提醒，得到交易检测模型。最后，获取待检测交易信息，将待检测交易信息输入至交易检测模型，得到交易检测结果，以使银行系统基于交易检测结果，为提供待检测交易信息的账户设置账户标签。通过区块链节点与银行系统之间的交互，令银行系统可以利用存储在本地的交易信息进行本地模型训练，将训练得出的多个本地训练参数上传至区块链节点，由区块链节点进行聚合以生成新的训练参数发布给银行系统再次进行模型训练，直至训练的次数达到训练阈值，在银行系统本地得到训练后的异常交易检测模型，使银行系统无需上传用户数据信息，保证用户隐私信息的安全性，进而使得交易检测模型能够更加高效、准确的进行交易检测。
69.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
70.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
71.图1a示出了本技术实施例提供的一种基于区块链的交易检测方法流程示意图；
72.图1b示出了本技术实施例提供的一种基于区块链的交易检测方法流程示意图；
73.图2a示出了本技术实施例提供的一种基于区块链的交易检测方法流程示意图；
74.图2b示出了本技术实施例提供的一种基于区块链的交易检测方法流程示意图；
75.图3a示出了本技术实施例提供的一种基于区块链的交易检测装置的结构示意图；
76.图3b示出了本技术实施例提供的一种基于区块链的交易检测装置的结构示意图；
77.图4示出了本技术实施例提供的一种计算机设备的装置结构示意图。
具体实施方式
78.下面将参照附图更详细地描述本技术的示例性实施例。虽然附图中显示了本技术的示例性实施例，然而应当理解，可以以各种形式实现本技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本技术，并且能够将本技术的范围完整的传达给本领域的技术人员。
79.本技术实施例提供了一种基于区块链的交易检测方法，如图1a所示，该方法应用于银行系统，包括：
80.下面将参照附图更详细地描述本技术的示例性实施例。虽然附图中显示了本技术的示例性实施例，然而应当理解，可以以各种形式实现本技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本技术，并且能够将本技术的范围完整的传达给本领域的技术人员。
81.本技术实施例提供了一种基于区块链的交易检测方法，如图1a所示，该方法应用于银行系统，包括：
82.101、接收训练参数，训练参数由联盟区块链的区块链节点通过调用智能合约发布至银行系统。
83.102、按照训练参数对多个交易样本进行训练，得到多个本地训练参数，并将多个本地训练参数上传至区块链节点，以使区块链节点对多个本地训练参数进行聚合运算，采用运算结果更新训练参数，并调用智能合约发布更新后的训练参数。
84.103、接收完成训练提醒，得到交易检测模型，完成训练提醒是区块链节点在检测到调用智能合约发布训练参数的调用次数达到调用次数阈值时发送的。
85.104、获取待检测交易信息，将待检测交易信息输入至交易检测模型，得到交易检测结果，基于所述交易检测结果，为提供所述待检测交易信息的账户设置账户标签。
86.本技术实施例提供的方法，由区块链节点调用智能合约，发布训练参数，银行系统在接收训练参数后，按照训练参数对多个交易样本进行训练，得到多个本地训练参数，并将多个本地训练参数上传至区块链节点。接下来，区块链节点获取银行系统上传的多个本地训练参数，将多个本地训练参数进行聚合，采用聚合后的多个本地训练参数对训练参数进行更新，将多个本地训练参数和更新后的训练参数上传至联盟区块链，并调用智能合约发布更新后的训练参数。随后，统计调用智能合约发布训练参数的调用次数，当调用次数达到调用次数阈值时，向银行系统发送完成训练提醒。从而使银行系统接收完成训练提醒，得到交易检测模型。最后，获取待检测交易信息，将待检测交易信息输入至交易检测模型，得到交易检测结果，以使银行系统基于交易检测结果，为提供待检测交易信息的账户设置账户标签。通过区块链节点与银行系统之间的交互，令银行系统可以利用存储在本地的交易信息进行本地模型训练，将训练得出的多个本地训练参数上传至区块链节点，由区块链节点进行聚合以生成新的训练参数发布给银行系统再次进行模型训练，直至训练的次数达到训练阈值，在银行系统本地得到训练后的异常交易检测模型，使银行系统无需上传用户数据信息，保证用户隐私信息的安全性，进而使得交易检测模型能够更加高效、准确的进行交易检测。
87.本技术实施例提供了一种基于区块链的交易检测方法，如图1b所示，该方法应用于联盟区块链的区块链节点，包括：
88.105、调用智能合约，发布训练参数，以使银行系统基于训练参数在本地训练交易检测模型。
89.106、获取银行系统上传的多个本地训练参数，将多个本地训练参数进行聚合，采用聚合后的多个本地训练参数对训练参数进行更新。
90.107、将多个本地训练参数和更新后的训练参数上传至联盟区块链，调用智能合约发布更新后的训练参数。
91.108、统计调用智能合约发布训练参数的调用次数，当调用次数达到调用次数阈值时，向银行系统发送完成训练提醒，以使银行系统得到交易检测模型，并基于交易检测模型得到待检测交易信息的交易检测结果，基于所述交易检测结果，为提供所述待检测交易信息的账户设置账户标签。
92.本技术实施例提供的方法，由区块链节点调用智能合约，发布训练参数，银行系统在接收训练参数后，按照训练参数对多个交易样本进行训练，得到多个本地训练参数，并将多个本地训练参数上传至区块链节点。接下来，区块链节点获取银行系统上传的多个本地训练参数，将多个本地训练参数进行聚合，采用聚合后的多个本地训练参数对训练参数进行更新，将多个本地训练参数和更新后的训练参数上传至联盟区块链，并调用智能合约发布更新后的训练参数。随后，统计调用智能合约发布训练参数的调用次数，当调用次数达到调用次数阈值时，向银行系统发送完成训练提醒。从而使银行系统接收完成训练提醒，得到交易检测模型。最后，获取待检测交易信息，将待检测交易信息输入至交易检测模型，得到交易检测结果，以使银行系统基于交易检测结果，为提供待检测交易信息的账户设置账户标签。通过区块链节点与银行系统之间的交互，令银行系统可以利用存储在本地的交易信息进行本地模型训练，将训练得出的多个本地训练参数上传至区块链节点，由区块链节点进行聚合以生成新的训练参数发布给银行系统再次进行模型训练，直至训练的次数达到训练阈值，在银行系统本地得到训练后的异常交易检测模型，使银行系统无需上传用户数据信息，保证用户隐私信息的安全性，进而使得交易检测模型能够更加高效、准确的进行交易检测。
93.本技术实施例提供了一种基于区块链的交易检测方法，如图2a所示，该方法涉及到银行系统与区块链节点之间的交互，包括：
94.201、区块链节点调用智能合约，发布训练参数。
95.随着互联网技术的不断进步，银行也已经开始与互联网技术相融合，具备了跨地域甚至全球化的经营网点，令其成为发展异常交易活动的重要渠道。而随着区块链技术的逐渐发展，多家银行也开始基于区块链技术对各个银行账户产生的交易信息进行识别，在检测出账户发生异常交易活动时，及时向银行发送告警信息。目前，银行系统会将各个账户产生的交易数据上传至联盟区块链中，交易预警模型利用上传至联盟区块链中的交易数据进行训练，银行系统在进行交易检测时需要将待检测的交易信息上传至联盟区块链中，由训练后的交易预警模型调取联盟区块链中的待检测交易信息进行检测。但是申请人认识到，银行系统先将待检测交易数据上传至联盟区块链，再调用智能合约利对待检测交易数据进行检测，使得用户数据信息会脱离本地上传至联盟区块链，存在用户隐私信息暴露的风险，信息安全性差，难以高效、准确的进行交易检测。
96.因此，本技术提供的一种基于区块链的交易检测方法、装置、设备及可读存储介质
方法及装置，本技术由区块链节点调用智能合约，发布训练参数，银行系统在接收训练参数后，按照训练参数对多个交易样本进行训练，得到多个本地训练参数，并将多个本地训练参数上传至区块链节点。接下来，区块链节点获取银行系统上传的多个本地训练参数，将多个本地训练参数进行聚合，采用聚合后的多个本地训练参数对训练参数进行更新，将多个本地训练参数和更新后的训练参数上传至联盟区块链，并调用智能合约发布更新后的训练参数。随后，统计调用智能合约发布训练参数的调用次数，当调用次数达到调用次数阈值时，向银行系统发送完成训练提醒。从而使银行系统接收完成训练提醒，得到交易检测模型。最后，获取待检测交易信息，将待检测交易信息输入至交易检测模型，得到交易检测结果，以使银行系统基于交易检测结果，为提供待检测交易信息的账户设置账户标签。通过区块链节点与银行系统之间的交互，令银行系统可以利用存储在本地的交易信息进行本地模型训练，将训练得出的多个本地训练参数上传至区块链节点，由区块链节点进行聚合以生成新的训练参数发布给银行系统再次进行模型训练，直至训练的次数达到训练阈值，在银行系统本地得到训练后的异常交易检测模型，使银行系统无需上传用户数据信息，保证用户隐私信息的安全性，进而使得交易检测模型能够更加高效、准确的进行交易检测。
97.其中，以检测异常交易为例，考虑到异常交易多出现跨行跨地区的情形，使得目前异常交易包装较为隐蔽，仅仅依靠一家银行的反异常交易中心进行识别，很难准确的判断待检测账户是否为异常账户，因此，本技术基于区块链构建多家银行联邦学习架构，建立联盟区块链，由多家银行共同检测交易。
98.在本技术实施例中，本发明基于联盟区块链构建多家银行联邦学习架构，联盟区块链会选取其中一个区块链节点执行本地训练参数聚合和训练参数发布的功能。进一步地，被选中的区块链节点作为中央服务器调用智能合约向联盟区块链中的银行系统发布初始的训练参数，其中，训练参数包括但不限于训练模型初始参数、训练轮数、差分隐私预设值等，本技术对训练参数的内容不进行具体限定。
99.通过调用智能合约的方式，将初始的训练参数发送至联盟区块链，联盟区块链会将训练参数广播发送至链上全部的银行系统，以使银行系统能够在接收到训练参数后，依据训练参数中的内容，对本地交易样本进行训练。其中，考虑到目前银行早已经开通多个渠道的业务系统进行数字化业务服务，如存款业务系统、贷款业务系统、客户信息业务系统等。在长时间的数字业务服务后，银行系统中存储有大量的历史交易信息，，因此，本技术中本地交易样本来源于银行系统存储的历史账户信息。
100.202、银行系统接收训练参数，按照训练参数对多个交易样本进行训练，得到多个本地训练参数，并将多个本地训练参数上传至区块链节点。
101.在本技术实施例中，银行系统接收到训练参数后，会在本地抽取部分交易样本作为目标交易样本，采用目标交易样本对交易检测模型进行训练，获取目标样本拆分序列，再通过对目标样本拆分序列添加差分隐私，得到多个本地训练参数，获取本地训练参数的具体过程如下：
102.首先，银行系统在获取到的训练参数中查询第一预设数目，在多个交易样本中提取多个目标交易样本，其中，多个目标交易样本是多个交易样本中任意的多个交易样本。例如，银行系统查询训练参数，确定训练样本孤立树的样本数ψ，在多个交易样本中任意提取ψ个交易样本作为多个目标交易样本。在实际应用过程中，多个交易样本是通过对多个账
户信息样本进行信息清洗后得到的。具体地，银行系统需要事先获取多个账户信息样本，确定账户信息样本中与交易无关的部分内容，对多个账户信息样本进行信息清洗删除，获取多个交易样本。比如，银行系统识别多个账户信息样本后，获取到关于客户号、客户姓名、证件类型、证件id、交易次数、交易类型、交易时间、交易地点、交易金额、对方账号、对方账号所在行的内容。经过识别后可以确定客户号、客户姓名、证件类型、证件id部分内容是与交易无关的内容可以被剔除，对样本账户信息进行清洗，删除客户号、客户姓名、证件类型、证件id部分内容，将清洗删除后剩余的内容作为样本交易信息。
103.随后，银行系统基于孤立森林算法，对多个目标交易样本建立第一预设数目的目标样本孤立树，确定用于指示银行系统建立目标样本孤立树产生的样本拆分点目标样本拆分序列。实际上是按照孤立森林算法的指示，建立根节点，并按照多个目标交易样本维度从小到大的顺序，在根节点中对多个目标交易样本进行排序，得到特征序列。进一步地，查询训练参数，确定区间比例，计算特征序列的最大值与特征序列的最小值的差值，计算差值与区间比例的倒数的乘积，将乘积结果作为区间长度。再查询训练参数，确定初始拆分序列，计算初始拆分序列与区间长度的第一和值和初始拆分序列与区间长度的差值。在第一和值和差值组成的区间范围内，提取目标数值作为第一样本拆分点将第一拆分点加入样本拆分序列，其中，目标数值为区间范围内的任意数值，本技术对目标数值的取值方式不进行具体限定。例如，银行系统查询训练参数后，获取到创建样本孤立树的个数t、区间比例b和初始拆分序列ω0＝{ω01,ω02,
…
ω0m}，将t作为第一预设数目，为多个目标交易样本构造t棵样本孤立树。确定多个目标交易样本的特征序列m＝{m1,m2,
…
mm}，计算mi的最大值与mi的最小值的差值。计算差值与区间比例b的倒数的乘积si，在ω0i-si至ω0i si的取值范围内随机选择一个目标数值作为第一样本拆分点，并将第一样本拆分点加入样本拆分序列。
104.接下来，在根节点下创建第一左节点和第一右节点，依据第一样本拆分点对根节点中的多个目标交易样本进行第一次拆分，检测第一左节点和第一右节点中目标交易样本的样本数量。将第一左节点的样本数量和第一右节点的样本数量分别分别与拆分数量阈值进行比对，生成两个比对结果。若比对结果指示样本数量大于等于拆分数量阈值，也就意味着当前比对结果对应的节点满足预设拆分条件，则确定样本数量对应的第一目标节点，基于第一目标节点中目标交易样本的维度数值，重新确定特征序列并计算区间长度，确定第二样本拆分点，将第二样本拆分点加入样本拆分序列。在第一目标节点下创建第二左节点和第二右节点，将小于第二样本拆分点的目标交易样本放置于第二左节点中，将大于等于第二拆分点的目标交易样本放置于第二右节点中。若比对结果指示样本数量不满足预设拆分条件，则确定样本数量对应第二目标的节点，停止对第二目标节点中的目标交易样本进行拆分。
105.进一步地，当样本孤立树的节点高度满足预设高度阈值时，停止拆分过程，完成当前孤立树的创建。确定样本孤立树的样本拆分序列，重新为多个目标交易样本建立样本孤立树，直至创建完成的样本孤立树的数目达到第一预设数目，得到多个样本拆分序列，即完成了一次本地训练。对多个样本拆分序列中的每个样本拆分序列包含的每个样本拆分点进行编号，在多个样本拆分序列中提取目标编号的多个目标样本拆分点，其中，目标编号的取值为任意值。对多个目标样本拆分点进行整理，得到目标样本拆分序列，也就是得到多个样本拆分序列的随机子集作为目标样本拆分序列。
106.最后，在训练参数中确定差分隐私预设值，为目标样本拆分序列添加取值为差分隐私预设值的差分隐私噪声，得到多个本地训练参数。获取区块链节点公钥，采用rsa(ron rivest adi shamir leonard adleman，公开密码密钥体制) 加密算法，基于区块链节点公钥对多个本地训练参数进行加密，得到多个本地训练参数的多个参数密文，将多个参数密文上传至区块链节点，以使区块链节点对多个参数密文进行解密得到多个本地训练参数并对多个本地训练参数进行聚合。
107.通过本地训练的方式，使得用户的交易数据无需上传至联盟区块链中进行共享，保护了金融机构用户的数据隐私性，仅需要将模型训练后得到的多个本地训练参数上传至区块链中，对本地训练过程中加入差分隐私能够有效预防恶意节点模型攻击，进而使得交易检测模型能够更加高效、准确的进行交易检测。
108.203、区块链节点获取银行系统上传的多个本地训练参数，将多个本地训练参数进行聚合，采用聚合后的多个本地训练参数对训练参数进行更新。
109.在本技术实施例中，区块链节点通过聚合公式将银行系统上传的多个本地训练参数进行聚合，生成新的训练参数，并调用智能合约进行发布，以使银行系统依据新的训练参数再次在本地训练交易检测模型。
110.具体地，为了提高本地训练参数传输的安全性，区块链节点接收到的是银行系统上传的本地训练参数的参数密文，因此，在实际应用过程中，区块链节点需要获取区块链节点公钥，基于区块链节点公钥和rsa加密算法对参数密文进行解密，就能够得到多个本地训练参数。随后，对多个本地训练参数进行聚合运算，也就是对多个本地训练参数进行增量运算，得到多个本地训练参数的增量向量，随后计算多个本地训练参数与增量向量的第二和值，将第二和值设置为训练参数，完成对训练参数的更新。具体聚合运算的公式如下述公式1：
111.公式1：ω
j 1
＝ωj δω
112.其中，ω
j 1
为新的模型参数，也就是第二和值；ωj为多个本地训练参数；δω为向量中p个银行生成的参数向量中每个坐标与上一轮参数向量对应坐标的差值之和求平均后得到的增量向量。
113.由于联盟区块链中包含有多个银行系统，各个银行系统在接收到训练参数后，都会生成多个本地训练参数并上传至区块链节点中。实际上，区块链节点对各个银行系统上传的多个本地训练参数进行参数聚合，再将聚合后的训练参数作为新的训练参数发布，能够使各个银行系统能够在用户隐私数据不脱离本地的情况下实现共享交易数据信息，共同维护交易检测联盟区块链。
114.204、区块链节点将多个本地训练参数和更新后的训练参数上传至联盟区块链，调用智能合约发布更新后的训练参数，统计调用智能合约发布训练参数的调用次数，当调用次数达到调用次数阈值时，向银行系统发送完成训练提醒。
115.再本技术实施例中，调用次数阈值可以是区块链节点默认的数值，也可以是相关工作人员根据实际情况进行设置的，本技术对调用次数预设的设置数值大小不进行具体限定。进一步地，区块链节点将多个本地训练参数和更新后的训练参数上传至联盟区块链进行备份存储，再调用智能合约将更新后的训练参数发布给联盟区块链中的各个银行系统以使各个系统基于更新后的训练参数再次对交易检测模型进行训练。经过多轮训练之后，也
就是统计调用智能合约发布训练参数的调用次数，当调用次数达到调用次数阈值时，向银行系统发送完成训练提醒，以使各个银行系统能够在本地得到训练好的交易检测模型。
116.205、银行系统接收完成训练提醒，得到交易检测模型，获取待检测交易信息，将待检测交易信息输入至交易检测模型，得到交易检测结果，基于所述交易检测结果，为提供所述待检测交易信息的账户设置账户标签。
117.在本技术实施例中，当银行系统接收到完成训练提醒时，也就意味着可以结模型训练过程，得到训练好的交易检测模型，并基于交易检测模型对待检测交易信息进行检测，得到交易检测结果，得到交易检测结果的过程具体分为如下两个部分：
118.一、计算待检测交易信息的异常分数，计算异常分数的具体过程如下：
119.首先，获取账户的账户信息，在账户信息中确定与交易无关的目标信息。随后，对账户信息进行信息清洗，在账户信息中将目标信息删除，得到待检测交易信息，将待检测交易信息输入至交易检测模型，为待检测交易信息建立第二预设数目的样本孤立树。接下来，确定第二预设数目的目标孤立树中每个目标孤立树的总路径长度、待检测交易信息在每个目标孤立树的待检测路径长度，得到多个总路径长度和多个待检测路径长度，计算多个待检测路径长度的期望值和多个路径总长度的平均值。具体计算多个路径总长度的平均值的公式如下述公式2：
120.公式2：c(ψ)＝2h(ψ-1)-2(ψ-1)/ψ
121.其中，ψ为训练单颗目标孤立树的样本数，h(i)为调和级数，且h(i)＝in(i) 0.577(欧拉常数)。例如，获取待检测交易信息x，计算待检测交易信息x落入叶结点所需的划分次数，也就是多个待检测路径长度h(x)的期望值e(h(x))，随后，基于训练参数中训练单颗目标孤立树的样本数ψ，计算多个路径总长度的平均值c (ψ)。
122.最后，计算多个待检测路径长度的待检测期望值与多个路径总长度的平均值的待检测比值，并对待检测比值进行指数运算，得到待检测比值的待检测指数值，将待检测指数值作为待检测交易信息的异常分数。具体计算异常分数的公式如下述公式3：
123.公式3：
124.其中，e(h(x))是多个待检测路径长度h(x)的期望值，c(ψ)是多个路径总长度的平均值。
125.当银行系统将待检测交易信息输入至交易检测模型后，交易检测模型会计算待检测交易信息的异常分数，并根据异常分数对待检测交易信息进行判断，最终输出判断结果。
126.二、在交易检测模型计算出待检测交易信息的异常分数之后，交易检测模型会将异常分数与预设分数区间进行比对，基于比对结果，对待检测交易信息设置账户标签。
127.具体地，当异常分数处于第一分数区间时，设置用于指示重点监测账户的标签，当异常分数处于第二分数区间时，设置用于指示正常账户的标签。继续以上述待检测交易信息x为例，当待检测路径长度的期望值趋近于0时，异常分数趋近于1，也就是处于第一分数区间时，为所述待检测信息x设置用于指示其对应的账户为重点监测账户的标签。当异常分数趋近于0或0.5时，也就是处于第二分数区间时，为所述待检测信息x设置用于指示其对应的账户为正常账户的标签。随后，根据重点监测账户的交易情况，设置不同的阈值和处理方式。比如，当重点监测账户此次交易金额达到5000元时，为重点监测账户设置不同的处理方
式，如终止交易、让客户做人脸识别、短信验证等等。
128.综上所述，本技术中基于区块链的交易检测的过程总结如下：
129.参见图2b，首先，区块链节点调用智能合约，在联盟区块链中发布训练参数。随后，银行系统在接收训练参数后，采用孤立森林算法，按照训练参数对多个交易样本进行训练，得到多个本地训练参数，并将多个本地训练参数上传至区块链节点。接下来，区块链节点获取银行系统上传的多个本地训练参数，将多个本地训练参数进行聚合，采用聚合后的多个本地训练参数对训练参数进行更新。进一步地，区块链节点将多个本地训练参数和更新后的训练参数上传至联盟区块链，调用智能合约发布更新后的训练参数，统计调用智能合约发布训练参数的调用次数，当调用次数达到调用次数阈值时，向银行系统发送完成训练提醒。最后，银行系统接收完成训练提醒，得到交易检测模型，获取待检测交易信息，将待检测交易信息输入至交易检测模型，得到交易检测结果，基于所述交易检测结果，为提供所述待检测交易信息的账户设置账户标签。需要说明的是，因为本技术是基于联盟区块链进行的交易检测，因此，在一个可选地实施例中，联盟区块链可以协助区块链节点发布本地训练参数。
130.本技术实施例提供的方法，由区块链节点调用智能合约，发布训练参数，银行系统在接收训练参数后，按照训练参数对多个交易样本进行训练，得到多个本地训练参数，并将多个本地训练参数上传至区块链节点。接下来，区块链节点获取银行系统上传的多个本地训练参数，将多个本地训练参数进行聚合，采用聚合后的多个本地训练参数对训练参数进行更新，将多个本地训练参数和更新后的训练参数上传至联盟区块链，并调用智能合约发布更新后的训练参数。随后，统计调用智能合约发布训练参数的调用次数，当调用次数达到调用次数阈值时，向银行系统发送完成训练提醒。从而使银行系统接收完成训练提醒，得到交易检测模型。最后，获取待检测交易信息，将待检测交易信息输入至交易检测模型，得到交易检测结果，以使银行系统基于交易检测结果，为提供待检测交易信息的账户设置账户标签。通过区块链节点与银行系统之间的交互，令银行系统可以利用存储在本地的交易信息进行本地模型训练，将训练得出的多个本地训练参数上传至区块链节点，由区块链节点进行聚合以生成新的训练参数发布给银行系统再次进行模型训练，直至训练的次数达到训练阈值，在银行系统本地得到训练后的异常交易检测模型，使银行系统无需上传用户数据信息，保证用户隐私信息的安全性，进而使得交易检测模型能够更加高效、准确的进行交易检测。
131.进一步地，作为图1a所述方法的具体实现，本技术实施例提供了一种基于区块链的交易检测装置，如图3a所示，所述装置应用于银行系统包括：第一接收模块301、训练模块302、第二接收模块303、获取模块304。
132.该第一接收模块301，用于接收训练参数，所述训练参数由联盟区块链的区块链节点通过调用智能合约发布至所述银行系统；
133.该训练模块302，用于按照所述训练参数对多个交易样本进行训练，得到多个本地训练参数，并将所述多个本地训练参数上传至所述区块链节点，以使所述区块链节点对所述多个本地训练参数进行聚合运算，采用运算结果更新所述训练参数，并调用所述智能合约发布更新后的所述训练参数；
134.该第二接收模块303，用于接收完成训练提醒，得到交易检测模型，所述完成训练
提醒是所述区块链节点在检测到调用所述智能合约发布训练参数的调用次数达到调用次数阈值时发送的；
135.该获取模块304，用于获取待检测交易信息，将所述待检测交易信息输入至所述交易检测模型，得到交易检测结果，基于所述交易检测结果，为提供所述待检测交易信息的账户设置账户标签。
136.在具体的应用场景中，该训练模块302，用于获取所述训练参数，查询第一预设数目，在所述多个交易样本中提取多个目标交易样本，所述多个目标交易样本是所述多个交易样本中任意的多个交易样本；基于孤立森林算法，对所述多个目标交易样本建立第一预设数目的目标样本孤立树，确定目标样本拆分序列，所述目标样本拆分序列用于指示所述银行系统建立所述目标样本孤立树产生的样本拆分点；在所述训练参数中确定差分隐私预设值，为所述目标样本拆分序列添加取值为所述差分隐私预设值的差分隐私噪声，得到所述多个本地训练参数。
137.在具体的应用场景中，该训练模块302，用于按照所述孤立森林算法的指示，建立根节点，并按照维度从小到大的顺序，在所述根节点中对所述多个目标交易样本进行排序，确定区间长度；查询所述训练参数，确定初始拆分序列，计算所述初始拆分序列与所述区间长度的第一和值和所述初始拆分序列与所述区间长度的差值，在所述第一和值和所述差值组成的区间范围内，提取目标数值作为第一样本拆分点将所述第一拆分点加入样本拆分序列，所述目标数值为所述区间范围内的任意数值；在所述根节点下创建第一左节点和第一右节点，依据所述第一样本拆分点对所述多个目标交易样本进行拆分；检测所述第一左节点中目标交易样本的第一样本数量和所述第一右节点中目标交易样本的第二样本数量，将所述第一样本数量和第二样本数量分别与拆分数量阈值进行比对，生成两个比对结果，基于所述比对结果，确定第二样本拆分点，对所述当前节点中目标交易样本进行拆分，将所述第二样本拆分点加入所述样本拆分序列；当所述样本孤立树的节点高度满足预设高度阈值时，停止拆分过程，完成当前所述孤立树的创建，确定所述样本孤立树的样本拆分序列；重新为所述多个目标交易样本建立样本孤立树，直至所述样本孤立树的数目达到所述第一预设数目，得到多个所述样本拆分序列；对所述多个样本拆分序列中的每个样本拆分序列包含的每个样本拆分点进行编号，在所述多个样本拆分序列中提取目标编号的多个目标样本拆分点，所述目标编号的取值为任意值；对所述多个目标样本拆分点进行整理，得到目标样本拆分序列。
138.在具体应用场景中，该训练模块302，用于若所述比对结果指示所述样本数量满足所述预设拆分条件，则确定所述样本数量对应的第一目标节点，基于所述第一目标节点中目标交易样本的维度数值，确定第二样本拆分点，将所述第二样本拆分点加入所述样本拆分序列，在所述第一目标节点下创建第二左节点和第二右节点，将小于所述第二样本拆分点的目标交易样本放置于所述第二左节点中，将大于等于所述第二拆分点的目标交易样本放置于所述第二右节点中；若所述比对结果指示所述样本数量不满足所述预设拆分条件，则确定所述样本数量对应第二目标的节点，停止对所述第二目标节点中的目标交易样本进行拆分。
139.在具体应用场景中，该训练模块302，用于获取区块链节点公钥；采用公开密码密钥体制rsa加密算法，基于所述区块链节点公钥对所述多个本地训练参数进行加密，得到所
述多个本地训练参数的多个参数密文；将所述多个参数密文上传至所述区块链节点，以使所述区块链节点对所述多个参数密文进行解密得到所述多个本地训练参数并对所述多个本地训练参数进行聚合。
140.在具体应用场景中，该获取模块304，用于获取所述账户的账户信息，在所述账户信息中确定目标信息，所述目标信息为所述账户信息中与交易无关的信息；对所述账户信息进行信息清洗，在所述账户信息中将所述目标信息删除，得到所述待检测交易信息，将所述待检测交易信息输入至所述交易检测模型，为所述待检测交易信息建立第二预设数目的样本孤立树；确定所述第二预设数目的目标孤立树中每个目标孤立树的总路径长度、所述待检测交易信息在所述每个目标孤立树的待检测路径长度，得到多个总路径长度和多个待检测路径长度；计算所述多个待检测路径长度的待检测期望值与所述多个路径总长度的平均值的待检测比值，并对所述待检测比值进行指数运算，得到所述待检测比值的待检测指数值，将所述待检测指数值作为所述待检测交易信息的异常分数；当所述异常分数处于第一分数区间时，设置用于指示重点监测账户的标签；当所述异常分数处于第二分数区间时，设置用于指示正常账户的标签。
141.进一步地，作为图1b所述方法的具体实现，本技术实施例提供了一种基于区块链的交易检测装置，如图3b所示，所述装置应用于联盟区块链的区块链节点包括：调用模块305、聚合模块306、传输模块307、统计模块308。
142.该调用模块305，用于调用智能合约，发布训练参数，以使所述银行系统基于所述训练参数在本地训练交易检测模型；
143.该聚合模块306，用于获取所述银行系统上传的多个本地训练参数，将所述多个本地训练参数进行聚合，采用聚合后的所述多个本地训练参数对所述训练参数进行更新；
144.该传输模块307，用于将所述多个本地训练参数和更新后的所述训练参数上传至所述联盟区块链，调用所述智能合约发布更新后的所述训练参数；
145.该统计模块308，用于统计调用所述智能合约发布训练参数的调用次数，当所述调用次数达到调用次数阈值时，向所述银行系统发送完成训练提醒，以使所述银行系统得到所述交易检测模型，并基于所述交易检测模型得到待检测交易信息的交易检测结果，基于所述交易检测结果，为提供所述待检测交易信息的账户设置账户标签。
146.在具体应用场景中，该聚合模块307，用于接收所述银行系统上传的多个参数密文，获取区块链节点公钥；采用rsa加密算法，基于所述区块链节点公钥，对所述多个参数密文进行解密，得到所述多个本地训练参数；对所述多个本地训练参数进行增量运算，得到所述多个本地训练参数的增量向量；计算所述多个本地训练参数与所述增量向量的第二和值，将所述第二和值设置为所述训练参数，完成对所述训练参数的更新。
147.本技术实施例提供的装置，由区块链节点调用智能合约，发布训练参数，银行系统在接收训练参数后，按照训练参数对多个交易样本进行训练，得到多个本地训练参数，并将多个本地训练参数上传至区块链节点。接下来，区块链节点获取银行系统上传的多个本地训练参数，将多个本地训练参数进行聚合，采用聚合后的多个本地训练参数对训练参数进行更新，将多个本地训练参数和更新后的训练参数上传至联盟区块链，并调用智能合约发布更新后的训练参数。随后，统计调用智能合约发布训练参数的调用次数，当调用次数达到调用次数阈值时，向银行系统发送完成训练提醒。从而使银行系统接收完成训练提醒，得到
交易检测模型。最后，获取待检测交易信息，将待检测交易信息输入至交易检测模型，得到交易检测结果，以使银行系统基于交易检测结果，为提供待检测交易信息的账户设置账户标签。通过区块链节点与银行系统之间的交互，令银行系统可以利用存储在本地的交易信息进行本地模型训练，将训练得出的多个本地训练参数上传至区块链节点，由区块链节点进行聚合以生成新的训练参数发布给银行系统再次进行模型训练，直至训练的次数达到训练阈值，在银行系统本地得到训练后的异常交易检测模型，使银行系统无需上传用户数据信息，保证用户隐私信息的安全性，进而使得交易检测模型能够更加高效、准确的进行交易检测。
148.需要说明的是，本技术实施例提供的一种基于区块链的交易检测装置所涉及各功能单元的其他相应描述，可以参考图1a至图1b和图2a至图2b中的对应描述，在此不再赘述。
149.在示例性实施例中，参见图4，还提供了一种设备，该设备包括总线、处理器、存储器和通信接口，还可以包括输入输出接口和显示设备，其中，各个功能单元之间可以通过总线完成相互间的通信。该存储器存储有计算机程序，处理器，用于执行存储器上所存放的程序，执行上述实施例中的基于区块链的交易检测方法。
150.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于区块链的交易检测方法的步骤。
151.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本技术可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等) 中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施场景所述的方法。
152.本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本技术所必须的。
153.本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
154.上述本技术序号仅仅为了描述，不代表实施场景的优劣。
155.以上公开的仅为本技术的几个具体实施场景，但是，本技术并非局限于此，任何本领域的技术人员能思之的变化都应落入本技术的保护范围。