基于区块链的洗钱交易行为识别方法

1.本发明涉及区块链的应用技术领域，尤其涉及一种基于区块链的洗钱交易行为识别方法。


背景技术：

2.由于去中心化和匿名化机制，用户参与交易主要是通过基于公钥生成的地址来完成，交易不需要提供任何身份信息，这种交易方式不仅给加密货币带来大量投资者，也吸引了许多非法活动，如诈骗、洗钱、勒索、违禁品交易等，其中诈骗和洗钱是比特币非法交易中最突出的两种形式。
3.当前对洗钱交易行为的识别，大多都是基于地址的方式，通过建立以地址为节点的交易网络，研究地址的交易特征，建立关于地址的识别模型进行反洗钱识别。但在真实交易中，一个用户拥有多个地址，在一笔关于洗钱的交易中，用户也可能使用多个地址完成相应操作。因此仅基于地址的识别模型无法真实全面的反映用户行为特征，在分析用户特征时也会损失部分信息。如果能识别出用户控制的多个地址，建立基于用户的交易图进行识别，便能进一步揭示洗钱交易的行为特征，并更加准确的识别洗钱交易行为。
4.在数字货币交易中，实体定义为控制着一个或多个地址的个人或组织，实体识别就是为了识别交易网络中哪些地址是由同一个人控制的。当前关于实体识别的方法主要有多输入启发式和找零地址启发式方法，多输入启发式是当前最为认可和使用最多的方法，该方法假设一个交易只能由一个用户发起，无论包括多少个输入，因此，一个交易的输入地址应该都属于同一个实体。找零地址启发式是基于比特币中“找零”的原则，认为交易输出中通常有一个地址用于返还发送者未花费完的比特币，因此该地址与对应交易的输入地址都属于同一个实体。问题在于如何准确识别找零地址，因为无论采用何种方法都会导致假阳性和假阴性两种错误，即识别结果可能错误地将收款人地址识别为找零地址，以及错误地将找零地址识别为收款人地址。即现有技术中具体存在以下问题：实体识别中找零地址难以识别；基于地址的交易图无法真实全面反映用户行为特征；基于地址的用户特征分析会损失部分信息。
5.本发明的技术优点如下：
6.本发明通过解析链上交易记录，基于链上交易记录将重新定义的找零地址加入实体识别，可以显著降低假阳性。其次，建立基于用户的交易网络一方面可以缩小交易图的规模、简化问题，另一方也可以更加真实全面地反映用户的交易行为，可以充分提取用户特征，提高洗钱交易行为识别的精准性和有效性。


技术实现要素：

7.本发明的技术问题是提供一种基于区块链的洗钱交易行为识别方法，能够提高实体识别中找零地址判别的准确率，提高用户交易行为特征的全面性。
8.为实现上述目的，本发明采取的技术方案为：
9.基于区块链的洗钱交易行为识别方法，包括以下步骤：s1获取并解析链上目标交易记录，得到交易数据集；其中，交易数据集包括目标交易的付款信息和收款信息；s2识别并标记交易数据集中的实体；s3基于实体识别结果，建立各实体对应的用户交易图，提取用户交易图中的交易特征，识别洗钱交易行为，并输出。
10.进一步地，付款信息包括：付款地址、付款金额和付款时间；收款信息包括：收款地址、收款金额和收款时间。
11.进一步地，s2包括：s21识别交易数据集中为找零地址的收款地址；若识别出找零地址，执行s22；否则，执行s23；s22将找零地址与对应的输出地址标记为同一个实体；s23将未识别为找零地址的收款地址单独标记为一个实体。
12.进一步地，s21包括：s211判断收款地址的发送交易记录和接收交易记录是否均小于或等于1次，若是，执行s212；若否，执行s23；s212判断收款地址是否有发送交易记录，若是，执行s213，若否，执行s23；s213判断收款地址发送交易记录中发送交易的时间是否晚于收款地址接收交易的时间，且发送交易的金额小于接收交易的金额，若是，执行s214；若否，执行s23；s214判断收款地址作为输入时其交易输入与作为输出时其交易输入是否有交集，若是，执行s215；若否，执行s23；s215判断收款地址对应的交易输出是否只有一个收款地址同时满足s211至s214，若是，执行s216；若否，执行s23；s216判断收款地址对应的交易是否是比特币的生成，若否，执行s217；若是，执行s23；s217判断收款地址对应的交易输出是否大于1，若是，识别收款地址为找零地址，执行s22；若否，执行s23。
附图说明
13.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明及其特征、外形和优点将会变得更加明显。在全部附图中相同的标记指示相同的部分。并未刻意按照比例绘制附图，重点在于示出本发明的主旨。
14.图1是本发明提供的基于区块链的洗钱交易行为识别方法的流程图。
具体实施方式
15.下面结合附图和具体的实施例对本发明作进一步的说明，但是不作为本发明的限定。
16.本发明首先从比特币交易系统中获取公开交易记录，并解析为基于地址的交易数据集作为测试数据，同时从外部收集已认定为洗钱行为的有标签数据集作为训练数据；然后基于实体识别技术将地址标记为对应用户，构建用户数据集并建立用户交易图，运用网络特征分析法从交易图中分析提取用户交易特征，最后建立洗钱交易行为识别模型，评估模型有效性并优化模型参数，最后在测试集上进行预测。
17.预测识别的方法如图1所示，包括以下步骤：s1获取并解析链上目标交易记录，得到交易数据集；其中，交易数据集包括目标交易的付款信息和收款信息；s2识别并标记交易数据集中的实体；s3基于实体识别结果，获得用户数据集，建立各实体对应的用户交易图，提取用户交易图中的交易特征，识别洗钱交易行为，并输出。付款信息包括：付款地址、付款金额和付款时间；收款信息包括：收款地址、收款金额和收款时间。s2包括：s21识别交易数据集中为找零地址的收款地址；若识别出找零地址，执行s22；否则，执行s23；s22将找零地
址与对应的输出地址标记为同一个实体；s23将未识别为找零地址的收款地址单独标记为一个实体。s21包括：s211判断收款地址的发送交易记录和接收交易记录是否均小于或等于1次，若是，执行s212；若否，执行s23；s212判断收款地址是否有发送交易记录，若是，执行s213，若否，执行s23；s213判断收款地址发送交易记录中发送交易的时间是否晚于收款地址接收交易的时间，且发送交易的金额小于接收交易的金额，若是，执行s214；若否，执行s23；s214判断收款地址作为输入时其交易输入与作为输出时其交易输入是否有交集，若是，执行s215；若否，执行s23；s215判断收款地址对应的交易输出是否只有一个收款地址同时满足s211至s214，若是，执行s216；若否，执行s23；s216判断收款地址对应的交易是否是比特币的生成，若否，执行s217；若是，执行s23；s217判断收款地址对应的交易输出是否大于1，若是，识别收款地址为找零地址，执行s22；若否，执行s23。
18.因为错误地将不同实体合并会掩盖用户的真实交易行为，而将同一个实体拆分为几个不同实体进行单独分析，并不会造成严重的信息失真(因为每一实体的交易行为都是真实的)，因此通过将重新定义的找零地址加入实体识别，可以显著降低假阳性。其次，建立基于用户的交易网络一方面可以缩小交易图的规模、简化问题，另一方也可以更加真实全面地反映用户的交易行为，可以充分提取用户特征，对于洗钱交易行为的识别也将会更加精准有效。
19.以上对本发明的较佳实施例进行了描述；需要理解的是，本发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；任何熟悉本领域的技术人员，在不脱离本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例，这并不影响本发明的实质内容；因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。