基于交易不可信度的比特幣非法交易檢測

俞莎莎，牛保寧

（太原理工大學(xué)信息與計算機(jī)學(xué)院，山西晉中 030600）

0 概述

比特幣是一種去中心化、匿名且不可篡改的加密貨幣［1］。與依賴中心化監(jiān)管體系的銀行金融系統(tǒng)不同，加密貨幣基于去中心化的共識機(jī)制［2］，缺乏集中控制。由于比特幣錢包地址是一個包含27～34 個字母數(shù)字的標(biāo)識符，不包含關(guān)于所有者的任何信息，因此很多非法活動選擇以比特幣作為支付手段。

近些年，比特幣非法交易的檢測問題備受關(guān)注［3］。非法交易是指參與詐騙、惡意軟件、恐怖組織、勒索軟件、龐氏騙局、洗錢［4-6］、毒品交易［7］等活動的交易［8］。非法交易檢測方法分為實(shí)體檢測和交易檢測。實(shí)體檢測根據(jù)交易之間的引用關(guān)系，采用聚類算法將交易歸屬于不同實(shí)體（實(shí)體是具有單個或多個地址的個人或組織），再提取實(shí)體特征，并對實(shí)體進(jìn)行分類，通過識別異常實(shí)體來分析鑒別非法交易［9］。交易檢測是利用機(jī)器學(xué)習(xí)分類模型和圖卷積網(wǎng)絡(luò)（Graph Convolutional Network，GCN）分類模型直接檢測非法交易。機(jī)器學(xué)習(xí)分類模型，如邏輯回歸（Logistic Regression，LR）［10］、隨機(jī)森林（Random Forest，RF）［11］、多層感知機(jī)（MultiLayer Perceptron，MLP）［12］等，通常根據(jù)交易本身特征（如交易輸入或輸出的數(shù)量、交易費(fèi)用、交易輸入或輸出的平均交易額）反映交易的非法程度。該分類方法的分類效果有限。圖卷積網(wǎng)絡(luò)分類模型及其變體［13-14］不僅根據(jù)交易本身特征，而且基于交易網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)構(gòu)建交易間的關(guān)聯(lián)關(guān)系，用于訓(xùn)練識別非法交易。因此，與傳統(tǒng)機(jī)器學(xué)習(xí)分類模型相比，卷積網(wǎng)絡(luò)分類模型具有更優(yōu)的檢測效果。

在實(shí)體檢測中，聚類方法本質(zhì)上是把交易包含的非法信息傳遞到實(shí)體上，將非法實(shí)體作為非法交易的代表。然而，比特幣所有者為規(guī)避非法交易檢測，通常會將非法交易和合法交易混合在一起。因此，一個包含成千上萬筆交易的非法實(shí)體可能只含少量非法交易。為減少合法交易對非法實(shí)體特征的影響，通過實(shí)體特征鑒別非法實(shí)體的方法并不準(zhǔn)確。在交易檢測中，不論是機(jī)器學(xué)習(xí)分類器，還是GCN都假設(shè)交易的屬性包含交易是否非法的信息，并嘗試從各種可能的交易屬性中挖掘能夠代表交易非法性的特征。

比特幣交易的非法性取決于交易是否用于違法犯罪活動。兩個具有相似或相同屬性的交易用于違法犯罪活動屬于非法交易，沒有用于違法犯罪活動屬于正常交易。因此，現(xiàn)有的比特幣非法交易檢測方法根據(jù)交易屬性難以準(zhǔn)確地判斷非法交易，但是非法交易之間有關(guān)聯(lián)，即具有可傳遞性。本文設(shè)計基于交易不可信度的比特幣非法交易檢測方法。結(jié)合非法交易之間的傳遞性，提出交易不可信度，度量交易的不可信程度，同時將度量結(jié)果融合到已有的判別模型中。在此基礎(chǔ)上，通過迭代訓(xùn)練集的方式擴(kuò)增非法交易樣本，從而提高模型的判別精確度和召回率。

1 相關(guān)工作

比特幣非法交易檢測本質(zhì)上是交易不可信度的度量和排序問題。因此，分析其度量原理、設(shè)計相對準(zhǔn)確的交易不可信度度量算法是提高檢測精確率和召回率的有效方法。

在實(shí)體檢測中，現(xiàn)有方法通常根據(jù)比特幣中所有者和錢包地址與交易之間的關(guān)聯(lián)關(guān)系，將交易歸屬于不同的地址或所有者［15］。文獻(xiàn)［16-17］提出啟發(fā)式聚類方法將地址鏈接到實(shí)體。文獻(xiàn)［9，18］從海量交易記錄中提取出多個實(shí)體，將其分為賭博、勒索交易等類別，使用有監(jiān)督的機(jī)器學(xué)習(xí)方法對實(shí)體進(jìn)行分類。文獻(xiàn)［19-20］對地址和交易流進(jìn)行統(tǒng)計分析，根據(jù)交易基本信息構(gòu)建地址特征，識別非法比特幣地址。文獻(xiàn)［21］使用貝葉斯方法對用戶的行為特征建模，將交易與錢包地址和IP 對應(yīng)。文獻(xiàn)［22］提出基于特征的網(wǎng)絡(luò)分析架構(gòu)，尋找比特幣中提供混合服務(wù)的地址，從而為比特幣反洗錢提供線索。這些方法將交易非法性轉(zhuǎn)移到地址或所有者，通過識別非法實(shí)體來鑒別非法交易。

在交易檢測中，GCN 基于非歐氏空間特征的預(yù)測性能比機(jī)器學(xué)習(xí)分類器［23］更好。2019 年，Elliptic加密貨幣情報公司公開發(fā)布Elliptic 數(shù)據(jù)集，構(gòu)造的交易特征包括本身特征和聚合特征［4］。聚合特征描述了鄰居交易的信息，相比只用本地特征，其具有更優(yōu)的檢測效果，但是在交易網(wǎng)絡(luò)中，聚合特征無法構(gòu)建更廣泛的交易鏈接關(guān)系。同時，文獻(xiàn)［4］利用加權(quán)交叉熵?fù)p失函數(shù)訓(xùn)練GCN 模型，相比LR、RF、MLP等傳統(tǒng)機(jī)器學(xué)習(xí)模型，具有更高的精確率和召回率。在實(shí)際情況中，根據(jù)比特幣構(gòu)造的交易網(wǎng)絡(luò)會隨著新頂點(diǎn)增加而不斷擴(kuò)展的特點(diǎn)，文獻(xiàn)［4］和文獻(xiàn)［14］提出EvolveGCN，該模型通過循環(huán)神經(jīng)網(wǎng)絡(luò)演化GCN 參數(shù)來捕獲圖序列的動態(tài)性?，F(xiàn)有的交易檢測方法存在以下2 個共同問題：1）相較于機(jī)器學(xué)習(xí)算法，神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型結(jié)合交易網(wǎng)絡(luò)特征，進(jìn)一步加強(qiáng)交易特征之間的關(guān)聯(lián)，但是從特征角度尋找非法交易，而沒有根據(jù)交易的鏈接關(guān)系對其本身的非法性程度進(jìn)行量化分析；2）在Elliptic 數(shù)據(jù)集上標(biāo)注的非法交易僅占2%，影響模型的檢測性能，通過擴(kuò)增非法交易樣本提高訓(xùn)練集中非法交易占比。因此，本文提出度量交易不可信度，設(shè)計算法在最大程度上正確反映交易的非法性程度。由于不可信度特征值是對交易不可信度的直接體現(xiàn)，因此選擇不可信度高的交易作為樣本來擴(kuò)增非法樣本。本文將不可信度作為新的特征，融合到已有判別模型，進(jìn)一步提高分類模型的檢測性能。

2 交易不可信度

2.1 交易不可信度量化

交易的非法性源于其參與非法活動，非法活動一般涉及多個相關(guān)交易。比特幣交易具有多個輸入交易和輸出交易的性質(zhì)，表明交易的非法性是可傳遞的。

2.1.1 交易不可信度傳遞

比特幣交易結(jié)構(gòu)如圖1 所示。每個交易由多項(xiàng)交易輸入（in-link）和交易輸出（out-link）組成，表示一次交易將多個來源的比特幣合并后轉(zhuǎn)給多個賬戶。比特幣交易構(gòu)成的網(wǎng)絡(luò)可以抽象成一個有向圖，圖中節(jié)點(diǎn)表示交易，邊表示從一個交易到另一個交易的比特幣流動。因此，交易不可信度是單向傳遞的。若非法交易A 指向交易B，即交易A 是交易B的輸入，則認(rèn)為交易A 把自身非法性傳遞給B。

圖1 比特幣交易結(jié)構(gòu)Fig.1 Structure of Bitcoin transaction

在交易網(wǎng)絡(luò)中通常存在2 種不可信度傳遞模式，即不可信度分割和聚集。

1）不可信度分割

交易不可信度傳遞模式如圖2 所示。從圖2 可以看出，某組織參與非法活動，執(zhí)行過大宗交易A，與其有關(guān)的贓款必然會以交易的形式輸出，根據(jù)該非法交易及其流向B、C，尋找傳遞后的非法交易是檢測不可信度的有效方法。

圖2 交易不可信度傳遞模式Fig.2 Delivery mode of transaction unreliability

2）不可信度聚集

對于具有多個in-link的交易，其非法性是in-link非法性的聚合。圖2中某用戶接收贓款，發(fā)生交易D、E、F，銷贓時發(fā)生交易G，D、E、F 把不可信度傳遞到G。

在實(shí)際情況中，交易網(wǎng)絡(luò)往往錯綜復(fù)雜，發(fā)生的非法交易通常是上述兩種方式的結(jié)合與變體。另外，在多個不同的非法活動之間也可能產(chǎn)生交易上的關(guān)聯(lián)。以圖2 為例，A 的不可信度會傳遞到C，再經(jīng)由E 傳遞到G，G 會得到來自A、D、E、F 的不可信度。隨著產(chǎn)生的交易越來越多，交易網(wǎng)絡(luò)會越來越龐大。

2.1.2 交易不可信度計算

交易不可信度的計算主要是計算每個交易的不可信度分割和聚集。對于不可信度分割，即非法交易具有多個out-link 的情況，本文認(rèn)為這些out-link具有相同的非法性概率，因此交易的不可信度在out-link 之間平均分配。交易A 的不可信度為rA。若交易A 有n個out-link，則每個link 的權(quán)重為rA/n。圖2 中A 是非法交易，箭頭代表交易之間的比特幣流動在不可信度聚集的情況下，交易自身的不可信度是它所有in-link 的權(quán)重之和。圖2 中D、E、F 代表非法交易，rG=rD+rE+rF。

在比特幣交易網(wǎng)絡(luò)中的交易數(shù)量龐大，計算所有交易的不可信度需要遍歷網(wǎng)絡(luò)，計算量大。為此，本文構(gòu)建計算交易不可信度模型。

G(N,E)是一個比特幣交易網(wǎng)絡(luò)，其中N是節(jié)點(diǎn)集合，代表交易，E是邊集合，代表從一個交易到另一個交易的比特幣流動。本文定義鄰接矩陣Mn×n，行和列都表示按時間順序排列的全部交易，數(shù)量為n。設(shè)交易i的out-link 數(shù)量為di，若i→j，那 么mji=1/di，否則mji=0。γ=[r1,r2,…,rn]T代表交易不可信度向量，其中每個交易的不可信度對應(yīng)一個分量。不可信度流動計算如式（1）所示：

其中：γ(t)和γ(t+1)分別為更新前后的交易不可信度向量；鄰接矩陣Mn×n為交易之間的鏈接關(guān)系；n為總交易數(shù)量。鄰接矩陣Mn×n中每個元素mji的定義如式（2）所示：其中：di為交易i的out-link 數(shù)量。γ(t)向量的初始值來自交易的標(biāo)簽，若交易i非法，則ri=1，若交易j合法，則rj=0。

交易不可信度的計算如圖3 所示。

圖3 交易不可信度的計算Fig.3 Calculation of transaction unreliability

圖3 中存在交易不可信度傳遞過程A →(B,C)→D →E，A 是非法交易，不可信度初始化為1，其他交易初始化為0。每迭代1 次，表示將每個交易的不可信度傳遞給自己的交易輸出。從A 的角度分析，經(jīng)過1、2、3 次迭代后，A 的不可信度分別傳遞給B、C、D 和E。從E 的角度分析，經(jīng)過1、2、3 次迭代后，E 分別得到來自D、B、C 和A 的不可信度，結(jié)果如圖3（c）所示。將迭代結(jié)果累加后得到A、B、C、D、E 的不可信度分別為1、0.5、0.5、1 和1。

比特幣交易網(wǎng)絡(luò)存在很多分散的交易，它們無法得到來自之前交易的不可信度，也不能將自己的不可信度傳遞給之后的交易。這些交易阻斷了不可信度的傳播，導(dǎo)致最終計算得到的很多非法交易不可信度為0，這將影響分類模型對非法交易的判定。本文設(shè)置每個交易把自身不可信度的大部分權(quán)重（占比β）傳遞給自己指向的交易，將少部分權(quán)重（占比1-β）傳遞給所有交易。改進(jìn)的不可信度流動結(jié)果如式（3）所示：

其中：[(1-β)/n]n是所有n項(xiàng)都為(1-β)/n的向量；β為每個交易把自身不可信度傳遞給自己指向交易的比例。不可信度流動公式經(jīng)過改進(jìn)后，交易不可信度結(jié)果如圖3（d）所示。式（3）迭代m次后，不可信度趨于穩(wěn)定，即‖ ‖γ(t+1)-γ(t) ≤ε，實(shí)際是一筆交易的不可信度在經(jīng)過m次傳輸后，可傳遞到它的大部分后代交易。網(wǎng)絡(luò)中每個非法交易把不可信度傳遞到末端交易的次數(shù)不同，本文需要確定合適的次數(shù)，使得大部分非法交易能把不可信度傳遞到末端交易，m是該次數(shù)的近似值。本文對經(jīng)過迭代的交易，通過對上級或上上級交易獲得的不可信度進(jìn)行累加，將其作為最終的不可信度，如式（4）所示：

改進(jìn)的不可信度計算對γ進(jìn)行標(biāo)準(zhǔn)化處理［24］，如式（5）所示：

其中：ri為每個交易的不可信度為n個交易的不可信度均值；s為n個交易不可信度的標(biāo)準(zhǔn)差。適當(dāng)調(diào)整不可信度流動公式中的參數(shù)β，使算法在測試階段的非法交易檢測能力達(dá)到最優(yōu)。

本文對度量算法進(jìn)行以下直觀描述：若交易的不可信度高，則交易的非法性程度較大，交易不可信度是其in-link 不可信度的總和。較高的不可信度既包含交易中許多非法in-link 的情況，也包含交易的in-link 不可信度值很高的情況。令X為所有交易不可信度的初始向量。度量算法主要有4 個步驟：1）令γ(0)=X；2）執(zhí)行直 到||γ(t+1)-γ(t)||≤ε；3）計 算4）標(biāo)準(zhǔn)化處理γ，ri←

步驟2 中||γ(t+1)-γ(t)||是迭代前后兩個不可信度向量的歐氏距離，用于衡量相似度。若歐氏距離小于等于ε，則認(rèn)為兩個向量相似，停止迭代。ri的初始值為1 或0，即非法或合法。若交易i具有多個非法的上一級交易或上上級交易，則在迭代過程中，交易i將從中獲得非法性，因此ri大于1。ri越大，表示從上幾級交易中獲得非法性的概率越大。

2.2 不可信度融入

由于實(shí)驗(yàn)數(shù)據(jù)收集不完整，因此交易網(wǎng)絡(luò)存在交易缺失和一些交易沒有標(biāo)簽的情況，阻礙交易不可信度的傳播。另外，在交易網(wǎng)絡(luò)中存在一些相對獨(dú)立的非法交易，其交易不可信度的獲取和傳遞受到限制，不能反映交易的非法性。這種情況需要根據(jù)交易本身的特征來判斷非法交易。因此，本文提出將不可信度融合到現(xiàn)有的分類模型中，提高模型的準(zhǔn)確度，即把不可信度作為一種新的特征和交易本身特征合并，共同判斷非法交易。

交易不可信度本質(zhì)是對交易是否非法的量化表征，是一個包含信息量的特征。

3 非法交易樣本擴(kuò)增

不可信度是交易不可信的本質(zhì)體現(xiàn)，本文將不可信度高的交易作為樣本來擴(kuò)增非法樣本。實(shí)驗(yàn)發(fā)現(xiàn)，將不可信度作為交易唯一特征，通過LR 檢測未知交易類型，精確率可達(dá)91%以上。本文提出將LR 檢測到的非法交易放入訓(xùn)練集中，重新計算交易不可信度，以新的不可信度作為唯一特征，再次把檢測到的非法交易放回訓(xùn)練集，如此循環(huán)，直到無法檢測出新的非法交易。非法交易樣本擴(kuò)增過程如圖4 所示。

圖4 非法交易樣本擴(kuò)增流程Fig.4 Expanding procedure of illicit transaction samples

4 實(shí)驗(yàn)結(jié)果與分析

本文通過實(shí)驗(yàn)驗(yàn)證交易不可信度特征與交易原有特征合并后，以及擴(kuò)增非法交易樣本在提高精確率和召回率方面的有效性。

4.1 評價指標(biāo)

本文將精確率、召回率、F1 值作為客觀評價指標(biāo)，以評價檢測能力。精確率、召回率分別如式（6）和式（7）所示：

其中：TTP表示把非法交易判定為非法交易的數(shù)量；FFP表示把合法交易判定為非法交易的數(shù)量；FFN表示把非法交易判定為合法交易的數(shù)。P值越高，表示檢測精確率越高。R值越高，表示樣本中非法交易被正確預(yù)測的比例越高。精確率和召回率會相互影響，精確率提高，召回率則會降低。為綜合衡量兩者的關(guān)系，F(xiàn)1 值定義如下：

F1 對P和R進(jìn)行加權(quán)，F(xiàn)1 值越高，方法的檢測性能越好。

4.2 實(shí)驗(yàn)對比方法

本文使用邏輯回歸（LR）［10］、隨機(jī)森林（RF）［11］、多層感知機(jī)（MLP）［12］這3 種基準(zhǔn)機(jī)器學(xué)習(xí)方法［4］和圖卷積網(wǎng)絡(luò)（GCN）［13］檢測非法交易。融入交易不可信度和擴(kuò)增訓(xùn)練集對提高現(xiàn)有模型的檢測性能具有重要意義。LR 根據(jù)現(xiàn)有數(shù)據(jù)確定分類邊界線，再擬定回歸函數(shù)式并進(jìn)行分類。RF 是一種集成學(xué)習(xí)算法，由多棵決策樹組成。MLP 中的每個輸入神經(jīng)元接收一個數(shù)據(jù)特征，每個隱藏層的輸出通過softmax進(jìn)行變換，最后得到每個類別的概率向量。GCN 則充分利用了圖的結(jié)構(gòu)信息。

4.3 實(shí)驗(yàn)環(huán)境與設(shè)計

實(shí)驗(yàn)環(huán)境：Java，MapReduce，Python3.8，PyTorch，處理器為Inter?CoreTMi7-8750H CPU@2.20 GHz，內(nèi)存為16 GB。

Elliptic 數(shù)據(jù)集（www.elliptic.co）是當(dāng)前世界上最大（665 MB）、含標(biāo)簽、公開可用的比特幣交易數(shù)據(jù)集［4］。由于該數(shù)據(jù)集所含交易數(shù)據(jù)量大且特征完善，因此本文在Elliptic 數(shù)據(jù)集上進(jìn)行分析和實(shí)驗(yàn)。在數(shù)據(jù)集中非法交易、合法交易、未標(biāo)記交易占比分別為2%（4 545 個）、21%（42 019 個）和77%。每個交易有94 個本地特征（記為LF），表示交易本身的特征；有72 個聚合特征（記為AF），表示鄰居交易特征。交易數(shù)據(jù)時間跨度約為2 周，分為49 個時間段，記為T1～T49，在同一個時間段內(nèi)交易互相關(guān)聯(lián)且具有時序性，在不同時間段之間的交易無關(guān)聯(lián)。不同時間段所含交易總量和非法交易數(shù)量均不同。

本文選擇非法交易數(shù)量達(dá)到200 以上的T20，T29 和T32，將交易不可信度作為唯一特征，利用LR模型檢測非法交易。訓(xùn)練集與測試集的比例為8∶2。

本文選取非法交易數(shù)量達(dá)到300 以上的T29，將不可信度融入到LR、RF、MLP 和GCN 分類模型檢測非法交易。訓(xùn)練集與測試集的比例為8∶2，即在一定時間序列上，前80%交易作為訓(xùn)練集，后20%交易作為測試集。在訓(xùn)練集中非法交易初始化為1，訓(xùn)練集中其他交易和測試集中所有交易初始化為0。本文通過計算交易不可信度并擴(kuò)增非法交易樣本，將最新的不可信度（記為R）和Elliptic 數(shù)據(jù)集中原有特征合并，驗(yàn)證本文方法的有效性。實(shí)驗(yàn)采用兩種合并方式，先把R 和LF 合并，再把R和LF、AF合并，最后分別使用LR、RF、MLP、GCN分類模型檢測非法交易。

4.4 結(jié)果分析

當(dāng)不可信度流動式（3）中的β取值0.60～0.85 時，實(shí)驗(yàn)分類結(jié)果較優(yōu)且基本穩(wěn)定。本文實(shí)驗(yàn)的β設(shè)為均值0.7。LR 使用sklearn Python 包默認(rèn)參數(shù)。RF 使用sklearn Python包，設(shè)置n_estimators=50，max_features=50。MLP 使用PyTorch 框架，neurons=50，epoch 為10，采用Adam 優(yōu)化，學(xué)習(xí)率為0.001。GCN 使用torch_geometric 框架，epoch 為1 000。

4.4.1 非法交易預(yù)測

本文將交易不可信度作為唯一特征，在數(shù)據(jù)集T20、T29 和T32 上，利用LR 分類模型檢測非法交易類型的精確率、召回率，如表1 所示。

表1 在不同數(shù)據(jù)集上LR 模型的非法交易檢測結(jié)果Table 1 Illicit transaction detection results of LR model on different datasets %

LR 分類模型的精確率可達(dá)91%～100%，但召回率較低。在交易網(wǎng)絡(luò)中因交易缺失阻斷不可信度的傳遞，導(dǎo)致很多非法交易無法找到他們引用的交易，難以得到準(zhǔn)確的不可信度，因此召回率較低。此外，交易網(wǎng)絡(luò)存在一些散發(fā)的非法交易，僅利用不可信度檢測很難發(fā)現(xiàn)該交易。對于這些交易只能利用交易特征判別其交易類型。為利用LR 檢測精確率高的優(yōu)點(diǎn)，避免召回率低的缺點(diǎn)，本文提出融合不可信度R 和交易特征來檢測非法交易。

4.4.2 交易不可信度與擴(kuò)增訓(xùn)練集融合結(jié)果

本文在數(shù)據(jù)集上加入不可信度R 和擴(kuò)增訓(xùn)練集，與僅用本地特征LF 和聚合特征AF 檢測進(jìn)行對比。

在Elliptic 數(shù)據(jù)集中未知交易占比達(dá)77%，實(shí)驗(yàn)中測試集的未知類型交易會被預(yù)測為合法交易或非法交易。本文將未知類型的交易剔除后進(jìn)行結(jié)果評估。LR、RF、MLP 和GCN 分類模型加入不可信度R 后和擴(kuò)增訓(xùn)練集的非法交易檢測結(jié)果分別如表2～表5 所示。

表2 LR 模型非法交易檢測結(jié)果Table 2 Illicit transaction detection results of LR model %

表3 RF 模型的非法交易檢測結(jié)果Table 3 Illicit transaction detection results of RF model %

表4 MLP 模型的非法交易檢測結(jié)果Table 4 Illicit transaction detection results of MLP model %

表5 GCN 模型的非法交易檢測結(jié)果Table 5 Illicit transaction detection results of GCN model %

從表中可以看出，加入不可信度R 后，LR、RF、MLP 和GCN 分類模型的F1 值均有所提高，說明不可信度R 能夠有效提高模型的檢測能力，其原因?yàn)樵诜欠ń灰字g有關(guān)聯(lián)關(guān)系，非法性具有可傳遞性，交易不可信度能直接反映交易的非法性，相比僅用交易一般特征判斷更準(zhǔn)確。交易不可信度和交易一般特征共同作用得到更好的分類效果。在本地特征LF 和聚合特征AF 中加入不可信度R 后，LR、RF、MLP、GCN 這4 種模型的精確率分別平均提高11.19%、0.64%、12.45%、0.29%，召回率分別平均提高4.54%、0.65%、24.03%、4.55%。GCN 的精確率雖然僅略微提高，但F1 值提高3.75%。GCN 基于鄰居交易特征利用交易網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)對鄰居交易信息進(jìn)行刻畫，而本文提出的不可信度是根據(jù)交易網(wǎng)絡(luò)對不可信度直接刻畫。因此，融合不可信度后，模型召回率明顯提高。從表3 可以看出，RF 模型使用本地特征LF 和聚合特征AF 檢測時，精確率、召回率已達(dá)到93%～97%，加入不可信度R 后，精確率、召回率只有略微提高。因此，R 對檢測非法交易的有效性與選擇模型有關(guān)。

模型對交易進(jìn)行分類后，得到交易的合法和非法概率，記為P（交易y合法）和P（交易y非法），兩者和為1。加入交易不可信度后，以邏輯回歸為例，67.5%的非法交易獲得更高的P（交易y非法），58.4%的合法交易獲得更高的P（交易y 合法）。預(yù)測概率的變化直接導(dǎo)致上述分類精確率和召回率的提高，驗(yàn)證了不可信度對非法交易檢測的有效性。

從表2、表4、表5 可以看出，本文通過LR 檢測得到的非法交易對訓(xùn)練集進(jìn)行迭代。在擴(kuò)增訓(xùn)練集后，LR、MLP 和GCN 模型的F1 值均提高。LR、GCN的精確率平均提高0.6%、0.985%，召回率平均提高1.95%、2.6%。MLP 的精確率略微降低，召回率提高1.95%。由于擴(kuò)增數(shù)據(jù)集時會加入一些有假陽性的交易，因此分類結(jié)果精確率略微降低，對RF 模型的影響較為明顯，精確率平均降低了3.1%。召回率和F1 值提高，說明擴(kuò)增訓(xùn)練集能夠有效提高LR、MLP和GCN 模型的檢測能力。

5 結(jié)束語

本文設(shè)計基于交易不可信度的比特幣非法交易檢測方法。定義交易不可信度，通過量化交易不可信度并構(gòu)建不可信度計算模型，同時把交易不可信度融合到已有的判別模型中，提高模型的檢測能力。針對非法交易樣本不足的問題，本文在量化交易不可信度的基礎(chǔ)上，通過迭代訓(xùn)練集的方式擴(kuò)增非法交易樣本。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效提高非法交易的精確率和召回率。后續(xù)將針對實(shí)時交易的非法檢測問題進(jìn)行研究，進(jìn)一步優(yōu)化本文方法的實(shí)時性。