高判別精度的區塊鏈交易合法性檢測方法

蔡元海，宋甫元，黎 凱，陳彥宇，付章杰

1.南京信息工程大學數字取證教育部工程研究中心，南京 210044

2.西安電子科技大學綜合業務網理論及關鍵技術國家重點實驗室，西安 710071

隨著區塊鏈技術的快速發展，以比特幣為代表的加密數字貨幣受到了廣泛的關注。在擁有龐大活躍用戶數量與超萬億美元總市值的繁榮景象之下，大量不法活動也涌現出來，如恐怖主義資助、洗錢、詐騙等。不法分子很容易利用加密貨幣的用戶匿名性、交易去中心化等不穩定的特性，進行金融犯罪活動。然而在區塊鏈新環境下的監管制度還處于初步階段，傳統的中心化監管方式不再起效，而鏈上非法活動數量卻在與日俱增。因此，如何有效利用區塊鏈上交易數據公開透明的有利條件，進行鏈上交易的合法性檢測對于加密數字貨幣的監管具有重大意義。

目前，根據分類方式的不同，交易合法性檢測方法大致可以分為如下四類：基于可視化分析的方法[1-3]、基于聚類[4-6]的方法、基于傳統機器學習的方法[7-8]以及基于神經網絡的深度學習方法[8-11]。

（1）基于可視化分析的方法。McGinn等人[1]構建了一個自上而下的比特幣交易活動可視化系統，能夠輔助分析人員直觀地發現特定的交易模式。Bistarelli等人[2]設計了一種可視化分析工具BlockchainVis，支持對無用信息的過濾，并可視化分析比特幣中的特定特征。然而該類方法只能輔助人工分析，并不能滿足在交易密度極大的比特幣等公鏈上的實時性分析需求。

（2）基于聚類的方法。Conti等人[4]從比特幣支付角度研究勒索軟件這類特定類型的非法活動，并結合多輸入交易信息與找零地址信息，提出了兩種基于啟發式規則的聚類方法。Pham等人[5]使用傳統無監督聚類方法，如K均值聚類、無監督支持向量機等對在無標簽的情況下，檢測鏈上的異常交易行為。該類方法對于樣本標簽的需求不高，但普遍導致了檢測結果的高假陽性率與低檢出率，不具備可靠性。

（3）基于傳統機器學習的方法。Harlev 等人[7]使用經典機器學習算法如隨機森林、梯度提升決策樹來進行比特幣網絡的去匿名化與分類任務。Weber等人[8]在Elliptic數據集上驗證了邏輯回歸、隨機森林與多層感知機三類經典算法的性能，并從實驗結果發現隨機森林在交易分類任務上有著良好的表現。

（4）基于神經網絡的深度學習方法。朱會娟等人[9]設計了一種挖掘特征隱含關系的多特征融合交易檢測模型BATDet，有效融合了高層抽象特征與原始特征，具備良好的檢測精度。然而該算法整體設計僅關注交易本征信息，未能將交易連接的拓撲結構融入判斷，因此損失了大量有效信息。此外，圖神經網絡作為分析交易圖數據的一種最具潛力的方案，也吸引學者進行了相關研究。如Chai等人[10]提出了一種多頻圖神經網絡AMNet，它能夠高效的捕獲低頻與高頻信號并進行自適應的組合，因此取得了較好的異常檢測性能。然而由于圖網絡的聚合機制帶來的過平滑問題限制了網絡的深度，使得網絡提取到的信息較為淺層，所以這類算法的檢測精度仍存在不足。

本文針對上述檢測方法存在的檢測精度不足以及未充分利用交易本身與拓撲結構兩方面信息的問題，提出基于可信生成特征的深度森林TForest，引入基于Transformer 的圖神經網絡并結合深度殘差網絡在雙階段集成策略下進行高效融合，得出多角度分析結果，主要貢獻如下：

（1）設計基于基尼指數的特征重排序方法，在此基礎上構建基于可變滑動窗口的可信特征生成階段，解決了深度森林多粒度掃描中存在的特征采樣不均衡與子樣本混淆的問題。在大幅減少生成特征維度的同時有效提升了深度森林的檢測性能。

（2）引入基于Transformer 的圖神經網絡，以更高效的多頭自注意力機制，將鏈上交易前后鏈接的拓撲結構信息融入判斷。并且添加緩解特征過平滑問題的跳躍連接，避免了圖中同一連通分量內的節點隱層表征過于相似進而導致難以區分的弊端。

（3）提出一種雙階段集成策略，以可信深度森林為主導，逐層優化，有效融合不同基類模型得出的交易本征信息與拓撲連接信息兩方面判斷的結果，提升了整體多角度分析模型T2Rnet的綜合性能，取得了可靠的交易合法性檢測結果。

1 相關工作

1.1 深度森林

深層神經網絡近年來在各項任務下都表現出優秀的性能。然而深度網絡還存在著一些缺陷，例如需使用大量標簽數據進行訓練、模型內部組合結構需精心設計等。為了避免上述問題，Zhou等人[12]探索了基于不可微模塊構建深度模型的可能性，提出了深度森林（multi-grained cascade forest，gcForest），整體包含多粒度掃描與級聯森林兩部分，其中多粒度掃描對原始輸入進行轉換生成，級聯森林在轉換特征之上進行判斷，結構如圖1所示。

圖1 深度森林結構圖Fig.1 Deep forest architecture diagram

級聯結構讓模型具備了逐層處理與模型內特征轉換的特性，從而可以通過森林進行表示學習。級聯森林內每層包含多組隨機森林與極端隨機樹，對輸入進行判別并生成類向量作為增強特征，再結合原始輸入一起輸入到下一層當中，當下一層性能不再提升時便停止級聯森林的生長。多粒度掃描結構以多樣性的方式在原始輸入特征的基礎上構造出轉換特征向量，提升了整體模型的表示學習能力。具體而言，對輸入采用滑動窗口依次提取出大量與窗口大小相同的子樣本，將所有子樣本標簽設置為輸入樣本標簽，再送入隨機森林與極端隨機數這兩種生成模型中進行訓練并構造出轉換類向量。所有子樣本生成出的轉換類向量最終拼接起來形成整體轉換向量，作為后續級聯森林的輸入。

然而由于多粒度掃描過程中使用固定的滑動窗口與滑動步長，使得生成的特征維度相比原始輸入大幅提升。此外，由于滑動的局限性，原始輸入的兩端特征只能被少量子樣本覆蓋，而中部特征則至多可以被采樣到與滑動窗口大小相同的次數，這種不均衡的特征采樣操作將導致模型忽略位于樣本兩端的部分重要特征從而影響模型精度。同時提取出的維度一致的子樣本之間也存在著非一致性，而在多粒度掃描中并未采取增加區分度的操作即給所有子樣本打上了與源樣本相同的標簽，給生成特征帶來了混淆干擾，在本身具有一定不可區分度的任務下將會導致整體檢測性能的降低。為解決上述問題，本文設計基于特征重排序與可變滑動窗口的可信特征生成方法，以均衡可區分的方式提取子樣本并進一步構造出維度大幅降低的可信特征，以此得到更好的檢測精度。

1.2 圖卷積網絡

圖神經網絡對于處理如社交網絡、交易網絡、引用關系網絡等圖類型數據有著強大的能力。Welling等人[13]從空間角度定義節點的權重矩陣，利用卷積核的參數化方法設計出圖卷積模型（graph convolutional network，GCN），解決了譜空間圖卷積方法的時空復雜度較高的問題。

然而每個節點無偏聚合周邊節點特征的方式導致了在同一連通分量中的節點表征類似，進而產生了過平滑的問題。本文針對此問題，利用多頭自注意力機制[14-15]有選擇的聚合節點周邊的有效信息，同時添加跳躍連接來關注原始信息，減少過平滑問題帶來的精度降低。

1.3 殘差網絡

神經網絡利用卷積操作在不斷加深的網絡層中逐步提取到更抽象的高層特征，因此為了更好的模型表征能力，往往會選擇層數更深的網絡；然而隨著深度增加，由多層反向傳播帶來的梯度消失會導致網絡難以訓練進而影響模型精度。為了解決該問題，He等人[16]提出了殘差結構，在每個殘差模塊的輸入與輸出之間增加一條殘差路徑，解決了深度網絡性能退化的問題。本文將深度殘差網絡作為基判別器之一，利用其深度結構充分挖掘交易本身信息。

2 融合可信深度森林的雙階段集成交易合法性檢測方法

2.1 交易合法性檢測整體框架

本文提出了基于可信深度森林與雙階段集成策略的多角度交易合法性檢測模型，整體結構如圖2 所示，由基類模型判別模塊、雙階段集成模塊兩部分組成。交易數據輸入至三種基類判別模型中得到對應的類概率分布輸出，再將類概率分布輸入至雙階段集成模塊中進行融合得出最終預測結果。在基類模型判別模塊中，用于交易本征信息分析的兩種基模型分別為基于構造可信生成特征的可信深度森林與深度殘差網絡，用于拓撲結構分析的基模型為基于Transformer 的圖神經網絡；在雙階段集成模塊中，設計一種雙階段策略，結合不同基模型對于正負樣本的識別能力，融合多角度分析結果，保證最終預測結果的準確性。

圖2 整體結構圖Fig.2 Overall framework

2.2 基于特征重排序與可變滑動窗口的可信深度森林

本文針對深度森林中多粒度掃描模塊存在的特征采樣不均衡、子樣本混淆以及生成特征維度過度增長的問題，設計基于特征重排序與可變滑動窗口的可信生成特征構造方法，結構如圖3所示。

圖3 可信特征生成模塊Fig.3 Trustworthy feature generation module

特征重排序作為提取可區分子樣本與構造可信生成特征的前序步驟，將區分度較高的特征放置于整體樣本數據的首部，相對不易區分的特征則被移至樣本尾部。其中每個特征的區分度采用基尼指數Gini_index來確定，計算公式如下：

其中，D指整體數據集，pk指k類別的出現概率，a代表樣本中的某一特征，Dv指根據特征a劃分后的子數據集，a的基尼指數越小代表Dv內部確定性越高，即特征a對樣本的區分度越高。

得到依據區分度高低重新排序的特征樣本后，本文設計基于可變滑動窗口與可變滑動步長的子樣本提取過程。為了保證每個子樣本具有一定的可信度，本文根據區分度相對較低的特征結合使用的原則，讓窗口每進行一次滑動過后都依據膨脹系數進行尺寸擴張，滑動窗口尺寸的計算公式為：

其中，wi指滑動窗口的大小，W指窗口初始大小，E指膨脹系數，Fin指原始特征維度；Fi指滑動至第i步時已提取到的特征總維數，計算公式如式（4）；當剩余特征數量不足以完成下一步滑動操作時將上一窗口尺寸擴大至可容納所有剩余特征的大小?？勺兊幕瑒哟翱谂浜咸卣鞯膬炔坑行蛐?，合理地提取出大小不一但均具可區分性的子樣本，有效解決了子樣本混淆影響模型訓練與生成不可信雜質特征的問題。

為了避免產生原始多粒度掃描中的采樣不均衡的缺陷，本文將滑動步長與窗口尺寸進行動態綁定，進而提取出互相之間無交叉的子樣本，公平地遍歷樣本中的所有特征，滑動步長計算公式為：

其中，si指第i步時對應的滑動步長，wi指第i步對應的滑動窗口大小。隨著窗口擴張而逐步增大的滑動步長設計大幅減少了生成特征的維度，原始多粒度掃描的生成特征維度Fm與可信生成特征維度Fg分別為：

其中，c為總類別數。兩種生成特征的維度都依賴于子樣本的總數，亦即窗口的總滑動次數，本文與窗口大小動態綁定的滑動步長大幅減少了所需的滑動次數繼而減小了生成特征的維度。

對于生成模型，本文采用XGBoost[17]取代多粒度掃描中的隨機森林與極端森林作為生成器，增加了生成過程的多樣性。前序步驟提取出的具有區分度的子樣本輸入到生成模型之后即可得到對應的可信生成特征。為了避免出現過擬合的現象，本文將用于訓練生成模型的數據單獨劃分出來。此外，為了減少冗余度并進一步減少生成維度，本文設計維度裁剪方法，具體而言，取生成模型得出的所有互補二維向量中的第一維構成可信生成特征。最后為保留原始特征中的細節，避免丟失整體有效信息，將可信生成特征與原始輸入向量進行拼接得到整體轉換向量。將其輸入到級聯森林中即可得到最后的預測向量?？傮w稱為可信深度森林（trustworthy deep forest，TForest），整體轉換流程如下：

其中，xin指輸入樣本，xi指提取到的子樣本，xg指整體可信生成特征，y指輸出的類概率分布，xgb(·) 指XGBoost生成模型轉換，concat(·) 指拼接操作，caforest(·)指級聯森林判別。

2.3 基于Transformer的圖神經網絡

為將交易前后連接的拓撲結構信息融入判斷，本文引入基于Transformer 的圖神經網絡（transformer graph neural network，TGNN）[15]。TGNN 基于多頭自注意力機制，具備高效的從周邊節點聚合信息的能力，能夠關注到節點連接關系內重要的交易，同時在數據標注不全時也可以充分利用到交易圖中的無標簽樣本。此外，為了緩解特征過平滑的問題，本文在每層卷積激活操作前后添加跳躍連接，整體結構如圖4所示。

圖4 基于Transformer的圖神經網絡Fig.4 Graph neural network based on Transformer

其中，||指對不同注意力頭的拼接操作。為了避免特征過平滑的問題，本文在每層圖卷積前后添加跳躍連接，計算公式為：

其中，ELU(·) 指elu 激活操作，Ws與bs指跳躍連接對應的權重矩陣與偏置。

2.4 基于殘差結構的深層網絡

為進一步對交易本征信息進行分析，同時也為雙階段集成提供必要的一類基模型，本文進一步利用深度模型的優勢，彌補TGNN層數較少導致的深層抽象信息提取能力方面的不足，構建了一個18 層結構的深層殘差網路，結構如圖5所示。

圖5 深度殘差網絡Fig.5 Deep residual network

每個基本殘差單元的計算公式為：

其中，ReLU(·) 指relu 激活操作，fin指輸入維度，fout指輸出維度。

2.5 雙階段集成策略

為融合基類判別模塊中得出的交易本征信息判斷與交易前后連接的拓撲結構判斷，并進一步提升交易合法性的檢測精度，本文設計了一種雙階段的集成策略，充分考慮了各模型對于正負樣本的不同區分性能，以可信深度森林TForest為主導，采用優勢互補原則，層層優化，得出綜合性能最佳的整體集成模型T2Rnet。雙階段集成效果示意如圖6所示。

圖6 雙階段集成效果示意圖Fig.6 Effect diagram of two-stage ensemble

其中第一層的三類基類判別器分別為從交易本征信息角度進行分析的TForest、ResNet 與從交易連接拓撲結構角度進行分析的TGNN，輸出表示為：

其中，x表示輸入樣本，yi,j表示第i層第j個基判別器得出的預測二維結果向量。

第二層首先延用基類判別器中性能最強的Tforest。其次利用對負樣本具有良好識別能力的TForest 與ResNet 進行“OR”集成，即當兩者中有一方認為某交易為合法則輸出合法的預測標簽，該集成將大幅減少假陽率。最后采用帶調和系數的軟投票方法，得出Prob_ESM 判別器，以合理的調和系數β的設置從而更多地關注對正樣本的識別。第二層各判別器的計算公式為：

其中，k指交易類別，0代表合法交易，1代表非法交易，指對應判別器對第k個類別的預測概率，指取二維向量中較大者對應的標簽，指連乘函數，指累加函數，β指調和系數，本文設置為0.75。此階段結束得到各判別器的預測標簽。

第三層采用相對多數投票法對第二層的子判別器預測結果進行再一次的融合，進而得到最終的雙階段集成模型T2Rnet，計算公式為：

其中，δ(·) 代表指示函數，當預測標簽y2,i與類別標簽k相等時函數值為1，否則為0。該階段取第二層輸出預測結果的多數類別為預測標簽，進一步融合優化了整體模型性能。

3 實驗與結果分析

3.1 數據集

本文在Elliptic 數據集上對所提方法進行實驗。該數據集由真實比特幣交易網絡中提取出的交易子圖構成，是當下最大的真實區塊鏈交易合法性分類數據集。

數據集中每個樣本對應一筆交易，包含166 維特征，其中前94 維為交易本地信息，包括時間步、交易費用等；其余72維為交易前后一跳路徑的聚合信息，包括交易費用的最大值、標準差等。整體數據集按照時間順序共劃分為49 個交易時間步，各時間步間的交易無交集；總計包含203 769筆交易以及234 355條代表交易流向的連接邊，其中42 019筆為合法交易，4 545筆為非法交易，其余交易未標記。本文采用該數據集上常用的留出法對所設計的模型進行評估，以交易先后時間步7∶3的比例劃分數據集，即1～34 個時間步內的交易數據用于訓練整體模型，35～49個時間步內的交易數據用于測試評估模型的性能。

此外，為了降低可信生成特征帶來的過擬合風險，本文在訓練可信森林的過程中以隨機降采樣的方式將訓練集的10%，即1 500 對正負樣本提取出來作為生成專用數據集，不再用于級聯森林的訓練。

3.2 實驗設置

在可信深度森林中，本文將初始窗口大小設置為2，膨脹系數設置為2，生成模型內部子樹數量設置為10。

在深度學習模型訓練中，ResNet的初始學習率設置為1×10-4，權重衰減設置為5×10-4，訓練輪數設置為100，批次大小設置為256，采用交叉熵損失函數進行訓練，使用Adam 隨機梯度下降算法進行參數的迭代優化；TGNN的初始學習率設置為5×10-4，權重衰減設置為5×10-4，訓練輪數設置為1 000，逐時間步整圖訓練，采用加權交叉熵損失函數進行訓練，正負樣本權重比例6∶4，同樣使用Adam 隨機梯度下降算法進行參數的迭代優化。

在雙階段集成模塊中，以提升模型對正樣本的識別能力為目的，將超參數β設置為0.75。

本文實驗平臺為：Win10 系統、i7-10875H 處理器、NVⅠDⅠA Quadro T2000顯卡。

3.3 交易合法性檢測性能測試與對比分析

3.3.1 模型有效性

為了驗證本文設計方法的有效性，將本文方法與基準圖卷積網絡GCN[13]、基于多特征融合的高性能深度網絡BATDet[9]與當下合法性檢測領域最先進的圖網絡AMNet[10]的方法進行對比。采用精確度、召回率、F1-score以及準確率作為衡量指標。在Elliptic數據集上的實驗結果如表1 所示。實驗表明，本文設計方案在四項指標上均優于其他方法，相比于GCN在綜合衡量指標F1-score 上提升了31.6%，整體準確率超過了98%，說明本文方法T2Rnet 對于合法樣本與非法樣本都有著良好的識別能力，具備高可靠性，能夠有效用于區塊鏈上的交易合法性檢測任務。

表1 交易合法性檢測結果對比Table 1 Comparison of transaction legitimacy discrimination results

3.3.2 可信深度森林相關對比

為了驗證本文設計的可信深度森林的有效性，將TForest與經典機器學習模型：支持向量機（SVM）、邏輯回歸（LR）、K-最近鄰（KNN）、多層感知機（MLP）、Adaboost、GBDT、XGBoost以及深度森林方法進行對比，結果如表2所示。實驗結果表明，本文設計的可信深度森林優于其他經典機器學習方法，并且相比于原始深度森林在精確度即對負樣本的識別方面獲得顯著提升。此外，在本實驗中以提升原始深度森林的檢測準確率為目的，采用大小分別為20、50、100的三個滑動窗口進行多粒度掃描，最終得到的轉換向量維度為1 324；而本文設計的可信生成模塊在采用初始窗口大小為2、膨脹系數為2的設置之下得到的整體轉換向量維度僅172維。實驗結果表明，TForest 在大幅減少訓練成本的同時有效地提升了整體合法性檢測性能。

表2 TForest與機器學習模型對比Table 2 Comparison of TForest and machine learning models

為了更直觀地顯示本文對于深度森林中多粒度掃描的改進效果，使用t-SNE（t-distributed stochastic neighbor embedding）[18]進行二維映射，可視化了原始輸入特征、多粒度掃描生成特征與本文構造的可信生成特征，如圖7所示。

圖7 生成特征對比圖Fig.7 Comparison of generated feature

圖中綠色圓點表示合法交易，紅色圓點表示非法交易。圖7（a）、（b）、（c）依次為原始特征、多粒度掃描特征與可信特征。由圖7可得，原始輸入中合法交易與非法交易的混雜情況較為明顯，難以有效區分；多粒度掃描生成特征相比于原始特征有了一定的類間間距，但仍有少部分合法樣本參雜在非法樣本群落之中；而本文設計的可信生成特征不僅具有一定的類間間距，而且有更小的類內間距，分簇明顯，不存在合法樣本混雜在非法群落當中的情況，有更加良好的區分度，證明了本文提出的可信特征構造方法的有效性。

3.3.3 圖網絡方法對比

圖網絡方法的對比如表3。實驗表明，本文設計的基于多頭自注意力機制的TGNN 全面優于圖注意力網絡GAT[19]，在綜合指標F1-score上最佳。此外，跳躍連接的添加也提升了召回率，這對于雙階段集成而言具有更好的效果。

表3 圖網絡方法對比Table 3 Comparison of graph network methods

3.3.4 雙階段集成的內部對比

為了驗證本文設計的雙階段集成策略的有效性，將集成內部各階段的子模型進行對比，結果如表4。實驗結果表明，對負樣本進行專門識別的OR集成模型具備最高的精確度；而調和系數β設置為0.75下的軟投票集成模型Prob_ESM具備最好的召回率。此外，結果顯示，將雙階段集成策略中第二層的軟投票子模型替換成硬投票之后，得到的最終集成模型Vote_ESM 的綜合性能低于T2Rnet。

表4 雙階段集成內部對比Table 4 Ⅰnternal comparison of two-stage ensemble

3.4 消融實驗與分析

為驗證本文方法的有效性，并對本文方法中的可信深度森林內部的特征重排序、可變滑動窗口、維度裁剪、數據集不交叉等部分，以及雙階段集成模塊的調和比例超參β的效果有進一步了解，本文進行五類消融實驗。

3.4.1 特征重排序的效果

如表5 所示，在LGBoost[20]與XGBoost 兩種不同生成模型的設置之下，采用特征重排序的檢測結果始終優于不采用特征重排的結果。該實驗表明，將特征按區分度重新排序后結合使用的操作有效減少了提取子樣本的混淆性，增強了生成特征的質量，提升了合法性檢測的精度。

表5 特征重排序的消融實驗Table 5 Ablation experiments for feature reordering

3.4.2 可變滑動窗口的影響

如表6所示，該實驗測試的生成模型為：LGBoost與XGBoost，初始窗口大小分別為2、3、4、5，膨脹系數分別為2、3，共計八組不同設置下的檢測結果?？梢钥吹讲煌瑒釉O置間的性能差異并不明顯，表明本文設計的可信深度森林對滑動窗口初始大小與膨脹系數的參數設置具有一定魯棒性。

表6 不同滑動設置的效果Table 6 Effect of different slide settings

3.4.3 維度裁剪的效果

如表7 所示，在隨機森林（RF）、極端隨機樹（EX）、LGBoost與XGBoost四種不同生成模型的設置之下，采用維度裁剪的檢測精度均有了一定程度的提升。該實驗表明，維度裁剪對于降低生成特征的冗余度與避免后續級聯森林的過擬合起到有效的作用。

表7 維度裁剪的消融實驗Table 7 Ablation experiments for dimension crop

3.4.4 數據集不交叉的影響

如表8 所示，該實驗分別從訓練集中抽取出1 500、2 000、2 500、3 000個樣本作為生成模型專用數據集，由結果可知將用于訓練生成模型的數據與用于訓練級聯森林的數據區分開來可以有效提升可信深度森林的整體性能。這是因為訓練生成模塊的樣本再投入生成模塊進行特征生成時會得到與數據標簽高度一致的生成特征，繼而使得級聯森林過度依賴該部分特征，導致產生過擬合的現象。因此只需單獨劃分出少量數據用以生成模塊的訓練即可解決該問題。

表8 數據集不交叉的影響Table 8 Effect of no-crossover dataset division

3.4.5 雙階段集成超參數β 的影響

如表9所示，雙階段第二層最后一個子模型使用帶調和系數β的軟投票方法的最終集成結果始終優于使用相對多數硬投票的結果，并且當設置β為0.75時性能最佳。因為該設置更多關注對正樣本的識別，當與關注負樣本的OR_ESM以及能力均衡的TForest一起結合使用時，將得出更優秀的集成結果。

表9 不同β 對檢測精度的影響Table 9 Effect of different β on detection accuracy

4 結束語

本文提出了一個融合可信深度森林與雙階段集成策略的多角度高性能的區塊鏈交易合法性檢測方法。結合特征重排序與可變滑動窗口實現可信特征的構造，解決了多粒度掃描中存在的采樣不均衡、樣本易混淆與維度爆發式增長的問題，獲得了更高的交易檢測精度；同時引入具備交易連接關系分析能力的TGNN 與深度挖掘交易本征信息的ResNet，并基于上述三類子模型對于正負樣本的識別能力差異，設計逐層優化的雙階段集成策略，取得更優的綜合檢測性能。實驗結果表明，本文方法在精確度、召回率、F1-score以及準確率等各項指標上均都優于當下先進方法，具備可靠的鏈上交易合法性檢測能力。后續研究將重點考慮提高動蕩交易環境下的模型魯棒性，并進一步加強模型對于非法交易的檢測能力。