(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111680757.6 (22)申请日 2021.12.3 0 (71)申请人 江苏通付盾科技有限公司 地址 215000 江苏省苏州市中国(江苏)自 由贸易试验区苏州片区苏州工业园区 东长路88号苏州2.5产业园C2栋4F (72)发明人 汪德嘉　史曙光　杨博雅　 (74)专利代理 机构 北京融智邦 达知识产权代理 事务所(普通 合伙) 11885 代理人 吴强 (51)Int.Cl. G06Q 20/38(2012.01) G06F 21/60(2013.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于深度学习的区块链加密货币地址 身份识别方法 (57)摘要 本发明公开了一种基于深度学习的区块链 加密货币地址身份识别方法， 该方法包括以下步 骤： S1、 获取一定时间范围内加密货币初始数据， 构建图网络结构； S2、 利用社区发现算法对所述 图网络结构进行子图划分； S3、 构建子图中节点 的特征； S4、 对构建特征数据进行数据预处理； S5、 采用半监督学习方法完成模型的构建与训 练， 输出标签； S6、 识别输出结果并进行反馈。 通 过采用人工智能的手段， 把无监督和半监督学习 的理念融合到区块链加密货币地址种类识别中， 通过无监督学习把加密货币地址图网络结构划 分成单独的子图网络结构， 大大减少了后续模型 的算法复杂度， 提高了识别准确度， 实现区块链 上加密货币地址 类别的标注。 权利要求书2页 说明书6页 附图2页 CN 114386966 A 2022.04.22 CN 114386966 A 1.一种基于深度学习的区块链加密货币地址身份识别方法， 其特征在于， 该方法包括 以下步骤： S1、 获取一定时间范围内加密货币初始数据， 构建图网络结构； S2、 利用社区发现算法对所述图网络结构进行子图划分； S3、 构建子图中节点的特 征； S4、 对构建特 征数据进行 数据预处 理； S5、 采用半监 督学习方法完成模型的构建与训练， 输出 标签； S6、 识别输出 结果并进行反馈 。 2.根据权利要求1所述的一种基于深度学习的区块链加密货币地址身份识别方法， 其 特征在于， 所述初始数据为 一定时间范围内所有的加密货币地址之间的交易 转账信息 。 3.根据权利要求2所述的一种基于深度学习的区块链加密货币地址身份识别方法， 其 特征在于， 所述图网络结构包括节点与边； 其中， 节点表示当前方案中加密货币地址， 边表示两个加密货币地址有交易转账信息 所形成的连线。 4.根据权利要求3所述的一种基于深度学习的区块链加密货币地址身份识别方法， 其 特征在于， 所述利社区发现算法对所述图网络结构进行子图划分包括以下步骤： S21、 初始化相关参数， 超参数随机 跳转概率， 将每个节点作为 一个社团； S22、 使用随机游走对图网络结构中的节点进行采样， 得到一个序列， 计算平均编码长 度， 取平均编 码长度下降幅度最大的社团作为当前社团， 若平均编码长度没有 下降， 则当前 社团不变； S23、 重复步骤S2 2直到社团不再发生变化； S24、 每个社团作为子图网络结构。 5.根据权利要求4所述的一种基于深度学习的区块链加密货币地址身份识别方法， 其 特征在于， 所述构建子图中节点的特 征包括主观构建与客观构建； 其中， 所述主观构建的方法为采用专家经验的方式， 从加密货币地址的业务角度 出发， 结合加密货币地址的局部特征和聚合特征两部 分进行构建； 所述客观构建的方法为采用机 器学习的方式进行 特征衍生。 6.根据权利要求5所述的一种基于深度学习的区块链加密货币地址身份识别方法， 其 特征在于， 所述对构建特征数据进行数据预处理包括缺失值处理、 异常值处理及数据归一 化处理； 所述缺失值处 理的方法包括 零值填充、 均值 填充及最大最小填充； 所述异常值处 理的方法包括3倍方差法则与箱线图分析； 所述数据归一 化处理包括最大/最小归一 化、 零‑均值归一 化。 7.根据权利要求6所述的一种基于深度学习的区块链加密货币地址身份识别方法， 其 特征在于， 所述模型的构建与训练， 输出 标签包括以下步骤： S51、 对子图中出现在标签库中的加密货币地址进行 标记； S52、 将图网络结构和节点的特征输入到图卷积神经网络模型中， 并训练模型， 所述图 卷积神经网络模型的公式如下：权　利　要　求　书 1/2 页 2 CN 114386966 A 2其中， A′表示子图的邻接矩阵加上 单位矩阵； D表示A′的度矩阵， Hl表示第l层的激活单 元矩阵， H0＝X； Wl表示每一层的参数矩阵； σ 表示非线性激活函数。 8.根据权利要求7所述的一种基于深度学习的区块链加密货币地址身份识别方法， 其 特征在于， 所述图卷积神经网络模型的构建方法包括以下步骤： S521、 计算子图的度矩阵D， 求出子图的邻接矩阵加上 单位矩阵A ′； S522、 初始输入激活单元矩阵H0为加密货币地址的特征矩阵， 构建卷积层数量和大小， 设置激活函数； S523、 输入子图数据， 针对部分有标签的数据计算损失函数； S524、 保存训练网络架构和参数， 输出 无标签数据预测结果。 9.根据权利要求8所述的一种基于深度学习的区块链加密货币地址身份识别方法， 其 特征在于， 所述识别输出结果并进行反馈的方法为判断子图损失函数计算偏差， 若偏差过 大则修改划分子图方式， 进一 步的划分子图， 计算公式如下： 其中， X为节点特 征矩阵； 表示对邻接矩阵标准 化后的矩阵； Z表示经过两个网络层处 理后的向量； Wl表示每一层的参数矩阵； A′表示子图的邻接矩阵加上 单位矩阵； D是A′的度矩阵。 10.根据权利要求9所述的一种基于深度学习的区块链加密货币地址身份识别方法， 其 特征在于， 所述子图损失函数的计算公式如下： 其中， 损失函数采用交叉熵函数， y表示具有标签节点的集 合； k表示有标签的节点； F表示有几种标签预测分类； ykf表示节点 k的标签类型； Zkf表示节点 k预测为标签 类型是f的概率。权　利　要　求　书 2/2 页 3 CN 114386966 A 3