基于图神经网络的账户余额模型区块链地址分类方法
TP301; 为了监管账户余额模型公链上的交易,有必要对该类区块链上的交易进行地址分类研究.基于此,提出了一种基于图神经网络的账户余额模型区块链地址分类方法(简称 AJKGS-ABCM)以实现区块链地址的分类,为区块链交易追踪提供有效的支持.该方法将区块链交易数据建模为图结构,以地址为节点,交易为边,提出AJK-GraphSAGE 算法学习图的嵌入表示,模型的输入只需要节点及其采样的邻居节点集合.同时,模型引入注意力机制及跳跃知识结合策略,自适应地为不同层的表示分配权重,并在不同层间共享信息,提高了训练速度和泛化能力.最后进行了实验对比,结果表明该模型在准确度、召回率和F1分数上性能优于其他方...
Gespeichert in:
| Veröffentlicht in: | 通信学报 2023-09, Vol.44 (9), p.115-126 |
|---|---|
| Hauptverfasser: | , , |
| Format: | Artikel |
| Sprache: | chi |
| Online-Zugang: | Volltext |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| container_end_page | 126 |
|---|---|
| container_issue | 9 |
| container_start_page | 115 |
| container_title | 通信学报 |
| container_volume | 44 |
| creator | 李致远 徐丙磊 周颖仪 |
| description | TP301; 为了监管账户余额模型公链上的交易,有必要对该类区块链上的交易进行地址分类研究.基于此,提出了一种基于图神经网络的账户余额模型区块链地址分类方法(简称 AJKGS-ABCM)以实现区块链地址的分类,为区块链交易追踪提供有效的支持.该方法将区块链交易数据建模为图结构,以地址为节点,交易为边,提出AJK-GraphSAGE 算法学习图的嵌入表示,模型的输入只需要节点及其采样的邻居节点集合.同时,模型引入注意力机制及跳跃知识结合策略,自适应地为不同层的表示分配权重,并在不同层间共享信息,提高了训练速度和泛化能力.最后进行了实验对比,结果表明该模型在准确度、召回率和F1分数上性能优于其他方法. |
| doi_str_mv | 10.11959/j.issn.1000-436x.2023173 |
| format | Article |
| fullrecord | <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_txxb202309011</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>txxb202309011</wanfj_id><sourcerecordid>txxb202309011</sourcerecordid><originalsourceid>FETCH-LOGICAL-s631-b35963a2c7d27fa8c9f53a87df964674e45d01626f00abdd89ea71fcbd7a12f13</originalsourceid><addsrcrecordid>eNo1jz9Lw0Achm9QsNR-CAfHxPvlkrvcKKX-gYJLB7dyyfWkRSJ4ihkdRAqKIlJFbSoKiqOiICa0n6aX2G-hok4vPMPz8CI0B9gG4B5f6NhtrSMbMMaWS2hsO9ghwMgUKv2z9RlU0bodYA8Io5hACdXMbTpOT8zNqHgYFNlpMTwrsn5xffD59ph338fDq8l9kj_dmcGROU5Ncjk5H5n-s0n2TfeweMnyi4_8tTeLppXY1K3K35ZRY6nWqK5Y9bXl1epi3dKUgBUQj1MinJBJhynhh1x5RPhMKk5dytyW60kM1KEKYxFI6fOWYKDCQDIBjgJSRvO_2j0RKRFtNDtbu9vRd7C5E8fBz1_MMQD5As1OZ-s</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于图神经网络的账户余额模型区块链地址分类方法</title><source>DOAJ Directory of Open Access Journals</source><creator>李致远 ; 徐丙磊 ; 周颖仪</creator><creatorcontrib>李致远 ; 徐丙磊 ; 周颖仪</creatorcontrib><description>TP301; 为了监管账户余额模型公链上的交易,有必要对该类区块链上的交易进行地址分类研究.基于此,提出了一种基于图神经网络的账户余额模型区块链地址分类方法(简称 AJKGS-ABCM)以实现区块链地址的分类,为区块链交易追踪提供有效的支持.该方法将区块链交易数据建模为图结构,以地址为节点,交易为边,提出AJK-GraphSAGE 算法学习图的嵌入表示,模型的输入只需要节点及其采样的邻居节点集合.同时,模型引入注意力机制及跳跃知识结合策略,自适应地为不同层的表示分配权重,并在不同层间共享信息,提高了训练速度和泛化能力.最后进行了实验对比,结果表明该模型在准确度、召回率和F1分数上性能优于其他方法.</description><identifier>ISSN: 1000-436X</identifier><identifier>DOI: 10.11959/j.issn.1000-436x.2023173</identifier><language>chi</language><publisher>江苏省工业网络安全技术重点实验室,江苏 镇江 212013</publisher><ispartof>通信学报, 2023-09, Vol.44 (9), p.115-126</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/txxb/txxb.jpg</thumbnail><link.rule.ids>314,780,784,864,27924,27925</link.rule.ids></links><search><creatorcontrib>李致远</creatorcontrib><creatorcontrib>徐丙磊</creatorcontrib><creatorcontrib>周颖仪</creatorcontrib><title>基于图神经网络的账户余额模型区块链地址分类方法</title><title>通信学报</title><description>TP301; 为了监管账户余额模型公链上的交易,有必要对该类区块链上的交易进行地址分类研究.基于此,提出了一种基于图神经网络的账户余额模型区块链地址分类方法(简称 AJKGS-ABCM)以实现区块链地址的分类,为区块链交易追踪提供有效的支持.该方法将区块链交易数据建模为图结构,以地址为节点,交易为边,提出AJK-GraphSAGE 算法学习图的嵌入表示,模型的输入只需要节点及其采样的邻居节点集合.同时,模型引入注意力机制及跳跃知识结合策略,自适应地为不同层的表示分配权重,并在不同层间共享信息,提高了训练速度和泛化能力.最后进行了实验对比,结果表明该模型在准确度、召回率和F1分数上性能优于其他方法.</description><issn>1000-436X</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2023</creationdate><recordtype>article</recordtype><recordid>eNo1jz9Lw0Achm9QsNR-CAfHxPvlkrvcKKX-gYJLB7dyyfWkRSJ4ihkdRAqKIlJFbSoKiqOiICa0n6aX2G-hok4vPMPz8CI0B9gG4B5f6NhtrSMbMMaWS2hsO9ghwMgUKv2z9RlU0bodYA8Io5hACdXMbTpOT8zNqHgYFNlpMTwrsn5xffD59ph338fDq8l9kj_dmcGROU5Ncjk5H5n-s0n2TfeweMnyi4_8tTeLppXY1K3K35ZRY6nWqK5Y9bXl1epi3dKUgBUQj1MinJBJhynhh1x5RPhMKk5dytyW60kM1KEKYxFI6fOWYKDCQDIBjgJSRvO_2j0RKRFtNDtbu9vRd7C5E8fBz1_MMQD5As1OZ-s</recordid><startdate>20230925</startdate><enddate>20230925</enddate><creator>李致远</creator><creator>徐丙磊</creator><creator>周颖仪</creator><general>江苏省工业网络安全技术重点实验室,江苏 镇江 212013</general><general>江苏大学计算机科学与通信工程学院,江苏 镇江 212013</general><general>江苏省泛在数据智能感知与分析应用工程研究中心,江苏 镇江 212013%江苏大学计算机科学与通信工程学院,江苏 镇江 212013</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>20230925</creationdate><title>基于图神经网络的账户余额模型区块链地址分类方法</title><author>李致远 ; 徐丙磊 ; 周颖仪</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-s631-b35963a2c7d27fa8c9f53a87df964674e45d01626f00abdd89ea71fcbd7a12f13</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2023</creationdate><toplevel>online_resources</toplevel><creatorcontrib>李致远</creatorcontrib><creatorcontrib>徐丙磊</creatorcontrib><creatorcontrib>周颖仪</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>通信学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>李致远</au><au>徐丙磊</au><au>周颖仪</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于图神经网络的账户余额模型区块链地址分类方法</atitle><jtitle>通信学报</jtitle><date>2023-09-25</date><risdate>2023</risdate><volume>44</volume><issue>9</issue><spage>115</spage><epage>126</epage><pages>115-126</pages><issn>1000-436X</issn><abstract>TP301; 为了监管账户余额模型公链上的交易,有必要对该类区块链上的交易进行地址分类研究.基于此,提出了一种基于图神经网络的账户余额模型区块链地址分类方法(简称 AJKGS-ABCM)以实现区块链地址的分类,为区块链交易追踪提供有效的支持.该方法将区块链交易数据建模为图结构,以地址为节点,交易为边,提出AJK-GraphSAGE 算法学习图的嵌入表示,模型的输入只需要节点及其采样的邻居节点集合.同时,模型引入注意力机制及跳跃知识结合策略,自适应地为不同层的表示分配权重,并在不同层间共享信息,提高了训练速度和泛化能力.最后进行了实验对比,结果表明该模型在准确度、召回率和F1分数上性能优于其他方法.</abstract><pub>江苏省工业网络安全技术重点实验室,江苏 镇江 212013</pub><doi>10.11959/j.issn.1000-436x.2023173</doi><tpages>12</tpages></addata></record> |
| fulltext | fulltext |
| identifier | ISSN: 1000-436X |
| ispartof | 通信学报, 2023-09, Vol.44 (9), p.115-126 |
| issn | 1000-436X |
| language | chi |
| recordid | cdi_wanfang_journals_txxb202309011 |
| source | DOAJ Directory of Open Access Journals |
| title | 基于图神经网络的账户余额模型区块链地址分类方法 |
| url | https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-22T06%3A16%3A48IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E5%9B%BE%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E8%B4%A6%E6%88%B7%E4%BD%99%E9%A2%9D%E6%A8%A1%E5%9E%8B%E5%8C%BA%E5%9D%97%E9%93%BE%E5%9C%B0%E5%9D%80%E5%88%86%E7%B1%BB%E6%96%B9%E6%B3%95&rft.jtitle=%E9%80%9A%E4%BF%A1%E5%AD%A6%E6%8A%A5&rft.au=%E6%9D%8E%E8%87%B4%E8%BF%9C&rft.date=2023-09-25&rft.volume=44&rft.issue=9&rft.spage=115&rft.epage=126&rft.pages=115-126&rft.issn=1000-436X&rft_id=info:doi/10.11959/j.issn.1000-436x.2023173&rft_dat=%3Cwanfang_jour%3Etxxb202309011%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=txxb202309011&rfr_iscdi=true |