(19)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 202210587455.2 (22)申请日 2022.05.27 (71)申请人 江苏大学 地址 212013 江苏省镇江市京口区学府路 301号 (72)发明人 李致远　何恩寒　徐丙磊　毕俊蕾　 吴越　 (74)专利代理 机构 南京智造力知识产权代理有 限公司 32382 专利代理师 王军丽 (51)Int.Cl. G06F 16/36(2019.01) G06Q 20/38(2012.01) G06Q 20/40(2012.01) G06N 20/00(2019.01) (54)发明名称 一种基于知识图谱的区块链匿名追踪方法 及电子设备 (57)摘要 本发明公开了一种基于知识图谱的区块链 匿名追踪方法及电子设备， 首先根据已知可疑地 址账户按照交易价值进行筛选， 得到交易发生时 间及相应地址账户范围， 并根据交易的流向及价 值对区块链进行切片分析； 然后通过对切片分析 后得到的图谱进行依存句法树分析提取出图谱 中隐含的逻辑规则， 其次使用GraphSAGE算法学 习得到各个节点在低维空间的向量表示 以供逻 辑推理分析任务使用。 紧接着由关系评估函数对 节点的向量表示进行评估从而推理得到节点间 潜在的逻辑 关系并采用K ‑shell算法评估节点在 区块链网络中的重要程度， 最后使用可视化工具 将节点的重要程度或影响力表示出来 以观察节 点间的关系及影 响范围， 推测出地址账户间的隐 藏关系， 从而发现实体间的关系。 权利要求书4页 说明书8页 附图4页 CN 115269858 A 2022.11.01 CN 115269858 A 1.一种基于知识图谱的区块链匿名追踪方法， 其特 征在于， 包括如下： S1、 对区块链切片文件进行解析， 得到相应的交易信息， 如金额， 地址账户， 时间戳； S2、 根据可疑事件发生的时间及金额， 对可疑事件的发生时间及涉及的金额大小对应 的区块链切片文件进行筛选得到相应的地址账户范围， 将 可疑地址或账户记为A＝{a1,…, an}， 其中ai表示第i个地址或账户； 地址或账户的交易价值记为m＝{M1,…,Mn}， Mi表示在切 片起止条件间αi交易的价值 大小； 将地址账户间隐藏的规则定义为Rx， 依存句法树规则库中 的规则集合定义为R＝{R1,…,Rn}， 通过将规则Rx与规则库中的规则进 行匹配的得到对应的 逻辑关系； S3、 根据上述步骤S2得到的逻辑关系及地址账户采用Graph  SAGE算法进行嵌入式学 习； S4、 对步骤S1解析得到的区块链数据进行启发式实体识别， 得到每个账户地址对应的 区块链实体， 按序号依次进行 标识； S5、 使用机器学习 对节点间的关系进行训练从而对可疑地址分析推理得到实体间潜在 的关系； S6、 利用KSN 算法以更加全面的网络 拓扑特征来评估节点重要程度。 2.根据权利要求1所述的一种基于知识图谱的区块链匿名追踪方法， 其特征在于， 所述 S1中， 区块链解析包括如下： S1.1通过区块链的钱 包下载交易数据； S1.2对区块数据进行结构化解析区块数据信 息， 将解析到的比特币数据的关键字段进 行提取并存 储到Key‑Value数据库中。 3.根据权利要求1所述的一种基于知识图谱的区块链匿名追踪方法， 其特征在于， 所述 S3中， Graph  SAGE算法进行嵌入式学习包括如下： S3.1从解析好的区块链数据库中读取相应数据， 如时间戳、 地址或账户关系； S3.2将读取出的数据转化为低维向量， 其中每个地址的向量维度相同， 对相应的地址 或账户进行初始化， 使之变为固定维度的低维向量； S3.3将区块链网络中的地址账户按照逻辑关系表示成邻接矩阵A， 其中每个地址账户 对应唯一 id， 每个id都对应着该地址账户的初始特 征表示向量； S3.4将S3.3产生的表示地址账户逻辑关系的邻接矩阵A以及各个地址账户的初始向量 化表示(也称节 点特征)作为Graph  SAGE算法的输入， 这里将 每个地址账户视为图结构中的 一个节点， 通过Graph  SAGE算法的不断迭代执 行最终生成了每 个节点的向量表示。 4.根据权利要求3所述的一种基于知识图谱的区块链匿名追踪方法， 其特征在于， 所述 S3.4中， Graph  SAGE算法的执 行包括： 步骤3.4.1首先对每个节点统一采样一个固定大小的邻域集， 在每个迭代k处抽取不同 的均匀样本； 步骤3.4.2其次每个节点 在其直接邻域 中聚合节点的表示转化为 一个向量 时的向量表示被定义 为输入节点特 征， 表示为： 其中 表示聚合领域的特征表示， u表示节点v的邻居， N(v)表示由邻居组成的节点权　利　要　求　书 1/4 页 2 CN 115269858 A 2邻域， 表示当前邻居节点特征， 经过聚合函数后生成邻域的当前特征表示 步骤 3.4.3在聚合完相邻的特征向量后， Graph  SAGE将节点的当前表示 与聚合邻域向量 相连接， 这个连接向量通过非线性激活函数σ 的全连接层馈送， 转化为下一步骤使用的参 数， 表示为 表示为： 其中 表示在下一步迭代中的输入特征表示， Wk表示第k层的权重矩阵， σ 表示激活函数 一般为Sigmo id； 步骤3.4.4在Graph  SAGE经过k次迭代后， 对特征表示进行归一化 最终 生成每个节点的特 征表示 5.根据权利要求1所述的一种基于知识图谱的区块链匿名追踪方法， 其特征在于， 所述 S4中， 对区块链实体的识别过程包括如下： 步骤4.1对所有区块链地址账户按照交易类型进行启发式实体识别， 具体如下： 步骤4.1.1将所有交易 集合定义为T， T＝{t1,t2,t3,…,tm}， m表示交易总数； 步骤4.1.2对于每一笔交易将其定义为一个五元组t＝(I,O,VI,VO,F)， I表示输入地址 账户集合， I＝{i1,i2,i3,…,in}， n为输入地址账户数量； O＝{o1,o2,o3,…,ok}， 其中O表示输 出地址账户集合,， k为输出地址账户数量； VI表示所有的地址账户输入价值总和， VO表示所 有的地址账户输出价 值总和， F表示交易费用， 其中VI， VO， F集合的计算如公式3， 4， 5所示： 其中 表示单个输入地址账户is的输入价 值， 表示单个输入地址账户os的输出价 值； 步骤4.2按照区块链 的不同交易类型对实体进行识别， 从而将不同的地址账户聚类到 不同的实体。 6.根据权利要求1所述的一种基于知识图谱的区块链匿名追踪方法， 其特征在于， 所述 S5中， 对节点向量表示关系的评估 包括如下步骤： S5.1每个节点与其特征一一对应表示， 从网络中抽取相应的关系及实体， 并存留30％ 的测试集； S5.2使用DisMult作为打 分函数， 函数的定义如下 所示： 其中es和eo是使用Graph  SAGE学习到的节点特 征表示， Rr是关系r对应的对角矩阵； S5.3使用负采样训练机器学习模型， 对每个正样本采样ω个负样本， 即将s或o替换为 其他实体， 通过优化交叉熵损失函数使模型给正样本的打分高于负样本， 具体定义如下所 示：权　利　要　求　书 2/4 页 3 CN 115269858 A 3