图神经网络在区块链交易数据分析研究中的应用

大数据文摘授权转载自数据派THU

作者：王佳鑫

编辑：于腾凯

校对：林亦霖

加密数字货币是数字货币的一种，它不依靠法定货币机构发行，不受央行管控。借助于区块链等新兴技术，加密数字货币主要表现出去中心化、低交易费用和成本、国际流通、共识机制、高度匿名性和分布式存储等特征和优势，而这会更易成为犯罪分子进行违法活动的工具，从而对全球的加密数字货币交易监管提出了严峻的挑战。加密数字货币监管技术侧重监管和制止以加密数字货币方式的高科技犯罪活动，是保护资金安全和国家安全的重要手段，也是区块链技术能够得到广泛应用的前提条件[1]。

比特币、以太坊等现有的加密数字货币由于无法提供可行的监管方法，被广泛应用于网络犯罪、洗钱、勒索、盗窃、诈骗和恐怖主义[2]等犯罪活动，导致很多政府对整个加密数字货币技术持消极的态度，甚至遏制了区块链技术在其他应用的发展。因此，如何从海量的区块链交易数据中提取有用的信息，成为了当前的研究热点，不仅有助于打击基于加密数字货币的犯罪活动，而且有助于为区块链技术在其他领域的扩展提供可行的监管方案[3]。

由于区块链技术的去中心化和不可篡改特点，加密数字货币的所有交易记录都是不可逆的，其交易记录和所有权记录都以图形结构的方式被安全地存储和验证在区块中。这些交易记录包含了丰富和完整的信息，其中每一个区块链地址可以被视为一个节点，而每一次的交易则可以被视为一个边。因此，区块链交易数据实质上是一种图结构数据，通过将加密货币系统中的对象（如地址、交易、智能合约等）概念化为节点，并将它们的交互建模为连接，图建模可用于从不同角度构建交互活动的表示。这样可以自动分析图特征，揭示异常交易图结构，方便识别异常交易行为的节点。图深度学习为加密货币交易中的大规模异构数据建模提供了一个视角。

图神经网络（Graph Neural Network, GNN）是一种专门用于处理图形数据的深度学习算法，具有强大的图表示学习能力。它可以直接在图上进行学习和预测，从而有效地捕捉图中节点之间的复杂关系。图神经网络在许多领域已经展示出了其强大的性能，例如社交网络分析、生物信息学、物联网、推荐系统等。图神经网络以其独特的优势，为区块链交易数据分析提供了新的视角和工具。通过图神经网络，我们可以更好地理解和分析区块链交易数据中的复杂模式，例如交易追溯、账户分类、异常检测等。

1．数据来源与获取

区块链交易数据面向公众，在这一部分我们阐述如何收集区块链相关数据，包括地址交易记录和加密数字货币生态标签数据。

1.1地址和交易数据

通过安装一个客户端（如比特币的BitcoinCore和以太坊的Geth）访问网络和同步块数据，我们可以从区块链获取原始数据。然而，对于许多加密数字货币来说，它们的原始区块链数据是以二进制格式存储的，需要解析为可读的格式以便进一步分析。因此，我们可以利用解析工具（如比特币的Bitcoin-ETL和以太坊的Ethereum-ETL）获得的原始数据中提取交易记录。

1、https://bitcoin.org/en/bitcoin-core/

2、https://geth.ethereum.org/

3、https://github.com/blockchain-etl/bitcoin-etl

4、https://github.com/blockchain-etl/ethereum-etl

1.2标签数据

标签信息对于一些特殊的交易网络挖掘训练任务如异常检测和交易模式分析是非常必要的。然而，区块链系统的用户以匿名方式进行交易，这使得获取身份或标签信息变得困难。这里我们总结了一些为加密货币生态系统提供标签信息的著名网站，其详细信息如下表所示。

2．图建模

数据采集完成后，在进行交易网络分析之前，我们需要做的第一步是将交易数据表示成网络结构的数据形式，即网络建模。

对于采用以交易为中心模型的的区块链系统（如比特币，见图1），由于交易的输入是来自以前的交易，因此交易网络（Transaction-Transaction Graph）的构建是最直接的，其中交易作为节点，有向边（包括金额和时间戳信息）表示资金流动。考虑到一个用户可能拥有多个匿名地址，因此部分研究将地址聚类为实体（即实体识别，将拥有相同所有权的地址聚类在一起），构建以用户为节点、用户之间的资金流动为边的用户网络（User-User Graph）。然而在区块链系统中，地址的真实所有权是未知的，因此不可能获得准确的用户网络。比特币的另一种网络模型是地址网络(Address-Address Graph)，其中每个节点代表一个地址，如果一对地址之间至少有一个交易，则一对地址之间存在一条边。最后一种网络模型是加权有向超图(Address-Transaction HyperGraph)，节点是两个交易和地址的类型，可以表示地址与交易之间的输入输出关系。

图1 比特币交易模型

对于采用以账户为中心模型的区块链系统（如以太坊、波场等，见图2），每笔交易只有一个输入地址和一个输出地址，输入或输出关系是明确的，因此外部账户(EOAs)和合约帐户(CAs)都可以节点的形式表示，但边的语义不同，边可以表示资金流动的方向，也可以表示合约的创建和调用关系。目前网络建模的一个重要问题是如何使所构建的网络更好地保留交易信息，因此也可以将以太坊交易记录建模为一个时间加权的多有向图。

图2 以太坊交易模型

3．图任务

现有基于图神经网络的区块链交易数据分析研究主要分为异常检测、账户分类、交易追溯三大下游任务。其中异常检测指的是二分类的加密地址欺诈身份识别，即检测区块链生态系统中的异常行为，如庞氏骗局、欺诈和网络钓鱼骗局等），账户分类指的是多分类的加密地址身份识别，交易追溯指的是对目标地址和交易进行追踪、溯源和监控。下表展示了这三个任务的论文列表。

表1基于图神经网络的区块链交易数据分析研究

结论

区块链本质上是一个分布式的数据库技术，具有去中心化、不可篡改、全程留痕、匿名性等特点。区块链技术带来的重大变革，也对金融服务、生态安全、隐私保护提出了诸多挑战。GNN天然适合于区块链数据的分析，从结构上看，区块链数据本质上由一个图表示，其中节点表示地址，边表示交易等行为，构建交易图后模型可以提取图结构关系中高维度的特征，这些特征在做下游学习任务时往往表现很好。

参考文献：

[1] 王佳鑫,颜嘉麒,毛谦昂.加密数字货币监管技术研究综述[J/OL].计算机应用:1-14[2023-07-26].

[2] 颜嘉麒,王佳鑫,毛谦昂等.加密数字货币恐怖融资监管：交易模式分析与异常实体识别[J].图书情报知识,2022,39(06):55-66.

[3] Wang, J., Yan, J., Mao, Q., (2022). Detecting and Characterizing Abnormal Addresses in the Bitcoin Transaction System: A Social Network Approach, 15th China Summer Workshop on Information Management(CSWIM 2022), Ningbo, China, 145-150.

[4] Zhang R, Zhang G, Liu L, et al. Anomaly detection in bitcoin information networks with multi-constrained meta path[J]. Journal of Systems Architecture, 2020, 110: 101829.

[5] Lo W W, Kulatilleke G K, Sarhan M, et al. Inspection-L: self-supervised GNN node embeddings for money laundering detection in bitcoin[J]. Applied Intelligence, 2023: 1-12.

[6] Wang L, Xu M, Cheng H. Phishing scams detection via temporal graph attention network in Ethereum[J]. Information Processing & Management, 2023, 60(4): 103412.

[7] Wen H, Fang J, Wu J, et al. Hide and Seek: An Adversarial Hiding Approach Against Phishing Detection on Ethereum[J]. IEEE Transactions on Computational Social Systems, 2022.

[8] Jin H, Li C, Xiao J, et al. Detecting arbitrage on ethereum through feature fusion and positive-unlabeled learning[J]. IEEE Journal on Selected Areas in Communications, 2022, 40(12): 3660-3671.

[9] Jin C, Jin J, Zhou J, et al. Heterogeneous feature augmentation for ponzi detection in ethereum[J]. IEEE Transactions on Circuits and Systems II: Express Briefs, 2022, 69(9): 3919-3923.

[10] Yu T, Chen X, Xu Z, et al. MP-GCN: A Phishing Nodes Detection Approach via Graph Convolution Network for Ethereum[J]. Applied Sciences, 2022, 12(14): 7294.

[11] Wang, J., Mao, Q., Yan, J.,et al (2023). Identifying Crypto Addresses with Gambling Behaviors: A Graph Neural Network Approach, Pacific Asia Conference on Information Systems(PACIS 2023), Nanchang, China.

[12] Shao W, Li H, Chen M, et al. Identifying bitcoin users using deep neural network[C]//Algorithms and Architectures for Parallel Processing: 18th International Conference, ICA3PP 2018, Guangzhou, China, November 15-17, 2018, Proceedings, Part IV 18. Springer International Publishing, 2018: 178-192.

[13] Huang Z, Huang Y, Qian P, et al. Demystifying Bitcoin Address Behavior via Graph Neural Networks[J]. arXiv preprint arXiv:2211.14582, 2022.

[14] Zhou J, Hu C, Chi J, et al. Behavior-aware account de-anonymization on ethereum interaction graph[J]. IEEE Transactions on Information Forensics and Security, 2022, 17: 3433-3448.

[15] Liu J, Zheng J, Wu J, et al. FA-GNN: Filter and augment graph neural networks for account classification in ethereum[J]. IEEE Transactions on Network Science and Engineering, 2022, 9(4): 2579-2588.

[16] Huang T, Lin D, Wu J. Ethereum account classification based on graph convolutional network[J]. IEEE Transactions on Circuits and Systems II: Express Briefs, 2022, 69(5): 2528-2532.

[17] Li Z, He E. Graph Neural Network-Based Bitcoin Transaction Tracking Model[J]. IEEE Access, 2023.

[18] Lin D, Wu J, Xuan Q, et al. Ethereum transaction tracking: Inferring evolution of transaction networks via link prediction[J]. Physica A: Statistical Mechanics and its Applications, 2022, 600: 127504.

[19] Xie Y, Jin J, Zhang J, et al. Temporal-amount snapshot multigraph for ethereum transaction tracking[C]//Blockchain and Trustworthy Systems: Third International Conference, BlockSys 2021, Guangzhou, China, August 5–6, 2021, Revised Selected Papers 3. Springer Singapore, 2021: 133-146.