基于人工智能技術的區(qū)塊鏈虛擬貨幣交易檢測機制

曾 晶，劉大暢，孫石峰（廣東南方電信規(guī)劃咨詢設計院有限公司，廣東深圳 518038）

0 引言

區(qū)塊鏈是一種集成分布式數(shù)據(jù)存儲、點對點傳輸、共識機制、加密算法等多種技術的新型技術。目前聯(lián)合國、國際貨幣基金組織、多個國家政府都在積極討論區(qū)塊鏈并持續(xù)增加相關投入。我國在區(qū)塊鏈技術的探索方面最初僅僅是金融行業(yè)的小課題，但從2016 年國務院印發(fā)的《“十三五”國家信息化規(guī)劃》中可以看到對區(qū)塊鏈技術的支持，規(guī)劃中強調了要對區(qū)塊鏈等技術加強基礎研發(fā)和前沿布局，構筑新賽場先發(fā)主導優(yōu)勢。2020 年4 月20 日，國家發(fā)改委首次明確人工智能、云計算、區(qū)塊鏈等為代表的新技術基礎設施屬于新型基礎設施范圍中的信息基礎設施，新型基礎設施主要是指基于新一代信息技術演化生成的基礎設施。

當前以區(qū)塊鏈產(chǎn)品為代表的全球金融科技迅猛發(fā)展，對實體經(jīng)濟和金融體系產(chǎn)生深遠影響，如何平衡好金融科技的創(chuàng)新和風險，成為金融監(jiān)管不可忽視的問題。我國基于區(qū)塊鏈技術的產(chǎn)品研發(fā)進展顯著，局部細分市場具備全球領先優(yōu)勢，但同時也暴露了異常交易、欺詐行為、虛假信息誘導和惡意操縱價格等風險。目前以比特幣、以太坊、Libra 為代表的主流區(qū)塊鏈平臺的國際監(jiān)管協(xié)調難度大，難以適應國內監(jiān)管框架，研究對異常交易進行跟蹤識別的技術迫在眉睫，通過建立非法行為識別信息庫，對異常交易進行識別和跟蹤，建立有效、快速、準確的異常行為檢測機制，將大大增強我國金融監(jiān)管與反欺詐的關鍵技術能力，提升監(jiān)管效能。

1 區(qū)塊鏈監(jiān)管

區(qū)塊鏈技術在中國的火熱程度不亞于國外，技術實力也在迅猛發(fā)展，不斷累積。隨著區(qū)塊鏈技術的突破發(fā)展，其衍生品和應用的規(guī)范化和合法化問題引起業(yè)內、管理部門和監(jiān)管部門的高度重視。法律法規(guī)對區(qū)塊鏈的監(jiān)管應分為以下3個維度。

1.1 區(qū)塊鏈技術自身

區(qū)塊鏈技術的開發(fā)和研究過程會涉及到用戶隱私保護、網(wǎng)絡安全和智能合約等問題。目前大多數(shù)國家的法律、法規(guī)及政策對區(qū)塊鏈技術本身的態(tài)度都是積極肯定的。比如我國廣州黃埔區(qū)當?shù)卣雠_的《廣州市黃埔區(qū)廣州開發(fā)區(qū)促進區(qū)塊鏈產(chǎn)業(yè)發(fā)展辦法》，從適用范圍、平臺、應用、技術等多個環(huán)節(jié)對區(qū)塊鏈相關企業(yè)給予政策上重點扶持。其技術具備安全穩(wěn)定、高效透明的特點，可以彌補中心化機構及商業(yè)模式的缺點。

1.2 虛擬貨幣

虛擬貨幣作為區(qū)塊鏈的主要衍生品，其在發(fā)行、交易、流轉等操作過程中，涉及到貨幣的定性、貨幣操作過程的行為認定和規(guī)范、稅收和安全等問題。關于虛擬貨幣的定性有支付媒介、虛擬商品和證券化憑證3 種主流觀點。無論哪種定性，其在操作過程中都有違規(guī)違法的可能性。

1.3 商業(yè)模式

區(qū)塊鏈技術會重構商業(yè)模式和組織結構，相關法律法規(guī)需要監(jiān)管這方面的問題。區(qū)塊鏈發(fā)揮去中心化優(yōu)勢將驅動新的商業(yè)模式，對現(xiàn)有的商業(yè)模式是非常大的沖擊，如何平衡好監(jiān)管與創(chuàng)新的權重，發(fā)揮區(qū)塊鏈項目的潛力，抑制不良行為，將是一個重要的課題。

本文將對區(qū)塊鏈虛擬貨幣操作過程行為認定方面提出相應的監(jiān)管技術方法。

2 區(qū)塊鏈虛擬貨幣交易監(jiān)測技術的最新動態(tài)

2020 年4 月，20 國集團金融穩(wěn)定委員會（FSB）發(fā)布了監(jiān)管咨詢報告《解決“全球穩(wěn)定幣”項目所引起的監(jiān)管、監(jiān)督挑戰(zhàn)》，這里的“穩(wěn)定幣”是指一類特定的加密資產(chǎn)，通過將其價值與其他資產(chǎn)聯(lián)系在一起，試圖解決傳統(tǒng)加密資產(chǎn)的高波動性難題，有提高金融服務效率的潛力，但同時也存在一定風險，尤其在大規(guī)模應用時會對現(xiàn)有金融監(jiān)管的全面性和有效性提出很大挑戰(zhàn)。該報告闡述了全球穩(wěn)定幣的特征和潛在風險，分析了現(xiàn)有的監(jiān)管監(jiān)督方法和當前需要解決的問題，最后提出10 項高級別監(jiān)管建議。2020 年10 月13日，F(xiàn)SB 發(fā)布了《“全球穩(wěn)定幣”項目監(jiān)督管高層級建議》終版報告。此次發(fā)表的建議得到各成員國的認可，各國均認為有必要按照“相同業(yè)務，相同風險，相同規(guī)則”的原則進行監(jiān)管。

虛擬貨幣的鼻祖——比特幣于2009 年誕生，etherscan.io 網(wǎng)站的統(tǒng)計數(shù)據(jù)顯示截至2020 年3 月初，利用以太坊上的ERC20 開發(fā)的虛擬貨幣就達到了24萬多種。Coinmarketcap 網(wǎng)站對5 000 多種熱門的虛擬貨幣進行市值排名統(tǒng)計顯示，2014 年初虛擬貨幣市場總市值為106 億美元，其中比特幣占了88.68%，到2017 年底，虛擬貨幣的總市值為8 003 億美元，其中比特幣的比例明顯大幅下降，僅有39.99%。虛擬貨幣本身還存在容量有限等技術缺陷，尚無法成為公眾交易媒介，且不能展現(xiàn)普惠金融的優(yōu)勢。另一方面由于存在投機和價格操控現(xiàn)象，其價格波動率是一般風險資產(chǎn)的3～5 倍，不具備可信的儲藏價值。由于內在價值的不確定性、匿名性和跨國界性，虛擬貨幣常被各種金融詐騙利用，具有很高的內在風險，諸如異常交易、欺詐行為、虛假信息誘導和惡意操縱價格等。從全球來看，利用虛擬貨幣進行犯罪和恐怖活動的非法交易數(shù)量及規(guī)模都非常龐大，急需用監(jiān)管技術進行監(jiān)測。

根據(jù)中國信通院和中國通信標準化協(xié)會發(fā)布的《區(qū)塊鏈安全白皮書——技術應用篇（2018 年）》，目前區(qū)塊鏈技術應用架構中關鍵層次和核心機制已逐漸達成共識，其結構自下而上包含存儲層、協(xié)議層、擴展層和應用層，每一層都存在相應的安全風險。比如存儲層存在基礎設施安全風險、網(wǎng)絡攻擊威脅和數(shù)據(jù)丟失泄露風險，威脅區(qū)塊鏈數(shù)據(jù)文件的可靠性、數(shù)據(jù)完整性以及存儲數(shù)據(jù)安全性；協(xié)議層存在協(xié)議漏洞、流量攻擊以及惡意節(jié)點的風險；擴展層是實現(xiàn)智能合約的層級，風險主要來自代碼的安全漏洞，例如合約開發(fā)的漏洞以及合約運行的安全漏洞；應用層則集合了傳統(tǒng)安全風險，例如私鑰管理安全風險、賬戶竊取、應用軟件漏洞、環(huán)境漏洞和DDoS攻擊等。

3 區(qū)塊鏈虛擬貨幣交易檢測機制設計

區(qū)塊鏈代幣交易模式具有動態(tài)多樣性的特點，且交易模式之間存在差異。本文基于人工智能技術開發(fā)一種鏈上異常交易檢測模型，基于特征提取、數(shù)據(jù)聚類分析、交易關聯(lián)圖等技術，設計一種具有規(guī)則自學習、環(huán)境自適應的檢測模型。

3.1 異常交易檢測模型的關鍵技術

2002 年Girvan 和Newman 2 位學者發(fā)現(xiàn)復雜網(wǎng)絡中普遍存在著聚類特性，每個類稱為一個社團，學術界定義社團結構是復雜網(wǎng)絡的普遍特性，整個網(wǎng)絡就是由眾多社團組成的。隨著對復雜網(wǎng)絡的不斷深入研究，學者們提出了大量發(fā)現(xiàn)社團的算法。通常比較流行的社區(qū)檢測算法有Louvain算法、LPA 算法和Info?map算法3種。其中Louvain算法是基于模塊度的社團檢測算法，整體效率和穩(wěn)定性較高。LPA 算法是比較簡單的圖傳播算法，其經(jīng)驗假設是以節(jié)點為中心，進行投票制，十分高效，且容易實現(xiàn)分布式，運行開銷較低，但由于隨機選擇易出現(xiàn)震蕩。Informap 算法與其他算法思路不同，是從信息論角度出發(fā)，清楚地定義各類事件的發(fā)生概率，利用信息熵公式，得到路徑的最少編碼長度，即最小平均比特。

本方案采用的是Louvain聚類算法，其采用高效的社團算法后再結合關聯(lián)圖技術，將用于高效構建用戶交易關聯(lián)關系。具體來講Louvain 聚類算法是一種啟發(fā)式算法，是基于模塊度最優(yōu)化的社團發(fā)現(xiàn)算法。Louvain 算法的最終目標就是使整個數(shù)據(jù)的模塊度最大化，模塊度的計算公式如式（1）所示。

式中：

m——邊的總數(shù)量

ki——所有指向節(jié)點i的連接邊的權重之和

Aij——節(jié)點i和j之間的連接邊權重

Ci——社區(qū)C的節(jié)點i

Louvain 算法的流程是以下2 個階段不斷迭代的過程，雙層迭代可以彌補聚類算法2 個節(jié)點合并后無法分開的缺點。第1 階段是外層迭代，采用自下而上的凝聚法，通過反復遍歷網(wǎng)絡圖中的所有節(jié)點，比較節(jié)點對每個相鄰社團所引起的模塊度的變化，將節(jié)點歸屬到模塊度產(chǎn)生最大增量的社團中。第2階段是內層迭代，采用凝聚法和交換策略結合的方式，對第1階段歸屬后的節(jié)點進行處理，將同一社團的頂點進行合并，以社團作為新節(jié)點重新構造網(wǎng)絡圖，重構后2個節(jié)點之間邊的權重是新社團之間邊的權重之和。通過第1、第2 階段的不斷迭代，直到模塊度穩(wěn)定不再變化即完成關聯(lián)關系的匹配過程。

3.2 異常交易檢測模型的詳細設計

異常交易檢測機制分為4 個功能模塊，分別是交易數(shù)據(jù)收集模塊、規(guī)則庫模塊、關聯(lián)圖模塊和特征推理識別模塊。

首先數(shù)據(jù)收集模塊是為了將區(qū)塊鏈上的交易信息進行收集和整理，通過客戶端的可視界面呈現(xiàn)鏈上的所有交易數(shù)據(jù)，發(fā)揮區(qū)塊鏈的優(yōu)勢，該交易數(shù)據(jù)具有不可篡改的特性，最大限度地保證其真實性。

然后交易數(shù)據(jù)輸入到規(guī)則庫模塊進行匹配檢測，利用人工智能匹配檢測可以對海量的交易數(shù)據(jù)進行篩選、匹配、檢測，識別出具備異常交易行為特征的交易數(shù)據(jù)。如果待檢測的交易數(shù)據(jù)符合規(guī)則庫中已有的交易模型，將直接進行人工智能特征推理，根據(jù)關聯(lián)度、聚類、重要度或結構特征等維度，基于人工智能關聯(lián)識別算法進行檢測，識別出的異常交易模型將用于異常交易檢測、交易風險分析、騙局識別或惡意炒作預警等方面。當遇到新的異常交易模型時，監(jiān)測機制同時也具備自我學習和更新的功能，通過關聯(lián)圖模塊，經(jīng)過預處理、構建和統(tǒng)計3 個步驟，可以將新的交易模式反饋更新到規(guī)則庫中，這樣一方面可以保證交易模型的順利匹配，另一方面大大提高了識別檢測的準確度。

實現(xiàn)人工智能匹配的前提是規(guī)則庫的建立，該規(guī)則庫是經(jīng)過機器學習算法將異常交易行為的特征進行學習后存儲構成的。

3.3 檢測機制的規(guī)則自學習及環(huán)境自適應兩大特性

上文描述的區(qū)塊鏈虛擬貨幣異常交易監(jiān)測機制具有規(guī)律自學習及環(huán)境自適應兩大特性。

規(guī)律自學習是人工智能技術的優(yōu)勢特征之一，也就是說檢測機制具備自我演進的能力，該自我演進功能的實現(xiàn)過程如下：檢測機制中交易數(shù)據(jù)收集模塊負責采集整理鏈上交易信息；規(guī)則庫模塊利用機器學習算法對歷史規(guī)則進行人工智能匹配檢測，若檢測對象是未知的新交易模型，則由關聯(lián)圖模塊構建用戶交易關聯(lián)關系，再通過特征推理識別模塊利用人工智能技術進行特征推理識別，對異常交易進行檢測。若檢測對象是已知的交易模型，則直接進行特征推理識別。檢測的結果將會實時更新到保存到規(guī)則庫模塊中，從而實現(xiàn)模型的自適應演進功能。

本文提出的異常交易檢測機制與交易環(huán)境的自適應匹配功能的實現(xiàn)過程如圖1 所示，通過分析區(qū)塊鏈鏈上交易用戶間的關聯(lián)關系及交易類型重疊等特征，建立匹配多種交易模式的用戶行為關聯(lián)圖，研究交易關聯(lián)特征的智能識別機制，并設計檢測模型中判定規(guī)則的學習更新策略，最終實現(xiàn)檢測機制與交易環(huán)境的自適應匹配。

圖1 規(guī)則自學習及環(huán)境自適應的異常交易檢測模型原理示意圖

3.4 檢測機制實驗結果

首先以發(fā)生在2017 年5 月的著名的比特幣勒索病毒W(wǎng)annaCry 事件的行為數(shù)據(jù)為試驗參考數(shù)據(jù)驗證該模型的可行性和效果，此次WannaCry比特幣勒索病毒利用MS17-010漏洞攻擊了全球超過150個國家，超過15萬名用戶遭到了勒索病毒攻擊，感染的計算機會被植入敲詐者病毒，導致電腦大量文件被加密，遭受攻擊的電腦被黑客鎖定后，病毒會提示支付價值相當于300 美元的比特幣才可解鎖，因此定性為比特幣勒索病毒，該事件持續(xù)不到2 天，造成的損失超80 億美元。該模型的檢測與分析結果顯示，此次勒索事件中披露的3個比特幣地址僅限于接收來自受害者發(fā)送比特幣的接收方，通過本文設計的啟發(fā)式聚類方法分析比特幣地址之間的發(fā)生率關系，結合Louvain聚類算法進一步獲取用戶之間的發(fā)生率關系，檢測結果顯示在此后并沒有進一步的交易行為。

另外，為了專注于解決跟蹤惡意的比特幣交易行為，借助于2013 年發(fā)生的比特幣勒索病毒Crynlocker事件，通過監(jiān)測模型獲取交易行為數(shù)據(jù)并進行驗證。黑客編寫的“satan_pro”病毒程序將鎖定服務器中所有文件，文件的后綴名都變成了“l(fā)ucky”，被感染的文件和程序均無法正常運行，在C 盤根目錄下有個自動生成的文本文檔，留有黑客的比特幣收款地址和郵箱聯(lián)系方式。通過本文的檢測機制分析此交易行為的實施路徑，試驗數(shù)據(jù)顯示，采用Louvain 聚類方法可以明顯提高異常交易行為檢測的準確性和檢測效率。

4 結論

本文通過分析法律法規(guī)對區(qū)塊鏈監(jiān)管的3 個維度，將監(jiān)管技術進行細分和定位。針對目前異常交易檢測的迫切需求，筆者提出了一種能夠實現(xiàn)規(guī)則自我學習、環(huán)境自適應的檢測機制，對區(qū)塊鏈異常交易進行實時識別和檢測，助力監(jiān)管部門有效、快速、準確地實施監(jiān)管。