-
公开(公告)号：CN115733654B
公开(公告)日：2024-12-06
申请号：CN202211199760.0
申请日：2022-09-29
Applicant: 北京理工大学
IPC: H04L9/40 , H04L67/133 , H04L67/12 , G06N3/0464 , H04L41/16 , H04L9/32
Abstract: 本发明涉及一种基于流量关联分析的数字货币匿名钱包溯源方法，属于区块链技术领域。通过建立一种针对使用匿名钱包的敏感交易溯源模型，针对使用Tor网络保护的加密货币钱包进行开创式的综合分析处理，重点分析Tor网络出口流量和入口流量之间的关联性，能够动态的对感兴趣的地址或行为进行全交易图跟踪和监听，并对开展此行为的匿名钱包流量实现分析溯源，防范潜在的非法行为，保护隐私信息。根据其数字货币交易传播模式，引入探针节点对目标RPC服务器发送的交易进行持续监听，设置规则匹配机制，能够针对敏感交易进行交易层全交易图规则动态更新。本方法能够有效的从降低背景流量对匿名钱包流量的干扰。
-
公开(公告)号：CN115687946A
公开(公告)日：2023-02-03
申请号：CN202211196222.6
申请日：2022-09-29
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于以太坊节点时间信息的同源交易识别方法，属于区块链技术领域。本方法旨在利用以太坊网络中固定节点泄露的时间信息，对交易的网络属性进行特征表达，实现从网络层对海量交易的关联分析。本方法利用交易的网络属性特征，以节点为实体进行交易关联。通过从多个固定节点检测交易泛洪广播的时间次序，对每一笔交易的广播过程进行统一的特征表示，将具有相似广播过程的交易也即从同一源节点进入网络的交易聚类为一个实体。本方法能够覆盖以太坊中所有交易，同时能够抵抗混币合约的影响。
-
Patent Agency Ranking
公开(公告)号：CN115907978A
公开(公告)日：2023-04-04
申请号：CN202211229889.1
申请日：2022-10-08
Applicant: 北京理工大学
IPC: G06Q40/04
Abstract: 本发明涉及一种面向以太坊混币服务的用户交易识别方法，属于区块链应用安全技术领域。通过从交易账本中获取以太坊混币服务的所有交易信息，将交易信息进行数据清洗处理，形成可以用来分析交易关联性的数据集。利用启发式规则对数据集合中的交易进行关联分析，并将分析结果建立进一步的链接，输出特定的用户行为模式，通过对交易发送方和交易接收方进行匹配，从而识别出用户的交易行为。本方法能够降低以太坊混币交易的不可链接性，并对加密货币市场及其交易实体进行规范监督。
-
公开(公告)号：CN115733654A
公开(公告)日：2023-03-03
申请号：CN202211199760.0
申请日：2022-09-29
Applicant: 北京理工大学
IPC: H04L9/40 , H04L67/133 , H04L67/12 , G06N3/0464 , H04L41/16 , H04L9/32
Abstract: 本发明涉及一种基于流量关联分析的数字货币匿名钱包溯源方法，属于区块链技术领域。通过建立一种针对使用匿名钱包的敏感交易溯源模型，针对使用Tor网络保护的加密货币钱包进行开创式的综合分析处理，重点分析Tor网络出口流量和入口流量之间的关联性，能够动态的对感兴趣的地址或行为进行全交易图跟踪和监听，并对开展此行为的匿名钱包流量实现分析溯源，防范潜在的非法行为，保护隐私信息。根据其数字货币交易传播模式，引入探针节点对目标RPC服务器发送的交易进行持续监听，设置规则匹配机制，能够针对敏感交易进行交易层全交易图规则动态更新。本方法能够有效的从降低背景流量对匿名钱包流量的干扰。
-
公开(公告)号：CN115643049A
公开(公告)日：2023-01-24
申请号：CN202211143433.3
申请日：2022-09-20
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于加密流量分析的挖矿行为实时检测方法，属于区块链加密网络流量处理技术领域。本方法从被加密的流量中提取数据包长度、数据包数量、数据包到达时间间隔和流量持续时间作为特征，进而与机器学习模型相结合，实现挖矿行为精准识别。在网络流量被加密场景下，能够对加密货币挖矿行为进行检测，实现对恶意挖矿流量的及时阻断，保障设备资源免受侵犯。本发明只需要部署在网关处，减小网络管理员实施所需成本，同时仅需被动监听流量，不会对网络正常工作产生干扰。
-
公开(公告)号：CN118568717A
公开(公告)日：2024-08-30
申请号：CN202410440534.X
申请日：2024-04-12
Applicant: 北京理工大学
IPC: G06F21/56 , G06N20/00 , G06F18/23213
Abstract: 一种基于迭代不变指标的拜占庭攻击检测方法，属于分布式机器学习领域。通过构造特征距离以及输出层偏差作为迭代不变指标，以检测拜占庭攻击。特征距离的计算基于预训练编码器，对预训练编码器提取的辅助数据集特征，与本地模型提取的辅助数据集特征之间的距离进行计算，从而有效检测模型中毒攻击；而输出层偏差基于对本地模型输出层梯度方差的分析，估计用户本地数据的分布，进而检测数据中毒攻击；此外，采用HDBSCAN聚类，即基于层次密度的空间聚类，对不同用户的迭代不变指标进行无需假设类数量的聚类，解决恶意用户比例未知的问题。本发明适用于分布式机器学习领域，在异步联邦学习的即时聚合策略下，提升攻击检测方法的鲁棒性与高效性。
-
公开(公告)号：CN114998005A
公开(公告)日：2022-09-02
申请号：CN202210449217.5
申请日：2022-04-24
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于联邦图神经网络技术的比特币异常交易识别方法，属于区块链应用安全技术领域。本方法包括联邦学习训练和图神经网络训练。各个参与者在本地利用图神经网络对交易数据进行建模，并充分利用交易数据之间的邻居特征。在训练各自的本地模型之后，参与者将本地模型的梯度通过隐私保护的方式聚合到服务器，共同更新全局模型的参数，并将输出结果反馈给参与者进行迭代更新，从而实现在数据保护场景下进行比特币恶意交易联合识别分析。
-
-
-
-
-
-
Search Results
7
records
(took 0.017 seconds)
