本次组会汇报最近关于区块链项目以及论文的一些进展情况：

主要从科研背景、异常交易监测相关研究、方法、个人思考和总结几个方面展开介绍

科研背景

区块链交易存在各类异常交易，比如钓鱼攻击、ICO攻击等异常交易类型，这类交易和普通交易的问题存在以下差异:
交易品类
数字货币：去中心化
流通货币 ：中心化
交易特点
流通货币：犯罪分子会尽可能地隐藏手机号、电子邮箱、银行账号等敏感信息来实施非法交易活动
数字货币：匿名性 无需使用以上敏感信息即可开展活动，提高了对违法犯罪活动的监测难度
交易机制
数字货币：基于加密算法进行研究

相关工作 目前针对异常交易检测的方法可以归纳为以下类别：

参考文献	方法	方法描述
基于聚类或者分类模型检测异常交易
2	基于One Class SVM, K-means	应用交易特征行为分析，利用SVM分类出正常以及异常交易地址，并进一步检测出攻击类型；
5	高斯混合模型	根据交易分析用户特征，对用户进行分类并区分出正常用户或者异常用户；验证异常交易；
6	基于机器学习异常交易检测算法	使用“椭圆数据集”，使用各类机器学习算法验证检测比特币异常交易并选择合适的超参数。
基于网络特征分析的异常交易检测方法
8	提出BTCOut检测算法	融合“网络结构”+“属性”的相似性结构综合策略，衡量网络之间的特征，获取较好的特征挖掘效果；
9	基于注意力机制的GNN模型	综合交易网络的结构信息和交易记录中的时间信息，采用注意力机制细化网络结构，并捕获隐藏的时间特征以实现精确结果；
3	基于特征融合的异常检测	在交易网络中，融合自身特征以及相邻特征，基于交互关系形成的机制挖掘网络信息
基于随机游走网络嵌入的异常交易检测方法
1	NetWalk	通过学习网络拓扑结构特征，并动态更新网络结构并检测网络异常
10	基于多重图和时间-金额游走	将交易记录构造成包含时间、金额的网络，并基于随机游走保留交易图中这两个重要属性，随后对向量化的图进行模型训练。

方法：

针对已有模型关键问题有

数据不平衡以及负采样问题这是目前可以迭代优化的地方

个人思考和总结

目前使用的是针对网络结构随机游走，目前效果较好的应用于属性-结构二部图网络学习模型等方法，可以作为进一步研究点。