我本次汇报的题目是：《基于图卷积网络的以太坊异常交易识别研究》，我将从科研背景和意义、研究内容与方法、总结展望三个个方面进行汇报。

本次组会汇报内容是关于基于图卷积网络的以太坊异常交易识别研究进展情况，从科研背景、科研问题、科研目的、整体框架和研究计划等几个方面展开。

科研背景

区块链是一种分布式账本技术，可以记录对等方之间的交易。在底层区块链技术的支持下，比特币和以太坊等区块链平台也借此机会蓬勃发展，成为世界知名的新型金融交易平台。以太坊作为支持智能合约的最大公共区块链平台，已成为广泛使用的金融应用平台。由于区块链的匿名性，犯罪分子试图通过向区块链系统注入资金来逃避监管和从事非法活动。据报道，以太坊遭遇了各种各样的诈骗，如黑客、网络钓鱼和庞氏骗局等。

科研问题

1.现有的方法不足以表达以太坊交易网络中涉及金额和时间的连接模式多样性；

2.区块链异常交易账户重要特征识别精度不高、异常交易检测程度较低。

科研目的

1.提出一种基于多通道嵌入向量和交易画像的图表示方法；

2.设计一种基于GNN的以太坊异常交易检测模型。

整体框架

研究计划

1.对实验部分进行完善；

2.修改学位论文大纲结构。（2022.11.15）

3.撰写学位论文第一章绪论、相关理论基础部分初稿。（2022.11.20）

本次组会将汇报最近的研究实验进展，主要内容如下：

【科研背景】

【科研问题】

【科研目的】提出一种基于多通道游走嵌入的以太坊网络钓鱼骗局检测方法

【研究流程框架】

【实验分析】

本次组会主要是对最近的论文复现以及改进的实验进度进行汇报，其主要内容如下：

【背景】

把区块链作为核心技术自主创新重要突破口，加快推动区块链技术和产业创新发展。要加强对区块链技术的引导和规范，加强对区块链安全风险的研究和分析，密切跟踪发展动态，积极探索发展规律。

随着区块链技术的快速发展，各种类型的网络犯罪层出不穷，以太坊已成为各种网络犯罪的温床。由于区块链的匿名性，犯罪分子试图通过向区块链系统注入资金来逃避监管和从事非法活动。据报道，以太坊遭遇了各种各样的诈骗，如黑客、网络钓鱼和庞氏骗局等。

【科研问题】

【科研目的】

设计一种基于时间加权多通道游走的区块链交易异常检测方法。

【整体框架】

【论文复现】

本次组会介绍是在《A Novel Network Abnormal Traffic Detection Method Based Neural Network for Imbalanced Network Traffic》研究工作的基础上，为了解决模型训练数据的共享和隐私问题，提出《Federated Learning With Blockchain for Intrusion Detection in Industrial IoT》，主要内容如下：

科研背景

在5G技术的支持下，未来的物联网设备将随时随地的保持着低延迟和高可靠性，每个设备都可以存储高质量的网络入侵检测模型，即使在失去连接的情况下也能够做出决策。为了保证设备上模型的准确性，需要与其他设备交换数据以获取更多的数据样本。

近年来，随着人们对隐私重视程度的增强，数据隐私保护方面出台了一系列的法律法规，数据隐私保护相关法律体系呈现日益健全化与规范化。出于保护商业机密、数据监管以及数据整理成本等因素考虑，加之缺乏激励机制，物联网中的数据所有者当前也缺乏数据共享的动力。

科研问题

1.传统联邦机器学习模型依赖单一的中央服务器，容易受到服务器故障的影响；

2.没有适当的奖励机制来激励用户提供数据训练和上传模型参数。

科研目的

1.使用区块链代替中央服务器，区块链网络允许交换设备的本地模型更新;

2.利用分布式联邦的方法共享模型参数而不披露实际数据，确保数据的安全性和隐私性；

3.采用POW和POA相结合的共识机制，验证和提供相应的奖励。

宏观图景框架

本次将会介绍有关《基于自适应合成采样和CNN-LSTM的网络异常流量检测模型》的进展情况。其中主要内容包括：

科研背景

随着攻击行为的不断升级和网络数据量的快速增长，再加上近年来内部威胁、零日漏洞、加密攻击等行为的出现，基于传统机器学习方法的网络异常流量检测模型已经难以应对这些新挑战。建立稳定、可靠、高精度且代价较小的网络异常检测模型来提高网络安全性，具有广阔的应用前景。近年来深度学习飞速发展，它可以学习样本数据的内在规律，在特征提取和模型建立方面效率更高。因此，网络安全领域的研究人员试图将深度学习算法应用到网络异常检测系统中。

科研问题

1.训练数据集的不平衡会影响模型的性能，导致少数类样本的高虚警率和高漏检率。

2.数据特征不能被完全提取，容易造成一些基本特征的丢失,从而影响分类模型的准确性。

科研目的

提出一种基于自适应合成采样和CNN-LSTM的网络异常检测模型，该模型：

1.采用数据增强算法，避免了模型对大样本敏感而忽略小样本，提高了网络异常检测模型对小样本的学习和识别能力；

2.利用神经网络分别提取网络流量数据的空间和时序特征。

实验流程

未来计划