CN119416179A 一种数字资产安全验证及信息监测方法与系统 （东莞市轨道交通有限公司）

一种数字资产安全验证及信息监测方法与本申请提供一种数字资产安全验证及信息2根据数字资产的类型属性，采用多维度分类模型对数字资产进针对每个粗粒度分类，提取该类数字资产的共性特征，构建该类采用支持向量机SVM分类算法对数字资产的特征向量进行分类，得到数字资产的细粒将数字资产的分类标签和对应的特征向量存储到MongoDB数据库中，建立数字资产标计算用户的画像特征向量与数字资产特征向量的余弦相似度，将相似度最高的Top_N定期对MongoDB数据库中的数字资产特征数据进行维护和更新，根据数字资产的动态3根据数字资产的分类信息粗粒度分类标签，获取预设的候选验采用决策树算法从候选验证规则集合中选择最适用于待验证数字资产的验证规则子采用随机森林算法动态调整验证规则子集的阈值参数，随机森林通过采用调整后的阈值参数，判断待验证数字资产是否满足预设的所有权采用加权平均方法计算待验证数字资产的综合验证分数，加权平均将最终验证结果、待验证数字资产的特征、所有权验证结果和合法性验获取数字资产验证结果和数字资产间的关联性，构建数字资产关联图谱，采用图卷积神经网络算法对预处理后的数字资产关联图谱进在图卷积神经网络模型的每一层，根据节点间的邻接关系，通通过注意力机制计算节点间的相关性权重，注意力机制包括将节点的将数字资产节点的特征表示和注意力权重拼接作为全连接层的输根据验证权重对数字资产节点进行重要性判断，将高于阈值的数对重要节点和可疑节点进行重点验证，将验证结果作为新的节点根据验证结果动态更新数字资产节点的特征表示和验证权4获取数字资产关联图谱，从数字资产关联图谱中获取目标数字资产节点及其属性信获取目标数字资产和关联数字资产的交易历史数据，交易历史数据包括交易时间、交对目标数字资产和关联数字资产的交易时间进行对齐，生成规范化的时序交易数据采用Apriori算法从时序交易数据集中挖掘频将频繁交易模式与预设的正常交易模式规则进行比对，判断频繁对异常交易模式进行人工审核，将人工确认的异常交易模式添加至预建获取新的数字资产交易数据，基于数字资产关联图谱获取与新的数字将新的数字资产交易数据与异常交易模式库中的异常交易若新的数字资产交易数据与异常交易模式库中的异常交易模式匹采用智能合约技术将交易验证规则转换为可执行的代码逻辑，并部署到区块链网络在接收到数字资产交易请求时，调用智能合约对数字资产若数字资产交易请求验证通过，则将数字资产交易请求广播至采用密码学技术对交易验证过程进行保护，在不披露交易双方身份信5根据数字资产的业务规则和流程，采用智能合约技术将业务规则和流程固化到代码根据预先定义的统一特征空间，对数字资产属性特征向量进行归一采用One_Hot编码数据转换方法，将无法直接映射到统一特征空间的数字资产属性转将标准化的数字资产属性特征向量填充到统一特征空间的对应维根据数字资产在统一特征空间下的特征向量，按获取数字资产特征数据库中的数字资产特征信息，得到待评采用数字资产特征向量构建训练数据集，并通过深度神经网络模型将数字资产特征的深层表示输入预先构建的判别模型，通过安全属性根据获取的数字资产安全属性信息，采用层次分析法构建成对比将数字资产的安全属性信息与评估因子权重进行加权求和，得到数通过系统的定时任务模块对数字资产风险分值进行定期动态跟踪，当从数字资产安全评级数据库中读取数字资产的实时安全评级结果，自6将当前验证哈希值与前一个验证哈希值进行拼接，构建哈希证明链通过以太坊智能合约将验证哈希值和哈希证明链写入通过智能合约定义验证规则和奖惩机制，激励多个节点参与验证，对验78资产节点的验证权重，并通过时序模式挖掘技术发现数字资产交易的关联规则和异常模该类数字资产的TF_IDF特征向量表示模型；采用支持向量机SVM分类算法对数字资产的特9定期对MongoDB数据库中的数字资产特征数据进行维护和更新，根据数字资产的动态变化TF_IDF算法可以评估一个词对于一个文档集或一个语料库中的其中一份文档的重要程度。制”的细粒度分类。将数字资产的分类标签（粗粒度和细粒度）和对应的特征向量存储到IDF特征向量存储到MongoDB数据库中。这样做的好处是方便后续的检索和更新。当用户输据库中的数字资产特征数据进行维护和更新。对于像A数字货币这样长期属性稳定的数字资产，可以降低其更新频率。而对于一些变化较频繁的去中心化代币，需要提高其更新频[0015]获取数字资产特征数据库，数字资产特征数据库中包含各类数字资产的特征信应用场景、历史价格走势等等。这些信息构成了数字资产的特征，可以用于后续的验证过法从候选验证规则集合中选择最适用于待验证数字资产的验证规则子集。假设要验证一个用，会被决策树算法排除。之所以采用决策树算法，是因为它能够根据数字资产的不同特之所以采用随机森林算法，是因为它能够综合多棵决策树的预测结果，提高阈值参数的准确性和稳定性。采用调整后的阈值参数，判断待验证数字资产是否满足预设的所有权验证所有权验证规则，则对待验证数字资产的合法性进行判断验证。合法性验证主要考察数字及非法活动。采用加权平均方法计算待验证数字资产的综合验证分数。假设所有权验证的结果。链网络中的共识节点；共识节点根据共识机制对数字资产交易请求进行交易验证和确认；智能合约会包含一段代码，用于检查每次交易的NFT数量是否为整数。如果有人试图交易Hot编码数据转换方法，将无法直接映射到统一特征空间的数字资产属性转换为统一特征练数据集进行训练，得到数字资产特征的深层表示对这个数据集进行训练。深度神经网络可以通过学习特征向量与价格之间的复杂关系，得到数字资产特征的深层表示。这相当于把原始的特征向量映射到一个新的空间，在这个空间中，相似的数字资产会更加靠近。例回归模型构建数字资产的安全属性判别模型，将数字资产特征的深层表示输入到安全属性用层次分析法构建成对比较矩阵，计算成对比较矩阵的最大特征值对应的特征向量，并进了预设阈值（例如9则触发数字资产安全等级调整流程，并更新数字资产安全评级数据录数字资产的实时安全评级信息。可以从数据库中读取这些信息，自动生成数字资产安全验证的历史记录。通过以太坊智能合约将验证哈希值“e4b58eb4642304a2270307021b3f42f3”和哈希证明链“e4b58eb4642304a2270307021b3f42f3|a1b2c3d4e5f678901234567890a定每个参与验证的节点都需要抵押一定数量的以太币，如果验证结果正确，则可以获得奖例如将当前哈希值“e4b58eb4642304a2270307021b3f42f3”与其在区块链中存储的前一个 全评级变化趋势等