[0044] 通过该匹配规则，可对区块链中的交易记录进行关联匹配，发现疑似商品交易的记录集合。
[0045] 2、交易地址标记数据库构建，
[0046] 本发明利用多输入启发式聚类算法与交易地址标记数据来进行交易地址标记数据库的构建。交易地址聚类是指通过分析区块链交易记录，将同属于同一用户或实体的交易地址聚集起来，即同一用户或实体拥有多个交易地址。交易地址标记是指在区块链交易进行中，存在不同机构对交易地址进行标记，指明该交易地址的使用用途、来源等信息，如一些交易地址属于某个机构所有。
[0047] 交易地址聚类可通过多输入聚类算法来进行，原理如图3所示。在一笔交易地址交易中，存在多个交易地址共同作为交易输入来完成一笔交易的情况，然而，为证明用户对交易输入的交易地址具有拥有权，需要用户对交易输入进行私钥签名，而该私钥通常都由交易地址拥有者掌握，因此，针对存在多个交易地址共同作为输入地址来完成的一笔交易，多个交易输入地址可以认为同属于同一用户或实体。
[0048] 交易地址标记是指一些机构会公开某些交易地址用途，例如交易地址的类型、来源等信息。
[0049] 结合交易地址聚类产生的地址集群，如果集群中存在地址具有公开的交易地址标记，由于该集群中所有地址都属于同一实体，则该集群内的所有地址都可看作具有相同标记，从而完成交易地址标记数据库的构建。
[0050] 3、无关交易地址过滤，
[0051] 本发明基于前两步获取的数据设计无关交易地址过滤方法。由于区块链交易数量大，根据设计的交易匹配规则找出的交易记录存在一定的误匹配记录，因此可结合交易地址标记数据库对一些交易记录进行去除。具有交易地址标记的地址已确定其不属于该Tor市场，与Tor市场交易无关，因此可以对其进行过滤操作。即针对商品销量变化提取的交易记录，如果交易地址中存在属于交易地标记数据库中的地址，则将该交易记录去除。
[0052] 4、Tor市场交易地址识别，
[0053] 在利用交易地址交易标记数据库进行数据过滤后，可以利用Tor市场交易地址识别算法进行最终的识别，算法整体设计如图4所示。首先结合待识别交易地址的交易记录，构建交易超图矩阵，之后利用超图神经网络来提取超边特征，即交易边特征，最后结合每笔交易的交易边以及参与的交易地址节点，输入至自注意力机制模块来进行最终的地址节点特征表示。
[0054] 超图(Hypergraph)是指在图中，一条边同时可以连接不少于2个顶点，如图5所示，边e1同时连接了n2、n4和n8三个节点。在交易地址交易的场景中，一笔交易往往是由多个交易地址共同参与来完成，因此可以利用超图结构来构建交易地址交易关系图。
[0055] 在一笔交易地址交易中，每个地址都是以一定金额的交易地址来参与交易的构建，并且每个地址可以分为是作为输入地址还是输出地址来完成该笔交易。为了表示交易的金额值v以及是作为输入还是输出来进行某笔交易，特采用‑v来表示v金额的交易地址作为输入地址参与交易，v来表示v金额的交易地址作为输出地址参与交易。如图4中所示，为表示地址A1的交易关系图，根据其所有的历史交易记录，可得到超图交易矩阵。
[0056] 在得到地址交易关系图后，设计超图神经网络来提取交易边特征。设计地址特征矩阵表示不同的交易地址节点，结合超图交易矩阵、交易手续费对角矩阵和交易地址参与对角矩阵，利用超图神经网络计算交易边特征。
[0057] 在得到交易特征矩阵后，为了综合交易地址的所有交易记录信息，本发明结合自注意力机制来提取交易地址的交易特征。首先根据单笔交易涉及到的交易边以及交易地址节点，计算单笔交易的特征表示，然后使用注意力机制结合该地址的所有交易，得到最终的地址节点特征向量表示，如图4所示。
[0058] 首先针对单笔交易，本发明综合交易边特征向量以及参与该笔交易的所有交易地址节点向量表示，将其输入至自注意力模块进行特征提取。如在图4中，针对A1地址的交易Tx1，为了提取该笔交易的信息，将交易边Tx1以及参与交易的地址节点A1，A2，A3的特征向量都来参与计算。
[0059] 然后利用自注意力机制进行单笔交易的特征表示。本发明采用多注意力机制来计算交易边与交易地址节点之间的权重，根据权重与交易边以及交易地址节点向量的加权乘积和得到该笔交易的特征向量。接着使用前馈神经网络FFN对单笔交易特征向量进行非线性变换，再通过Normalize层归一化函数得到单笔交易的向量表示。
[0060] 在此基础上，结合交易地址的所有交易记录，针对得到的单笔交易特征向量，设计聚合函数来聚合所有的交易记录，得到最终的交易地址节点向量。本发明的聚合函数根据注意力机制来进行计算，首先将该地址节点与每笔交易的特征向量计算权重，然后通过权重与每笔交易向量的加权乘积和得到该交易地址节点的特征表示。
[0061] 该算法的目的是对地址节点进行分类，因此根据地址标记数据集，采用监督学习的方式进行训练。首先将交易地址表示向量利用全连接层与Softmax函数转化为类别分布概率，然后利用类交叉熵函数作为损失函数，进行Tor交易市场地址识别模型的训练，[0062] 在实现Tor交易市场地址识别模型后，使用该模型对过滤后匹配到的交易地址进行识别。通过获取该地址的所有交易记录，构建地址超图交易矩阵，将其输入至Tor交易市场地址识别模型中，判断匹配到交易地址是否属于Tor市场类型，以实现商品交易与交易地址交易的关联。
[0063] 本发明中用到的英文缩写，其中文解释如下：
[0064] 1.Tor，全称为The Onion Router，其中文解释为洋葱路由；
[0065] 2.HGNN，全称为HypergraphNeuralNetworks，其中文解释为超图神经网络；
[0066] 3.FFN，全称为FeedForwardNetwork，其中文解释为前馈神经网络。
[0067] 最后应当说明的是：以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。
