【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)涉及一種區(qū)塊鏈與計(jì)算機(jī)科學(xué)，特別是關(guān)于一種基于多模態(tài)融合的nftrugpull欺詐檢測(cè)方法、系統(tǒng)、介質(zhì)及設(shè)備。
技術(shù)介紹
1、當(dāng)前，隨著非同質(zhì)化代幣（nft）在數(shù)字藝術(shù)、游戲和收藏品市場(chǎng)的持續(xù)繁榮，nft欺詐問(wèn)題也日益凸顯，成為影響市場(chǎng)健康發(fā)展的主要障礙之一。nft的獨(dú)一無(wú)二性和交易的匿名性為欺詐者提供了可乘之機(jī)，使得nft欺詐檢測(cè)成為維護(hù)市場(chǎng)誠(chéng)信和保護(hù)投資者利益的重要任務(wù)，nft欺詐檢測(cè)逐漸成為研究者關(guān)注的課題。
2、傳統(tǒng)的nft欺詐檢測(cè)方法大多僅使用交易數(shù)據(jù)，而忽視了nft本質(zhì)上的多媒體特性—即其承載的文本、圖片等非交易性數(shù)據(jù)。這些非交易性數(shù)據(jù)往往蘊(yùn)含著豐富的信息，能夠揭示nft項(xiàng)目的真實(shí)性、創(chuàng)意價(jià)值及市場(chǎng)潛力，同時(shí)也是欺詐者可能偽造或篡改的重點(diǎn)對(duì)象。例如，nft作品的描述文本可能夸大其詞，誤導(dǎo)投資者；圖片可能經(jīng)過(guò)篡改以冒充稀有或高價(jià)值作品。然而，目前的研究方法鮮少將這類(lèi)數(shù)據(jù)納入分析范疇，導(dǎo)致欺詐識(shí)別模型在全面性和準(zhǔn)確性上存在局限。
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)上述問(wèn)題，本專(zhuān)利技術(shù)的目的是提供一種nftrugpulll欺詐檢測(cè)方法、系統(tǒng)、介質(zhì)及設(shè)備，基于多模態(tài)數(shù)據(jù)融合進(jìn)行nft?rug?pull欺詐檢測(cè)，對(duì)nft的多模態(tài)數(shù)據(jù)進(jìn)行分析，挖掘數(shù)據(jù)中包含的nft項(xiàng)目特征，進(jìn)而對(duì)nft?rug?pull欺詐風(fēng)險(xiǎn)進(jìn)行合理預(yù)測(cè)。
2、為實(shí)現(xiàn)上述目的，第一方面，本專(zhuān)利技術(shù)采取的技術(shù)方案為：一種nftrugpull欺詐檢測(cè)方法，其包括：爬取nft的文本、圖片和交易數(shù)
3、進(jìn)一步，采用bert提取nft的文本特征，包括：
4、將輸入的文本序列進(jìn)行分詞處理，將其拆分成一系列的子詞單元；
5、將每個(gè)子詞單元分別依次進(jìn)行詞嵌入、分段嵌入和位置嵌入，并將三種嵌入相加，得到一個(gè)包含了子詞單元語(yǔ)義、分段和位置信息的向量，作為nft的文本特征。
6、進(jìn)一步，采用vgg與transformer結(jié)合的方式提取圖片特征，包括：
7、采用vgg提取nft圖片數(shù)據(jù)的基礎(chǔ)圖片特征；
8、將每個(gè)圖片的基礎(chǔ)特征集合輸入transformer模型，利用transformer進(jìn)行集合特征提取，得到代表每個(gè)nft的圖片之間聯(lián)系和區(qū)別的特征；
9、將vgg提取的基礎(chǔ)圖片特征與transformer提取的集合特征進(jìn)行聚合，得到一個(gè)既能體現(xiàn)圖片本身特征，又能體現(xiàn)圖片與圖片之間的聯(lián)系與區(qū)別的圖片特征。
10、進(jìn)一步，采用vgg提取nft圖片數(shù)據(jù)的基礎(chǔ)圖片特征，包括：
11、加載預(yù)訓(xùn)練的vgg16模型，并去除最后的全連接層，以獲得圖像的特征表示；
12、定義函數(shù)calculate_dataset_stats，用于計(jì)算數(shù)據(jù)集的平均值和標(biāo)準(zhǔn)差；
13、采用torchvision.transforms庫(kù)對(duì)圖像進(jìn)行預(yù)處理，調(diào)整圖像大小至設(shè)定尺寸，并進(jìn)行中心裁剪進(jìn)一步縮小圖像大小，將該圖像轉(zhuǎn)換為張量并進(jìn)行歸一化處理；
14、通過(guò)遍歷數(shù)據(jù)集中每個(gè)文件夾中的圖像文件，逐一讀取并進(jìn)行預(yù)處理，預(yù)處理后的圖像通過(guò)vgg_features模型進(jìn)行前向傳播，以提取圖像的特征向量，特征向量以json格式存儲(chǔ)。
15、進(jìn)一步，將一個(gè)nft系列的多個(gè)基礎(chǔ)圖片特征作為一個(gè)集合輸入transformer進(jìn)行集合特征提取，包括：
16、將每幅圖像的特征向量進(jìn)行嵌入，使其符合transformer模型的要求；
17、通過(guò)自注意力機(jī)制，transformer模型能夠關(guān)注圖像特征之間的重要性，實(shí)現(xiàn)特征的動(dòng)態(tài)權(quán)重分配；
18、通過(guò)對(duì)所有輸入特征的平均計(jì)算，生成一個(gè)全局的集合特征向量，以代表輸入圖像的整體信息。
19、進(jìn)一步，使用deepwalk通過(guò)從某一節(jié)點(diǎn)開(kāi)始執(zhí)行隨機(jī)游走，包括：
20、從圖中的某一節(jié)點(diǎn)開(kāi)始，執(zhí)行多個(gè)隨機(jī)游走，每次游走生成一個(gè)固定長(zhǎng)度的節(jié)點(diǎn)序列；
21、在游走過(guò)程中，每次選擇當(dāng)前節(jié)點(diǎn)的鄰居節(jié)點(diǎn)作為下一個(gè)訪問(wèn)節(jié)點(diǎn)，選擇的概率與邊的特征相關(guān)，以保證游走過(guò)程中更可能訪問(wèn)到具有高重要性的節(jié)點(diǎn)。
22、進(jìn)一步，分類(lèi)模型采用邏輯回歸、支持向量機(jī)、隨機(jī)森林和k最近鄰，模型訓(xùn)練為：
23、數(shù)據(jù)被分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集進(jìn)一步分為標(biāo)簽和特征，標(biāo)簽用于指示樣本所屬的類(lèi)別，特征則包含用于分類(lèi)的相關(guān)信息；
24、將文本特征、圖片特征和交易特征作為輸入，以增強(qiáng)模型性能，采用交叉驗(yàn)證進(jìn)行模型訓(xùn)練和超參數(shù)調(diào)優(yōu)，將訓(xùn)練集數(shù)據(jù)劃分為多個(gè)子集，每次選取其中一個(gè)子集作為驗(yàn)證集，其余子集用于訓(xùn)練模型，通過(guò)多個(gè)子集的迭代訓(xùn)練和驗(yàn)證，優(yōu)化模型以避免過(guò)擬合，并評(píng)估其泛化能力；
25、選擇表現(xiàn)最優(yōu)的模型用于nft欺詐檢測(cè)，確保高準(zhǔn)確性和可靠性，為nft市場(chǎng)安全提供保障。
26、第二方面，本專(zhuān)利技術(shù)采取的技術(shù)方案為：一種nftrugpull欺詐檢測(cè)系統(tǒng)，其包括：數(shù)據(jù)獲取模塊，爬取nft的文本、圖片和交易數(shù)據(jù)，作為基礎(chǔ)數(shù)據(jù)集；內(nèi)部特征提取模塊，采用bert提取nft的文本特征，并采用vgg與transformer結(jié)合的方式提取圖片特征；外部特征提取模塊，采用nft交易數(shù)據(jù)，將賬戶作為節(jié)點(diǎn)，將交易資金的流動(dòng)作為有向邊以構(gòu)建交易網(wǎng)絡(luò)圖，并采用廣度優(yōu)先搜索算法從交易網(wǎng)絡(luò)圖中的每個(gè)節(jié)點(diǎn)出發(fā)，采樣最大距離為一定值的子圖，使用deepwalk通過(guò)從某一節(jié)點(diǎn)開(kāi)始執(zhí)行隨機(jī)游走，隨機(jī)遍歷整個(gè)交易圖，以skip-gram模型為每個(gè)節(jié)點(diǎn)生成嵌入，得到整個(gè)交易網(wǎng)絡(luò)的特征向量，完成交易特征提取；欺詐檢測(cè)模塊，將提取的文本特征、圖片特征和交易特征拼接聚合成一個(gè)整體特征，該整體特征和標(biāo)簽輸入分類(lèi)模型，進(jìn)行分類(lèi)，以識(shí)別潛在的欺詐行為。
27、第三方面，本專(zhuān)利技術(shù)采取的技術(shù)方案為：一種存儲(chǔ)一個(gè)或多個(gè)程序的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述一個(gè)或多個(gè)程序包括指令，所述指令當(dāng)由計(jì)算設(shè)備執(zhí)行時(shí)，使得所述計(jì)算設(shè)備執(zhí)行上述方法中的任一方法。
28、第四方面，本專(zhuān)利技術(shù)采取的技術(shù)方案為：一種計(jì)算設(shè)備，其包括：一個(gè)或多個(gè)處理器、存儲(chǔ)器及一個(gè)或多個(gè)程序，其中一個(gè)或多個(gè)程序存儲(chǔ)在所述存儲(chǔ)器中并被配置為所述一個(gè)或多個(gè)處理器執(zhí)行，所述一個(gè)或多個(gè)程序包括用于執(zhí)行上述方法中的任一方法的指令。
29、本專(zhuān)利技術(shù)由于采取以上技術(shù)方案，其具有以下優(yōu)本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種NFTRugPull欺詐檢測(cè)方法，其特征在于，包括：
2.如權(quán)利要求1所述NFTRugPull欺詐檢測(cè)方法，其特征在于，采用BERT提取NFT的文本特征，包括：
3.如權(quán)利要求1所述NFTRugPull欺詐檢測(cè)方法，其特征在于，采用VGG與Transformer結(jié)合的方式提取圖片特征，包括：
4.如權(quán)利要求3所述NFTRugPull欺詐檢測(cè)方法，其特征在于，采用VGG提取NFT圖片數(shù)據(jù)的基礎(chǔ)圖片特征，包括：
5.如權(quán)利要求3所述NFTRugPull欺詐檢測(cè)方法，其特征在于，將一個(gè)NFT系列的多個(gè)基礎(chǔ)圖片特征作為一個(gè)集合輸入Transformer進(jìn)行集合特征提取，包括：
6.如權(quán)利要求1所述NFTRugPull欺詐檢測(cè)方法，其特征在于，使用DeepWalk通過(guò)從某一節(jié)點(diǎn)開(kāi)始執(zhí)行隨機(jī)游走，包括：
7.如權(quán)利要求1所述NFTRugPull欺詐檢測(cè)方法，其特征在于，分類(lèi)模型采用邏輯回歸、支持向量機(jī)、隨機(jī)森林和K最近鄰，模型訓(xùn)練為：
8.一種NFTRugPull欺詐檢測(cè)系統(tǒng)，其特征在于，包括：>
9.一種存儲(chǔ)一個(gè)或多個(gè)程序的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述一個(gè)或多個(gè)程序包括指令，所述指令當(dāng)由計(jì)算設(shè)備執(zhí)行時(shí)，使得所述計(jì)算設(shè)備執(zhí)行如權(quán)利要求1至7所述方法中的任一方法。
10.一種計(jì)算設(shè)備，其特征在于，包括：一個(gè)或多個(gè)處理器、存儲(chǔ)器及一個(gè)或多個(gè)程序，其中一個(gè)或多個(gè)程序存儲(chǔ)在所述存儲(chǔ)器中并被配置為所述一個(gè)或多個(gè)處理器執(zhí)行，所述一個(gè)或多個(gè)程序包括用于執(zhí)行如權(quán)利要求1至7所述方法中的任一方法的指令。
...【技術(shù)特征摘要】
1.一種nftrugpull欺詐檢測(cè)方法，其特征在于，包括：
2.如權(quán)利要求1所述nftrugpull欺詐檢測(cè)方法，其特征在于，采用bert提取nft的文本特征，包括：
3.如權(quán)利要求1所述nftrugpull欺詐檢測(cè)方法，其特征在于，采用vgg與transformer結(jié)合的方式提取圖片特征，包括：
4.如權(quán)利要求3所述nftrugpull欺詐檢測(cè)方法，其特征在于，采用vgg提取nft圖片數(shù)據(jù)的基礎(chǔ)圖片特征，包括：
5.如權(quán)利要求3所述nftrugpull欺詐檢測(cè)方法，其特征在于，將一個(gè)nft系列的多個(gè)基礎(chǔ)圖片特征作為一個(gè)集合輸入transformer進(jìn)行集合特征提取，包括：
6.如權(quán)利要求1所述nftrugpull欺詐檢測(cè)方法，其特征在于...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：劉永剛，杜瑋，趙一諾，
申請(qǐng)(專(zhuān)利權(quán))人：中國(guó)人民大學(xué)，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。