基于eID和譜理論的跨平臺(tái)虛擬資產(chǎn)交易審計(jì)方法
【專利摘要】本發(fā)明公開(kāi)一種基于eID和譜理論的跨平臺(tái)虛擬資產(chǎn)交易審計(jì)方法，本技術(shù)的核心思想就是對(duì)跨平臺(tái)虛擬資產(chǎn)的交易操作日志進(jìn)行建模并構(gòu)造審計(jì)規(guī)則庫(kù)，然后結(jié)合eID技術(shù)利用交易屬性對(duì)用戶交易日志實(shí)現(xiàn)關(guān)聯(lián)審計(jì)分析，最終獲取理想的虛擬資產(chǎn)交易審計(jì)準(zhǔn)確率，本技術(shù)在建立數(shù)據(jù)模型時(shí)充分考慮了數(shù)據(jù)相關(guān)屬性的問(wèn)題，并且能適應(yīng)用戶交易屬性多變性和交易行為不確定性的特點(diǎn)。本技術(shù)通過(guò)構(gòu)建規(guī)則庫(kù)可以根據(jù)審計(jì)結(jié)果對(duì)其進(jìn)行動(dòng)態(tài)修正。在虛擬資產(chǎn)交易日志測(cè)試階段，本技術(shù)的使用的檢測(cè)方法不僅簡(jiǎn)單而且能獲取較高的精度。
【專利說(shuō)明】基于elD和譜理論的跨平臺(tái)虛擬資產(chǎn)交易審計(jì)方法

【技術(shù)領(lǐng)域】
[0001] 本技術(shù)屬于網(wǎng)絡(luò)與信息安全領(lǐng)域，具體涉及一種基于elD和譜理論的跨平臺(tái)虛擬 資產(chǎn)交易審計(jì)方法。

【背景技術(shù)】
[0002] elD是電子身份證（electronic IDentity)的英文縮寫，全稱為公民網(wǎng)絡(luò)電子身 份標(biāo)識(shí)，是居民身份證在網(wǎng)絡(luò)上的異化形式。elD是網(wǎng)絡(luò)上遠(yuǎn)程證明個(gè)人真實(shí)身份的權(quán)威性 電子信息文件，由公安部公民網(wǎng)絡(luò)身份識(shí)別系統(tǒng)簽發(fā)（http://eid. cn/khatiseid. html)。 它是由網(wǎng)民個(gè)人身份信息生成的一組唯一的網(wǎng)絡(luò)標(biāo)識(shí)符和數(shù)字證書(shū)，而網(wǎng)民真實(shí)信息保存 在第三方可信機(jī)構(gòu)。智能芯片卡把功能和用戶的其他標(biāo)識(shí)信息（如名稱、e-mail、身份證號(hào) 等）捆綁在一起，在網(wǎng)絡(luò)上提供用戶身份的驗(yàn)證信息，使得每個(gè)網(wǎng)民在網(wǎng)絡(luò)虛擬環(huán)境中有 且只有一個(gè)對(duì)應(yīng)的真實(shí)身份。elD具有權(quán)威性、安全性和公信力，它避免了直接使用身份證 導(dǎo)致的隱私泄漏問(wèn)題，實(shí)現(xiàn)真正意義上的"前端匿名，后端實(shí)名"機(jī)制。目前，作為科技部的 一個(gè)重大項(xiàng)目，elD在北京、上海等部分地區(qū)開(kāi)始試運(yùn)用，主要是對(duì)互聯(lián)網(wǎng)上的遠(yuǎn)程身份進(jìn) 行識(shí)別與驗(yàn)證，如校園網(wǎng)絡(luò)、電子商務(wù)、網(wǎng)絡(luò)媒體，在線服務(wù)等等。北京郵電大學(xué)校園網(wǎng)已基 本實(shí)現(xiàn)了基于elD的服務(wù)功能，并且取得了階段性的成果。elD的使用為本技術(shù)的實(shí)現(xiàn)奠定 了基礎(chǔ)。
[0003] 虛擬資產(chǎn)交易審計(jì)主要是檢測(cè)交易過(guò)程中的異常，即通過(guò)對(duì)虛擬資產(chǎn)交易相關(guān)日 志進(jìn)行關(guān)聯(lián)分析，及時(shí)發(fā)現(xiàn)用戶對(duì)虛擬資產(chǎn)的違規(guī)操作行為。異常審計(jì)是數(shù)據(jù)挖掘的重 要內(nèi)容，其實(shí)現(xiàn)方法有多種?；诜诸惖漠惓徲?jì)方法：基于分類的異常審計(jì)技術(shù)是一個(gè) 兩階段過(guò)程，包括學(xué)習(xí)階段和分類階段。學(xué)習(xí)階段，又稱訓(xùn)練階段，建立描述預(yù)先定義的 數(shù)據(jù)類或概念集的分類器，通過(guò)有效的標(biāo)記訓(xùn)練集構(gòu)造分類器；分類階段，又稱測(cè)試階段， 利用分類器將一個(gè)測(cè)試對(duì)象標(biāo)記為正?；虍惓?。它的使用基于如下一般性假設(shè)：在給定 的特征空間中，必能構(gòu)造區(qū)分正常和異常數(shù)據(jù)類的分類器（Tan P N，Steinbach M，Kumar V. Introduction to Data Mining[J]· 2006·)。基于最鄰近的異常審計(jì)技術(shù)：給定特征空 間中的數(shù)據(jù)集，可以使用距離度量來(lái)量化對(duì)象之間的相似性。直觀地，遠(yuǎn)離其它對(duì)象的對(duì) 象可以被視為異常，基于鄰近性的方法假定：異常數(shù)據(jù)與它最近鄰的鄰近性顯著偏離數(shù) 據(jù)集中的其它數(shù)據(jù)與它們近鄰之間的鄰近性（Byers S，Raftery A E. Nearest-neighbor clutter removal for estimating features in spatial point processes[J]. Journal of the American Statistical Association, 1998, 93 (442): 577-584·)。統(tǒng)計(jì)學(xué)異常審 計(jì)技術(shù)：統(tǒng)計(jì)學(xué)異常審計(jì)技術(shù)對(duì)數(shù)據(jù)的正常性做了假設(shè)。它們假定數(shù)據(jù)集中的正常對(duì)象 由一個(gè)隨機(jī)過(guò)程（生成模型）產(chǎn)生，因此，正常對(duì)象出現(xiàn)在該隨機(jī)模型的高概率區(qū)域中， 而低概率區(qū)域中的對(duì)象是異常的。該技術(shù)的一般思想是：學(xué)習(xí)一個(gè)擬合給定數(shù)據(jù)集的生 成模型，然后識(shí)別該模型低概率區(qū)域中的對(duì)象，把它們視為異常（Aggarkal C C，Philip S Y. Outlier Detection kith Uncertain Data[C]//SDM. 2008:483-493·)。信息論的異常 審計(jì)技術(shù)：信息理論技術(shù)采用Kolmogorov復(fù)雜性、熵和相對(duì)熵等不同的信息論方法分析 數(shù)據(jù)集中的信息量。該技術(shù)的使用基于以下事實(shí)：數(shù)據(jù)集中的異常會(huì)引發(fā)數(shù)據(jù)集信息量 的不規(guī)則變化。信息論的異常檢測(cè)技術(shù)的步驟如下：給定數(shù)據(jù)集D，找出該數(shù)據(jù)集的一個(gè) 最小子集I，使得C(D)-C(D-I)的值最大，子集I中的數(shù)據(jù)被認(rèn)為是異常，其中C(D)表示 數(shù)據(jù) D 的復(fù)雜性(Keogh E, Lonardi S, Ratanamahatana C A. Tokards parameter-free data mining[C]//Proceedings of the tenth ACM SIGKDD international conference on Knokledge discovery and data mining. ACM, 2004:206-215·)?；谧V理論的異常 審計(jì)技術(shù)：譜技術(shù)通過(guò)一組包含數(shù)據(jù)集主要特征的屬性找到數(shù)據(jù)的一種近似表示。基于 譜的異常審計(jì)技術(shù)假設(shè)數(shù)據(jù)可以被映射到低維度的子空間中并且正常數(shù)據(jù)與異常數(shù)據(jù)有 顯著區(qū)別。因此該技術(shù)一般采用主成分分析法找到這樣的子空間，在該子空間內(nèi)，異常 數(shù)據(jù)容易被識(shí)別（Agovic A，Banerjee A, Ganguly A R，et al.6Anomaly Detection in Transportation Corridors Using Manifold Embedding[J]. Knokledge Discovery from Sensor Data, 2008:81-105.)〇
[0004] 在虛擬資產(chǎn)交易審計(jì)中，與虛擬資產(chǎn)有關(guān)的異常一般為情境異常，因?yàn)樘摂M資產(chǎn) 有多種類型，不同類型的虛擬資產(chǎn)屬性不一樣；并且不同的用戶對(duì)同類虛擬資產(chǎn)的操作也 不一樣，這涉及虛擬資產(chǎn)交易平臺(tái)的多樣性。因此，虛擬資產(chǎn)的審計(jì)包含兩方面內(nèi)容：虛擬 資產(chǎn)操作日志的審計(jì)和虛擬資產(chǎn)屬性信息的審計(jì)。因此單一地使用上述某種技術(shù)對(duì)虛擬資 產(chǎn)的交易進(jìn)行異常審計(jì)并不科學(xué)，也很難獲得較高的檢測(cè)準(zhǔn)確率。現(xiàn)有的異常審計(jì)方法側(cè) 重于審計(jì)數(shù)據(jù)的轉(zhuǎn)移屬性或頻率屬性，卻很少關(guān)注數(shù)據(jù)的相關(guān)屬性。


【發(fā)明內(nèi)容】

[0005] 針對(duì)現(xiàn)有技術(shù)的缺陷，本技術(shù)在建立數(shù)據(jù)模型時(shí)就充分考慮了數(shù)據(jù)相關(guān)屬性的問(wèn) 題，并且能適應(yīng)用戶交易屬性多變性和交易行為不確定性的特點(diǎn)。本技術(shù)通過(guò)使用譜理論 方法構(gòu)建可以根據(jù)審計(jì)結(jié)果對(duì)其進(jìn)行動(dòng)態(tài)修正的審計(jì)規(guī)則庫(kù)，并結(jié)合elD技術(shù)實(shí)現(xiàn)對(duì)虛擬 資產(chǎn)交易的跨平臺(tái)審計(jì)。在虛擬資產(chǎn)交易日志測(cè)試階段，本技術(shù)使用的檢測(cè)方法不僅簡(jiǎn)單 而且能獲取較高的精度。
[0006] 本技術(shù)的核心思想就是對(duì)虛擬資產(chǎn)的交易操作日志進(jìn)行建模并構(gòu)造審計(jì)規(guī)則庫(kù)， 然后結(jié)合elD技術(shù)利用交易屬性對(duì)用戶交易日志實(shí)現(xiàn)關(guān)聯(lián)審計(jì)分析，最終獲取理想的虛擬 資產(chǎn)交易審計(jì)準(zhǔn)確率。本發(fā)明方案如下：
[0007] 步驟1、給定某類虛擬資產(chǎn)的正常交易日志記錄，稱之為訓(xùn)練集；對(duì)于該訓(xùn)練集， 根據(jù)elD的唯一性，對(duì)其進(jìn)行預(yù)處理：合并相同elD用戶的交易日志，將交易操作轉(zhuǎn)化為時(shí) 序數(shù)據(jù)，統(tǒng)計(jì)每個(gè)elD用戶的交易屬性信息，形成用戶交易屬性信息庫(kù)Φ ;
[0008] 步驟2、為用戶的交易操作日志建立數(shù)學(xué)模型：將每名elD用戶的交易操作時(shí)序數(shù) 據(jù)進(jìn)行分割，分割長(zhǎng)度為1 ;此外，將日志記錄中互不相同操作的個(gè)數(shù)記為N，這樣可以為每 個(gè)1長(zhǎng)的交易操作序列創(chuàng)建NXN大小的矩陣Q ;該矩陣的橫縱坐標(biāo)都是不同類型的操作， 而矩陣元素就是對(duì)應(yīng)的操作對(duì)在窗口尺寸h內(nèi)出現(xiàn)的頻數(shù)，即h個(gè)連續(xù)操作中某操作對(duì)出 現(xiàn)的次數(shù)；矩陣G的每個(gè)元素代表了操作對(duì)之間的關(guān)聯(lián)度；
[0009] 步驟3、利用譜理論抽取用戶交易操作行為主特征：由訓(xùn)練集轉(zhuǎn)化得到的矩陣集 為C = ，大小都是NXN的，通過(guò)等式⑴計(jì)算均值矩陣C_，n是訓(xùn)練集中 時(shí)序數(shù)據(jù)段的總數(shù)；
[0010]

【權(quán)利要求】
1. 一種基于elD和譜理論的跨平臺(tái)虛擬資產(chǎn)交易審計(jì)方法，其特征在于，包括以下步 驟： 步驟1、給定某類虛擬資產(chǎn)的正常交易日志記錄，稱之為訓(xùn)練集；對(duì)于該訓(xùn)練集，根據(jù) elD的唯一性，對(duì)其進(jìn)行預(yù)處理：合并相同elD用戶的交易日志，將交易操作轉(zhuǎn)化為時(shí)序數(shù) 據(jù)，統(tǒng)計(jì)每個(gè)elD用戶的交易屬性信息，形成用戶交易屬性信息庫(kù)Φ ; 步驟2、為用戶的交易操作日志建立數(shù)學(xué)模型：將每名elD用戶的交易操作時(shí)序數(shù)據(jù)進(jìn) 行分割，分割長(zhǎng)度為1 ;此外，將日志記錄中互不相同操作的個(gè)數(shù)記為N，這樣可以為每個(gè)1 長(zhǎng)的交易操作序列創(chuàng)建NXN大小的矩陣Q ;該矩陣的橫縱坐標(biāo)都是不同類型的操作，而矩 陣元素就是對(duì)應(yīng)的操作對(duì)在窗口尺寸h內(nèi)出現(xiàn)的頻數(shù)，即h個(gè)連續(xù)操作中某操作對(duì)出現(xiàn)的 次數(shù)；矩陣G的每個(gè)元素代表了操作對(duì)之間的關(guān)聯(lián)度； 步驟3、利用譜理論抽取用戶交易操作行為主特征：由訓(xùn)練集轉(zhuǎn)化得到的矩陣集為 ￡ = {C1;C2,…，C".}，大小都是NXN的，通過(guò)等式⑴計(jì)算均值矩陣C_，n是訓(xùn)練集中時(shí) 序數(shù)據(jù)段的總數(shù)；
⑴ 矩陣集e中的每個(gè)矩陣減去均值矩陣cm_得到新的矩陣集c' ；對(duì)于c中的NXN矩陣 C/，可以改寫為1XN2的向量?，即
，構(gòu)造協(xié)方差矩陣 Ε，大小是Ν2 X Ν2,矩陣Ε元素的含義就是操作對(duì)與操作對(duì)之前關(guān)聯(lián)度；
(2)根據(jù)PCA方法計(jì)算矩陣Ε的特征值為λ i和相應(yīng)的特征向 量vdl彡i彡N2，彡…彡Af);根據(jù)譜理論和矩陣E的性質(zhì)可知，Vl，v2，···，％2構(gòu)成 Ν2 X N2維空間的一組正交基，從N2個(gè)特征向量中選擇前k個(gè)，使得這k個(gè)特征的主成分貢獻(xiàn) 率達(dá)到預(yù)定閾值Π ，即
(3) 這k個(gè)特征向量就代表了用戶交易行為的主特征； 步驟4、通過(guò)用戶交易行為主特征構(gòu)建審計(jì)規(guī)則庫(kù)；任何虛擬資產(chǎn)交易日志轉(zhuǎn)化的時(shí) 序數(shù)據(jù)矩陣都可以用向量積
(4) 計(jì)算它在k個(gè)特征向量構(gòu)成的主特征空間中的坐標(biāo)表示，記為X = (Xi，…，xk)，其中 NXN的C改寫成1XN2的f，通過(guò)上式計(jì)算，任何高維的時(shí)序數(shù)據(jù)矩陣都可以轉(zhuǎn)化為主特 征空間的坐標(biāo)表示，達(dá)到了降維的目的；
(5) 其中Ai中的元素由XiCi中元素大于閾值α的值構(gòu)成，其余的構(gòu)成& ;正因子模塊八1反 映了在正常交易過(guò)程中用戶最有可能的產(chǎn)生操作序列，而&則反映了最不可能出現(xiàn)的操作 序列；通過(guò)式（4)、（5)計(jì)算C'中每個(gè)矩陣在主特征空間中的坐標(biāo)表示并構(gòu)成正因子模塊組 F = μ1,…，Α"和負(fù)因子模塊組f =舊1, ,βη：|,這樣:F、P就構(gòu)成了虛擬資產(chǎn)交易 日志審計(jì)規(guī)則庫(kù)； 步驟5、虛擬資產(chǎn)交易操作和交易屬性關(guān)聯(lián)審計(jì)：對(duì)于任一待檢測(cè)的用戶虛擬資產(chǎn)交 易時(shí)序數(shù)據(jù)s，首先根據(jù)用戶使用的elD在交易屬性信息庫(kù)Φ中查詢s相關(guān)操作的屬性發(fā) 生概率是否都達(dá)到預(yù)先設(shè)定的閾值ξ，若達(dá)到則按步驟2構(gòu)建矩陣M，否則就在矩陣Μ中未 達(dá)到閾值ξ的屬性關(guān)聯(lián)操作所在的行或列加上懲罰因子θ，Θ值由實(shí)際應(yīng)用確定；然后 減去均值矩陣C m_得到Μ'，并根據(jù)式（4)，式（5)計(jì)算該時(shí)序數(shù)據(jù)的正負(fù)因子模塊Ai '和
;最后對(duì)于F和f中的每一組模塊，根據(jù)下列等式計(jì)算用戶此段虛擬資產(chǎn)交易日志正常 與否的判斷值， (6) (7) 對(duì)于審計(jì)判定值ε，有如下審計(jì)規(guī)則： >若吁< ε.且％ > ε，則審計(jì)為正常； >若％ < ^且呀> ε，貝1J審計(jì)為異常； >若印< ε且％ < ε， i. 若％ _ f < 〇,則審計(jì)為正常； ii. 否則審計(jì)為異常； >若〇^ > ε且％〉ε， i. 若％ _(%<0,則審計(jì)為異常 ii. 否則審計(jì)為正常； 步驟6、算法修正，若本技術(shù)判斷正確且審計(jì)結(jié)果為正常，則將用戶相應(yīng)交易操作屬性 信息加入屬性信息庫(kù)Φ，并根據(jù)用戶elD進(jìn)行概率統(tǒng)計(jì)；若本技術(shù)判斷錯(cuò)誤且審計(jì)結(jié)果為 正常，則將用戶時(shí)序數(shù)據(jù)的生成的負(fù)因子模塊加入負(fù)因子模塊組f ;若本技術(shù)判斷錯(cuò)誤且 審計(jì)結(jié)果為異常，則將用戶時(shí)序數(shù)據(jù)的生成的正因子模塊加入負(fù)因子模塊組：F。
【文檔編號(hào)】G06Q40/04GK104090835SQ201410298277
【公開(kāi)日】2014年10月8日 申請(qǐng)日期:2014年6月27日 優(yōu)先權(quán)日:2014年6月27日
【發(fā)明者】全擁, 賈焰, 韓偉紅, 李愛(ài)平, 周斌, 楊樹(shù)強(qiáng), 李樹(shù)棟, 黃九鳴, 李虎, 鄧璐, 姬炳帥, 劉斐 申請(qǐng)人:中國(guó)人民解放軍國(guó)防科學(xué)技術(shù)大學(xué)