区块链技术的发展在给我们带来便利的同时,也出现了很多安全问题。区块链交易因其匿名性而广受欢迎,但也因此造成洗钱等非法活动的猖獗。区块链交易数据集存在大量噪声节点且标签比例失衡,而最先进的区块链交易检测技术EvolveGCN模型对数据集处理效果不佳,且存在忽视图结构信息等缺陷。因此,本文提出了平衡子图采样算法进行图采样,并应用于RF-EvolveGCN模型解决上述问题。具体来说本文主要研究工作如下:1.提出了可应用于标签比例失衡数据集的平衡子图采样算法。提出应用子图采样算法降低EvolveGCN处理区块链交易数据集时的时间和空间复杂度,同时改进提出了由噪声清除算法和比例子图选择算法组成的平衡子图采样算法:选择性噪声清除算法保留了EvolveGCN无差别清除算法清除的重要未知节点并添加伪标签;比例子图选择算法充分利用EvolveGCN选取训练集时忽略的图结构信息选取子图。通过三组消融实验,分别验证了平衡子图采样算法中两个子算法及其整体的有效性,其中以非法节点的F1 sorce为实验指标,平衡子图采样算法提升了 10.2%。最后通过对比试验选取了最佳的训练集合法非法标签比例为2:5。2.提出了可应用于标签样本数量较少场景的RF-EvolveGCN模型。RF-EvolveGCN解决了 EvolveGCN在处理区块链交易数据集时因标签样本少、不同标签节点比例失衡产生的识别效率不高的问题。RF-EvolveGCN模型由两部分组成:预训练随机森林的特征重要性调节进行特征的重要性排序,并且降维、去除与预测结果不相关的输入特征;随机森林分类器的替换将逻辑回归分类模型替换为了对标签样本少、不同标签节点比例失衡数据集分类效果更好的随机森林模型。然后通过三组消融实验,展示了 RF-EvolveGCN模型在非法F1 sorce的实验指标上提升了 13.4%。最后结合平衡子图采样算法构建SubRF-EvolveGCN,与多模型对比实验,实验结果显示模型在非法F1 sorce的实验指标上提升了 16.4%。3.构造了一个兼具数据分析处理模块、对比算法效果展示模块和异常检测节点标记模块的区块链交易异常检测工具。以本文所提出的SubRF-EvolveGCN为核心模型,集合图标分析工具和其他基准模型构造工具。最后对工具的模块功能和工具性能进行了测试,测试结果均符合预期。