1.一种基于交易子图网络的以太坊钓鱼节点检测方法，其特征在于，包括以下步骤：S1：数据获取，从互联网上爬取已经公开的钓鱼节点和非钓鱼节点数据；

S2：网络构建，对目标节点为钓鱼节点或非钓鱼节点均构建以它们为中心的有向有权交易自网络G＝(V，E，W，D)，其中V为包含目标节点和邻居节点的集合，E、W、D分别为目标节点与邻居节点的所有连边、连边权重和连边方向集合，W元素的大小即是对应交易金额的数目；

S3：图映射，按照一种新型有向图映射方法将上述交易自网络映射成具有内在隐含信*

息的交易子图网络映射图G；具体步骤如下：S3.1：连边节点映射：

记原始自网络G映射后的映射图为 其节点和边集用* * * * * *

V＝{di|i＝0，1，2，...}和E∈(V×V)表示；映射图G中的节点V 是由原始图中的连边一* *

一映射而来，而映射图G 中的连边E 则是通过下述规则生成；记C为自网络中的中心目标节点，i和j分别为目标节点C任意的两个邻居，那么如果它们之间的交易流为i→C→j，则在映*

射图G中节点v1＝(i，C)有一条指向v2＝(C，j)的连边；如果它们之间的交易流为j→C→i，*

则在映射图G中节点v1＝(j，C)有一条指向v2＝(C，i)的连边；而交易流动为i→C←j或者i←C→j两种情况，在映射图中均不产生连边；按照上述规则，对自网络中的所有邻居按上述*

规则无重复遍历，最终能构建出唯一映射图G的拓扑结构；

*

S3.2：图权重映射：在构建完映射图的拓扑结构后，还需要确定映射图G的连边权重；通* *

过步骤S3.1中拓扑结构的构造过程，已经得到了映射图G每个节点的权重标签，那么G中的连边权重取决于该连边关联的两节点权重大小，即：Wij＝log(Wi+Wj)，其中Wij为Wi和Wj间的权重；

S4：图特征提取与融合，基于Graph2vec模型对原始自图以及映射图进行图特征提取，并将二者特征拼接融合；

S5：分类器训练与预测，将钓鱼节点检测问题转化成钓鱼节点网络的分类问题，将融合特征作为输入，有监督的训练随机森林分类器，实现最终预测。

2.如权利要求1所述的一种基于交易子图网络的以太坊钓鱼节点检测方法，其特征在于，步骤S1具体包括：

S1.1：将截至2020年1月1日公布的钓鱼诈骗用户的地址作为目标节点为钓鱼节点的样本，对获得数据合理清洗后，剩余样本数量为1625例；

S1.2：通过以太坊平台网站Etherscan，对上述钓鱼节点地址的邻居进行查询，提取得到其所有邻居的地址、钓鱼节点与邻居间的交易流方向以及各交易流的实际金额；

S1.3：在同一时间段内，从以太坊平台上提取相同数量的非钓鱼节点样本，同S1.2步骤提取地址、交易流以及交易金额。

3.如权利要求1所述的一种基于交易子图网络的以太坊钓鱼节点检测方法，其特征在于，步骤S4具体包括：

S4.1：特征提取：

*

使用Graph2vec模型对原始有向有权自网络图G以及有向有权的映射图G 分别提取K维* K

特征，并分别记作F，F∈R；

S4.2：特征融合：

*

将原始自网络中提取的特征F和映射图中提取的特征F横向上进行拼接融合，即最终的* 2K

图表示为Ff＝[F，F]∈R 。

4.如权利要求1所述的一种基于交易子图网络的以太坊钓鱼节点检测方法，其特征在于，所述步骤S5具体包括：S5.1：分类器训练：

将融合特征Ff作为输入特征，对应网络中心节点属性作为标签y∈Y训练随机森林模型，钓鱼节点值为1，非钓鱼节点值为0，得到钓鱼节点检测的分类器；

S5.2：钓鱼节点预测：

对于任意可疑钓鱼节点，按照步骤S2和S3得到一个自网络和一个映射网络，通过步骤S4得到融合特征并输入到完成训练的钓鱼节点检测分类器中实现对钓鱼诈骗节点的检测任务。

5.一种基于交易子图网络的以太坊钓鱼节点检测系统，包括依次连接的数据采集模块、网络构建模块、图映射模块、特征模块、分类预测模块；

所述数据采集模块，从互联网中爬取公开的钓鱼节点和非钓鱼节点数据；

所述网络构建模块，根据目标节点、邻居节点地址以及交易流方向和金额信息构建有向有权的自网络图；

所述图映射模块，对原始有向有权自网络图按照连边节点映射规则构建出对应的有权有向映射图；具体步骤如下：S3.1：连边节点映射：

记原始自网络G映射后的映射图为 其节点和边集用* * * * * *

V＝{di|i＝0，1，2，...}和E∈(V×V)表示；映射图G中的节点V 是由原始图中的连边一* *

一映射而来，而映射图G 中的连边E 则是通过下述规则生成；记C为自网络中的中心目标节点，i和j分别为目标节点C任意的两个邻居，那么如果它们之间的交易流为i→C→j，则在映*

射图G中节点v1＝(i，C)有一条指向v2＝(C，j)的连边；如果它们之间的交易流为j→C→i，*

则在映射图G中节点v1＝(j，C)有一条指向v2＝(C，i)的连边；而交易流动为i→C←j或者i←C→j两种情况，在映射图中均不产生连边；按照上述规则，对自网络中的所有邻居按上述*

规则无重复遍历，最终能构建出唯一映射图G的拓扑结构；

*

S3.2：图权重映射：在构建完映射图的拓扑结构后，还需要确定映射图G的连边权重；通* *

过步骤S3.1中拓扑结构的构造过程，已经得到了映射图G每个节点的权重标签，那么G中的连边权重取决于该连边关联的两节点权重大小，即：Wij＝log(Wi+Wj)，其中Wij为Wi和Wj间的权重；

所述特征模块，使用Graph2vec模型对原始的自网络图以及映射图提取网络特征，将两者图表示横向拼接融合作为最终原始图的表示，并将其保存；

所述分类预测模块，以保存的图融合特征作为输入，以目标节点属性作为标签，训练随机森林分类器，并将其用于可疑节点钓鱼属性的预测任务；

所述数据采集模块、所述网络构建模块、所述图映射模块、所述特征模块和所述分类预测模块依次链接。