1.一种基于图神经网络的多通道区块链钓鱼节点检测方法，其特征在于，包括如下步骤：根据区块链交易信息构建区块链的网络序列型动态整体交易网络图，并针对所述网络序列型动态整体交易网络图中的每个节点，构造目标节点的网络序列型动态交易模式子图；将区块链的所述网络序列型动态整体交易网络图、网络序列型动态交易模式子图和节点真实类标输入到多通道区块链钓鱼节点的检测模型中；

利用可训练的时间重要性系数，将不同网络序列中相同节点对之间的多条交易信息加权求和，作为统一网络序列中唯一的时间加权交易连边；

针对所述网络序列型动态整体交易网络图，利用所述检测模型中动态节点分类通道学习目标节点的用户潜在特征；针对所述网络序列型动态交易模式子图，利用所述检测模型中的动态图分类通道学习目标节点的交易模式特征；

利用注意力机制，为目标节点的所述用户潜在特征和交易模式特征分配不同的注意力系数，得到组合特征；将所述组合特征输入到检测模块中获得目标节点的最终检测结果；

利用目标节点的真实类标与最终检测结果对检测模型进行训练，获得最终的多通道区块链钓鱼节点检测模型；

求取统一网络序列中唯一的时间交易连边的过程具体为：

对于每个交易时间段m∈[0,1,…,M]的区块链的网络序列型动态整体交易网络图M与目标节点的网络序列型动态交易模式子图 利用可训练的时间重要性系数α∈R为不同交易时间段间的交易链路分配不同的时间系数，最终合并加权求和得到唯一的时间加权交易连边；

学习目标节点的用户潜在特征和交易模式特征的过程包括：

所述检测模型包括节点分类通道和动态图分类通道，针对不同交易时间段的整体交易网络分片图，采用基于图卷积网络的节点分类通道学习当前时刻目标节点的用户潜在特征；针对不同交易时间段的目标节点交易模式子图，利用基于可微的分层图池化模型的交易模式识别通道提取当前时刻目标节点的交易模式特征；

提取目标节点的用户潜在特征与交易模式特征后，在每个通道中分别采用相同结构的门控循环单元学习整体交易网络与交易模式子图的时间特征，利用网络序列型动态整体交易网络图与交易模式子图对门控循环单元进行训练，采用GRU最后时刻的隐藏层输出作为最终的目标节点的用户潜在特征与目标节点交易模式特征。

2.根据权利要求1所述的基于图神经网络的多通道区块链钓鱼节点检测方法，其特征在于，构建区块链的网络序列型动态整体交易网络图的过程：选择一定数量的钓鱼节点与正常节点作为初始节点，根据交易记录提取另一方账户地址作为一阶交易节点，然后分别以各一阶交易节点为中心节点，根据交易记录提取另一方账户地址作为二阶交易节点，得到总节点数为N的时间序列型动态整体交易网络图，表示为其中，V(|V|＝N)表示节点集合，e∈E表示链路集合，X表示每条链路对应的交易额W(e)与交易时间T(e)信息；

随后以该时间序列型动态整体交易网络图中第一笔交易与最后一笔交易的时间间隔作为总交易时长，将该时长均分为M个交易时间段，并依据划分的时间段对时间序列型动态整体交易网络图进行分片，每个交易时间段的交易信息形成一个网络分片图，每个网络分片图中的节点数与整体交易网络图的节点数相同，最终获得M个网络分片图组成的网络序列型动态整体交易网络图，表示为 在同一交易时间段内，节点i与节点j可能存在L条交易链路

3.根据权利要求1所述的基于图神经网络的多通道区块链钓鱼节点检测方法，其特征在于，构造目标节点的网络序列型动态交易模式子图的过程包括：

遍历时间序列型动态整体交易网络图中的每个节点，将每个节点作为中心节点，根据交易记录提取其一阶交易节点和二阶交易节点之间的交易信息，得到目标节点的时间序列型交易模式子图 表示为：其中，Vc表示以节点vc作为目标节点构建的交易模式子图中的节点集合，Ec与Xc分别表示 中的交易链路集合与每条交易的信息；

随后根据所述时间序列型交易模式子图中第一笔交易与最后一笔交易的时间间隔作为总交易时长，将该时长均分为M个交易时间段，并依据划分的时间段对时间序列型交易模式子图进行分片，每个交易时间段的交易信息形成一个网络分片图，每个网络分片图中的节点数与交易模式子图的节点数相同，最终获得M个网络分片图组成的网络序列型动态交易模式子图集合，表示为G＝{G0,G1,…,GN},其中第c个网络序列型动态交易模式子图

4.根据权利要求1所述的基于图神经网络的多通道区块链钓鱼节点检测方法，其特征在于，获得最终检测结果的过程具体包括：所述钓鱼节点检测方法采用以下公式对用户潜在特征与交易模式特征的注意力加权求和，得到组合特征 作为钓鱼节点检测模块的输入数据，获得目标节点的最终检测结果，表示为：A A

其中， 表示采用模型参数为Θ的节点分类通道f (·)对区块链动态

B B B

整体交易网络图 提取的用户潜在特征，ZB＝f (G,Θ)表示采用模型参数为Θ的交易模式B识别通道f (·)对动态交易模式子图G提取的交易模式特征，γ＝[γA,γB]为注意力系数矩阵。

5.根据权利要求1或4所述的基于图神经网络的多通道区块链钓鱼节点检测方法，其特征在于，在获得组合特征后，钓鱼节点检测模块采用全连接神经网络作为分类器，实现对钓鱼节点的二分类预测。

6.根据权利要求1所述的基于图神经网络的多通道区块链钓鱼节点检测方法，其特征在于，获得最终的多通道区块链钓鱼节点检测模型的过程包括：利用目标节点的真实类标与最终检测结果对所述检测模型进行训练，以区块链钓鱼检测模型的预测置信度与节点类标的交叉熵为损失函数，得到最终的以动态整体交易网络图 和动态交易模式子图G为输入的多通道区块链钓鱼节点检测模型