1.一种基于人工智能的区块链异常交易检测方法，其特征在于，包括：

S1、获取区块链交易数据，并构建区块链交易图G；

所述区块链交易数据包括：交易发起方、交易接收方、交易哈希、交易发起方的地址、交易接收方的地址、交易金额、交易费用、交易签名、交易时间戳、区块高度、确认数、交易类型、交易关联信息；

S2、对于每次交易，以交易节点为中心从区块链交易图G中抽取出子图g，分别对交易节点信息和交易节点的邻近信息进行编码，分别得到交易节点特征向量hego和邻近节点特征向量hnei；

S21：对子图g中所有节点进行拼接，得到子图g的节点序列的特征向量hv；

S22：将单位矩阵I中除对角线以外元素置为负无穷，让每个节点只关注自身的信息，而不关注周围节点的信息，得到掩码矩阵E，根据掩码矩阵E和子图g的节点序列的特征向量hv使用Attention机制进行节点信息编码，得到交易节点的特征向量hego；

S23：根据子图g中每个节点的连接情况，构建邻接矩阵Madj，其维度为|V|×|V|，|V|表示子图g中的节点数量，若图中第i个节点vi与图中第j个节点vj之间存在边，则Aadj[i,j]＝

1，否则Aadj[i,j]＝0；

S24：使用Flody算法，根据邻接矩阵Madj计算出子图g的距离矩阵Mdis，其维度为|V|×|V|，Mdis[i,j]表示节点vi与节点vj的最短路径距离；

S25：利用邻接矩阵Madj和距离矩阵Mdis，通过GCN模型对交易节点的邻近节点信息进行编码，得到邻近节点特征向量hnei；

S3、将hego与hnei拼接后送入前馈神经网络进行二分类，预测本次交易是否为异常交易。

2.根据权利要求1所述的一种基于人工智能的区块链异常交易检测方法，其特征在于，构建区块链交易图G，包括：将区块链交易中的交易发起者和交易接收方作为图节点，根据两者的地址将两个节点之间连接成一条边，将交易哈希、交易金额、交易费用、交易签名、交易时间戳、区块高度、确认数、交易类型、交易关联信息作为每个节点的特征向量，得到区块链交易图G。

3.根据权利要求2所述的一种基于人工智能的区块链异常交易检测方法，其特征在于，所述区块链交易图G的图节点，包括：vi＝{x1,x2,…,xn}

其中，vi表示第i个图节点，xn表示图节点特征向量的第n个元素，n表示图节点特征向量的维度。

4.根据权利要求1所述的一种基于人工智能的区块链异常交易检测方法，其特征在于，对子图g中所有节点进行拼接，得到子图g的节点序列的特征向量hv，包括：hv＝[v0,v1,…,v|V|]

其中，vi表示子图g中第i个节点，维度为1×n，hv表示图g节点序列的特征向量，维度为|V|×n，|V|表示子图g中的节点数量，n表示图节点特征向量的维度。

5.根据权利要求1所述的一种基于人工智能的区块链异常交易检测方法，其特征在于，根据掩码矩阵E和子图g的节点序列的特征向量hv使用Attention机制进行节点信息编码，得到交易节点的特征向量hego，包括：其中，hego表示交易节点的特征向量，维度为1×n，W1、W2分别表示维度为n×128的第一、第二特征转换矩阵，W3表示维度为n×n的第三特征转换矩阵，⊙表示逐元素乘法操作，|V|表示子图g中的节点数量，hv表示图g节点序列的特征向量，T表示矩阵转置，E表示掩码矩阵，n表示图节点特征向量的维度。

6.根据权利要求1所述的一种基于人工智能的区块链异常交易检测方法，其特征在于，利用邻接矩阵Madj和距离矩阵Mdis，通过GCN模型对交易节点的邻近节点信息进行编码，得到邻近节点特征向量hnei，包括：通过距离矩阵Mdis构建子图g的2‑hop邻接矩阵

将邻接矩阵Madj和2‑hop邻接矩阵 的对角线元素置为0，使得每个节点在消息传递时不关注节点本身，只关注周围节点信息；

根据邻接矩阵Madj和2‑hop邻接矩阵 使用GCN模型进行节点邻近信息编码，得到邻近节点特征向量hnei。

7.根据权利要求6所述的一种基于人工智能的区块链异常交易检测方法，其特征在于，通过距离矩阵Mdis构建子图g的2‑hop邻接矩阵 包括其中，Mdis[i,j]表示节点vi与节点vj的最短路径距离。

8.根据权利要求6所述的一种基于人工智能的区块链异常交易检测方法，其特征在于，根据邻接矩阵Madj和2‑hop邻接矩阵 使用GCN模型进行节点邻近信息编码，得到邻近节点特征向量hnei，包括：其中，hnei表示邻近节点特征向量，每个节点的特征向量都来自其周围的节点，维度为1×n， 表示Madj+E的度矩阵， 表示 的度矩阵，I表示单位矩阵，M表示在模型进行邻近信息传递时排除节点自身的信息的矩阵，其对角线元素为0，其余元素为1，矩阵维度为|V|×|V|，n表示图节点特征向量的维度。

9.根据权利要求1所述的一种基于人工智能的区块链异常交易检测方法，其特征在于，将hego与hnei拼接后送入前馈神经网络进行二分类，预测本次交易是否为异常交易，包括：Output＝argmax(Wout[hego，hnei])

其中，Output表示前馈神经网络输出的二分类预测结果，Output＝0表示此次交易不是异常交易，Output＝1表示此次交易属于异常交易；Wout表示特征转换矩阵，维度为2n×2，[hego,hnei]表示将交易节点特征向量hego与邻近节点特征向量hnei在隐藏层维度进行拼接，维度为1×2n；argmax( )表示argmax函数，n表示图节点特征向量的维度。