编辑推荐：
为解决传统股票交易平台的诸多弊端，研究人员开展基于私有以太坊联盟区块链（PEC-BC）的金融安全系统研究，结果表明该系统性能优异，对金融安全领域意义重大。
一、研究背景
在金融市场的大舞台上，传统股票交易平台一直扮演着重要角色。然而，随着时代的发展，其弊端逐渐显露。就像一座看似坚固的大厦，内部却隐藏着诸多隐患。传统平台采用中心化架构，这使得数据管理混乱，各参与系统的数据不一致，就像不同部门各自为政，缺乏统一的管理，导致错误频发，一旦出现问题，恢复起来耗时耗力。而且，其数据透明度差，用户获取信息有限，就像蒙着一层纱，难以看清全貌。在金融结算方面，速度缓慢，一笔交易完成结算几乎需要三天时间，这对于瞬息万变的金融市场来说，无疑是一个巨大的阻碍。
此外，金融数据面临着严峻的安全挑战。恶意攻击者就像潜伏在暗处的幽灵，时刻威胁着金融数据的安全。他们可能篡改交易记录、破坏算法，甚至盗窃资金，给金融机构和投资者带来巨大损失。例如，Carbonak 集团这样的不法分子，就将黑手伸向了金融机构。面对这些问题，传统的解决方案显得力不从心，因此，寻找一种更安全、高效的金融交易方式迫在眉睫。
为了应对这些挑战，研究人员踏上了探索之路。他们来自各个专业领域，致力于研究如何利用新兴技术解决传统金融交易中的难题。最终，他们将目光聚焦在了区块链（Blockchain，BC）技术和深度学习上，希望借助这两种强大的技术，为金融安全打造一道坚固的防线。
二、研究方法
研究人员基于私有以太坊联盟区块链（PEC-BC）展开研究。PEC-BC 结合了以太坊的特性和联盟区块链的优势，能够对系统的存储和性能进行预测，确保交易顺利进行。在这个基础上，研究人员利用深度学习开发智能合约，构建金融安全系统。
为了优化系统性能，研究人员提出了动态蝴蝶台球优化算法（Dynamic Butterfly-Billiards Optimization Algorithm，DB-BOA）。该算法融合了两种传统算法的优点，就像将两把锋利的宝剑合二为一，能够更高效地解决问题。DB-BOA 用于选择区块链中的领导者块（Leader Block），通过优化计算时间（CT）、通信成本（CC）和内存大小（MS）等目标参数，提高系统的运行效率。
同时，研究人员引入了自适应深度时间上下文网络（Adaptive Deep Temporal Context Networks，ADTCN）。ADTCN 由多模态联合嵌入（MJE）、时间上下文学习（TCL）和多时间尺度时间注意力（MTTA）等组件构成，能够有效分析时间序列数据，检测智能合约中的安全漏洞，识别金融交易中的异常模式，为金融安全提供有力保障。
三、研究结果
- 系统性能优势：研究人员对基于 ADTCN 的金融安全系统进行了全面的性能测试。在准确率（Accuracy，Acc）、精度（Precision，Pre）、阴性预测值（Negative Predictive Value，NPV）、马修斯相关系数（Matthews Correlation Coefficient，MCC）和假阳性率（False Positive Rate，FPR）等指标的评估中，该系统表现出色。与其他传统算法和分类器相比，如 Efficientnet、Resnet、Densenet 和 DTCN 等，其准确率显著提高，例如比 Efficientnet 的准确率提升了 6.7% ，比 Resnet 提升了 3% ，比 DenseNet 提升了 5% ，比 DTCN 提升了 0.6% 。这表明该系统在识别金融交易中的正常和异常情况时，具有更高的准确性，能够更有效地保障金融交易的安全。
- 算法收敛性与效率：通过对 DB-BOA 算法的收敛性分析发现，与其他优化算法（如 MBO、WSA、DBOA、BOA 等）相比，该算法收敛速度更快。在成本函数分析中，它分别比 MBO-ADTCN 降低了 72%，比 WSA-ADTCN 降低了 80%，比 DBOA-ADTCN 降低了 81%，比 BOA-ADTCN 降低了 82%。这意味着 DB-BOA 能够更快地找到最优解，为系统提供更高效的支持。同时，在计算时间、执行时间和延迟等方面，该系统也展现出明显的优势。在处理不同数量的用户和交易时，其计算时间和执行时间都得到了有效优化，延迟显著降低。例如，在处理 10 个用户的交易时，其计算时间比 LGP（a = 0.1）减少了 20%，比 LGP（a = 0.3）减少了 10%；在处理块大小为 200 的交易时，其执行时间比 LGP（a = 0.1）减少了 43%，比 LGP（a = 0.3）减少了 39% 。这使得系统能够快速处理大量金融交易，提高了交易效率。
- 系统稳定性与可靠性：在块传播延迟分析中，该系统同样表现优异。在不同的块大小和共识节点参数设置下，其块传播延迟比其他模型（如 LGP、GP 等）有显著提升。例如，在块大小为 7000 时，该系统的块传播延迟比 LGP（a = 0.1）提升了 68%，比 LGP（a = 0.3）提升了 54%。这表明系统在数据传输过程中更加稳定，能够快速将交易信息传播到各个节点，保证交易的顺利进行。通过对系统吞吐量的分析发现，在不同数量的验证节点和发送速率下，该系统的吞吐量比其他优化方法有明显提高。例如，在发送速率为 200 时，其吞吐量比 LGP（a = 0.1）提高了 30%，比 LGP（a = 0.3）提高了 50%。这意味着系统能够处理更大规模的金融交易，满足金融市场对交易容量的需求。
- 系统适应性与扩展性：研究人员对系统的适应性和扩展性进行了深入研究。在不同的攻击场景下，无论是面对攻击还是在无攻击的正常情况下，该系统都能保持较高的准确率，有效检测出潜在的安全威胁。例如，在面对各种攻击时，系统能够准确识别并防范，保障金融交易的安全。同时，随着数据量的增加和系统规模的扩大，该系统的准确率没有受到明显影响，反而通过优化能够更好地处理大规模数据。这表明系统具有良好的适应性和扩展性，能够适应金融市场不断变化的需求。
四、研究结论与讨论
这项研究成果具有重要的意义。研究人员成功构建了基于深度学习智能合约的金融安全系统，利用 PEC-BC、DB-BOA 和 ADTCN 等技术，有效解决了传统金融交易平台存在的诸多问题。该系统在安全性、效率、稳定性和扩展性等方面表现出色，为金融市场提供了一种更可靠、高效的交易方式。它不仅能够提高金融交易的安全性，减少数据泄露和欺诈行为的发生，还能提升交易效率，降低交易成本，为金融机构和投资者带来实实在在的好处。
然而，研究人员也意识到，金融安全领域的研究是一个不断发展的过程。在未来的研究中，他们将继续深入探索，进一步优化系统性能。例如，研究如何确保金融交易在联盟区块链中的不可抵赖性和可追溯性，通过采用深度学习模型，提高不同联盟成员之间的信任度，降低运营成本。同时，研究人员还将致力于减少通信开销，优化计算资源的利用和共识速度，以确保基于区块链的金融系统能够处理大规模、关键任务的交易。此外，研究人员计划将 Liu 等人的方法进一步集成到现有模型中，增强金融安全系统的可扩展性、可靠性和效率，使其能够更好地适应市场变化，提升用户体验。
总之，这项研究为金融安全领域的发展开辟了新的道路，为后续研究提供了重要的参考和借鉴。相信在研究人员的不断努力下，金融安全系统将变得更加完善，为金融市场的稳定和发展保驾护航。
论文发表在Scientific Reports期刊上。
