1.一种交易网络的异常检测方法，其特征是，包括：构建多个token交易网络，所述token交易网络中的节点表示账户，所述token交易网络中连接节点的边表示账户之间存在交易，所述边的方向表示交易流的方向，所述边的权重表示交易量，且所述边记录有时间戳；从所述多个token交易网络中提取多个交易子网络；将所述多个交易子网络中的节点作为目标节点，获取所述目标节点的属性特征；将所述多个交易子网络重新组合为每个时间戳下的快照图网络；将所述快照图网络和所述属性特征输入至预先构建的检测模型，得到所述快照图网络的异常检测结果。
2.如权利要求1所述的交易网络的异常检测方法，其特征是，所述构建多个token交易网络，包括：获取多个token交易记录数据，所述token交易记录数据包括交易的起始账户、目的账户、交易量和时间戳；根据每个token交易记录数据，构建一个token交易网络。
3.如权利要求1所述的交易网络的异常检测方法，其特征是，所述从所述多个token交易网络中提取多个交易子网络，包括：去除每个token交易网络中交易频繁度小于预设值的节点及其连接的边，得到多个交易子网络。
4.如权利要求1所述的交易网络的异常检测方法，其特征是，所述获取所述目标节点的属性特征，包括：统计所述目标节点的入度数、出度数和总度数，所述入度数为所述目标节点在所述多个交易子网络中作为目的账户的交易数，所述出度数为所述目标节点在所述多个交易子网络中作为起始账户的交易数，所述总度数为所述入度数与所述出度数之和；对所述目标节点与其在所述多个交易子网络中的邻居节点之间的交易量进行归一化处理；将所述入度数、所述出度数、所述总度数和归一化后的交易量作为所述目标节点的属性特征。
5.如权利要求1所述的交易网络的异常检测方法，其特征是，所述将所述多个交易子网络重新组合为每个时间戳下的快照图网络，包括：将每个交易子网络拆分为不同时间戳下的快照网络；将多个交易子网络中位于相同时间戳下的快照网络合并为一个快照图网络。
6.如权利要求1所述的交易网络的异常检测方法，其特征是，所述检测模型包括图编码器和分类器，所述图编码器包括图卷积层和图池化层；所述将所述快照图网络和所述属性特征输入至预先构建的检测模型，得到所述快照图网络的异常检测结果，包括：将所述快照图网络和所述属性特征经过所述图卷积层的图卷积操作，得到所述目标节点的低维表示向量；将所述目标节点的低维表示向量经过所述图池化层的图池化操作，得到所述快照图网络的低维表示向量,将所述快照图网络的低维表示向量输入至所述分类器，得到所述快照图网络的异常检测结果。
7.如权利要求6所述的交易网络的异常检测方法，其特征是，所述将所述快照图网络和所述属性特征经过所述图卷积层的图卷积操作，得到所述目标节点的低维表示向量，包括：根据所述目标节点的属性特征，确定所述目标节点的低维嵌入向量；根据所述目标节点与其在所述多个交易子网络中的邻居节点的低维嵌入向量，计算所述目标节点的邻居节点的注意力权重；根据所述目标节点的邻居节点的低维嵌入向量及注意力权重，计算所述目标节点的低维表示向量。
8.如权利要求7所述的交易网络的异常检测方法，其特征是，所述目标节点的低维表示向量的计算公式为：其中，h’ i 为目标节点n i 的低维表示向量，N(n i )为目标节点n i 在多个交易子网络中所有邻居节点的集合；h j 为目标节点n i 的邻居节点n j 的低维嵌入向量； 为目标节点n i 与其邻居节点n j 之间的第k个归一化注意力系数，K为注意力总个数，W k 为第k个注意力学习参数；其中， 为目标节点n i 的邻居节点n j 的第k个注意力权重， 为第k个注意力参数矩阵，W k 为第k个注意力学习参数矩阵，h i 为目标节点n i 的低维嵌入向量，σ为激活函数。
9.一种电子设备，其特征是，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任意一项所述的交易网络的异常检测方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至8任意一项所述的交易网络的异常检测方法。
