1.一种基于改进随机森林的比特币地址分类方法，其特征在于：所述的比特币地址分类方法包括按顺序进行的下列步骤：S1:从区块链的历史交易记录中提取地址原始特征并添加到现有机器学习分类方法所使用的特征集中，构建一个更大的特征集；

S2:解析原始区块数据而获得比特币地址，并从构建的特征集中提取出与地址相关的统计特征信息而构成数据集，所获得数据集的大小与操作者选取的时间段以及在这个时间段交易数量的多少有关；

S3:利用爬虫技术，为上述数据集打上标签，从而获得带有标签的样本集，并根据需要将地址分为多个不同的类别；

S4:初始化学习器的参数，包括随机森林参数基分类器数量L、利用特征分裂节点时候选特征子集的数量l，以及算法准确率变化阈值δ；

S5:初始化学习器中的重要特征集 不重要特征集 特征向量 和算法准确率集合其中重要特征集 用于保留需要提取的关键特征， 用于暂存当前未被标记为重要的特征，特征向量 表示每个样本中的属性集合，算法准确率集合 用于记录每一轮算法的准确率；

S6:用上述带有标签的样本集迭代上述初始化后的学习器，直到算法准确率变化范围超过算法准确率变化阈值δ；

S7:获取重要特征集 中保留的特征，作为需要提取的关键特征；

S8:在实际应用中,对于任一需要分类的地址，只需从比特币交易记录中提取出少量的关键特征,然后将这些关键特征输入到上述已训练好的学习器中,学习器的输出即为比特币地址的交易类型分类；

在S6中，所述的用上述带有标签的样本集迭代上述初始化后的学习器，直到算法准确率变化范围超过算法准确率变化阈值δ的具体方法如下：S601:利用上述带有标签的样本集迭代训练学习器，并将该轮训练时学习器的分类准确率加入到算法准确率集合 中；

S602:计算在该轮训练中每一个特征j的全局权重w(j)；

S603:将所有特征按照权重大小进行降序排列，并将前 个特征加入到重要特征集中，一旦特征出现在重要特征集 中，其将永远不会被删除直至算法结束，将其余特征加入到不重要特征集合 中；

S604:更新重要特征集 不重要特征集 和特征向量 由此完成特征的筛选；

S605:判断算法准确率集合 的极差是否小于算法准确率变化阈值δ，如果成立，则执行S606，否则保留重要特征集 中的特征并作为筛选出的关键特征；

S606:执行S601，利用更新后的特征向量 继续迭代训练学习器直至收敛；

在S602中，所述的计算在该轮训练中每一个特征j的全局权重w(j)的具体方法如下：S60201:每一个基分类器在分裂节点i的时候，先根据以下公式计算分裂节点的信息熵：

其中P(c)表示在分裂节点地址类别为c的概率；

S60202:根据上述信息熵计算分裂节点i的特征候选子集中每一个特征j的分裂评分，计算公式如下：

其中V表示按照特征j分裂节点后子节点的数量，节点的分裂按分裂评分 最高的特征进行分裂； 表示分裂节点i的特征候选子集中每一个特征j的分裂评分；

S60203:利用上述分裂评分计算每个特征j在每一个基分类器ζ中的局部权重：其中N_node表示基分类器ζ中非叶子节点的数量；

S60204:利用袋外数据算出每一个基分类器ζ的分类准确率，进而按下式计算出每一个基分类器ζ的权重：

其中accζ表示基分类器ζ的分类准确率；

S60205:基于上述局部权重和基分类器的权重计算出每个特征j在整个随机森林中的全局权重：

在S604中，所述的更新重要特征集 不重要特征集 和特征向量 由此完成特征的筛选的具体方法如下：

S60401:计算不重要特征集 中特征的权重平均数μ和标准方差σ；

S60402:将不重要特征集 中权重小于μ‑3σ的特征直接删除，同时对特征向量 进行更新；

S60403:如果不重要特征集 中所有权重均大于μ‑3σ，则直接删除权重最小的一个特征，同时对特征向量 进行更新；

S60404:将更新后的不重要特征集 中权重大于或等于重要特征集 中最小权重的特征从不重要特征集 中转移到重要特征集 中，由此完成重要特征集 和不重要特征集的更新。

2.根据权利要求1所述的基于改进随机森林的比特币地址分类方法，其特征在于：在S1中，所述的从区块链的历史交易记录中提取地址原始特征并添加到现有机器学习分类方法所使用的特征集中，构建一个更大的特征集的具体方法如下：S101:设定如下用于提取地址原始特征的规则：地址存活时间单位为天，存活时间不足

24小时视为1天，其余情况下存活天数向下取整；对于存在自找零交易，即给定地址同时出现在交易的输入和输出中，将其视为对应于该地址的输出交易；为了保留原始信息同时降低提取特征的困难，将比特币交易的数量单位设定为BTC；

S102:按照上述规则，从区块链的历史交易记录中提取包括截至目前为止地址存活时间在内的地址原始特征；

S103:对上述地址原始特征进行线性组合。