Blokzincir kripto paralarda dolandırıcılık tespiti

Kripto paraların hızla kabul görmesi, para aklama ve yasa dışı hizmetler gibi bir dizi zorluğu da beraberinde getirmiştir. Merkezi olmayan ve anonim yapıları nedeniyle kripto para ağlarının açıklığını ve güvenliğini korumak için güvenilir bir dolandırıcılık tespit sistemi gerekmektedir. Önceki yaklaşımlarda, geleneksel makine öğrenimi ve graf tabanlı algoritmalar genellikle gelecekteki zaman adımlarında genelleme ve sağlamlık sorunları yaşamaktadır. Bu araştırmada, graf yapılı sinir ağı (GNN) mimarileri olan GCN, GAT, GraphSAGE, GIN ve RGGCN, kripto para dolandırıcılığı tespiti için kullanılmaktadır. Bu GNN mimarileri, Ethereum işlemlerini graf olarak modellenerek, karmaşık bağımlılıkları ve ilişkileri yakalamaktadır. GCN, etkili mesaj iletimi ve birleştirme yetenekleriyle yerel ve küresel bağımlılıkları öğrenirken, GraphSAGE büyük ölçekli grafikler için örnekleme ve birleştirme stratejileri kullanmaktadır. GAT, ilgili düğümlere odaklanmak için dikkat mekanizmalarını entegre ederken, GIN farklı graf yapılarıyla esnek bir birleştirme fonksiyonu sunar ve RGGCN, yerel ve küresel graf bilgisini artakalan bağlantılarla yakalar. Sağlam ve doğru kripto para dolandırıcılığı tespiti modelleri oluşturmak için sahte ve gerçek işlemlerin etiketlenmiş veri setleri üzerinde kapsamlı deneyler gerçekleştirildi. Graf yapısından önemli özellikler çıkarılarak, hileli desenlerin tespiti mümkün hale getirildi. Dengesiz veri setleri ve ölçeklenebilirlik gibi engellerin aşılması, güvenilir erken tespit ve önleme mekanizmaları için hayati önem taşımaktadır. Bu bulgular, dijital para birimlerinin güvenliğini artırmaya katkıda bulunmaktadır. Hedef, finansal kuruluşlar, düzenleyici kurumlar ve kripto para platformlarını, GCN, GAT, GraphSAGE, GIN, RGGCN gibi çerçeveler kullanarak gelişmiş GNN tespit ve hafifletme araçlarıyla donatmaktır. Bu sayede küresel kripto para piyasasının güvenliğini sağlamak mümkün olacaktır.