Bu yazı kriptovalyuta bazarlarında Telegram qrupları vasitəsilə koordinasiya edilən pump-and-dump manipulyasiyalarını real vaxtda aşkar etməyə çalışan akademik tədqiqat əsasında hazırlanıb. Araşdırılan iş, PumpSense: Real-Time Detection and Target Extraction of Crypto Pump-and-Dumps on Telegram başlığını daşıyır.

Tədqiqatın əsas mövzusu kripto bazarlarında sosial media vasitəsilə təşkil edilən bazar manipulyasiyasıdır. Pump-and-dump sxemlərində bir qrup təşkilatçı müəyyən vaxtda aşağı likvidlikli kripto aktivin alınmasını təşviq edir. Hədəf coin açıqlananda iştirakçılar sürətlə alış etməyə çalışırlar; lakin çox vaxt ən əlverişli mövqeni təşkilatçılar və çox erkən daxil olan şəxslər tutur. Gecikən fərdi investorlar isə qiymətin düşməsi ilə zərər görə bilər.

Bu tədqiqat manipulyasiyanı yalnız qiymət və həcm anomaliyaları başladıqdan sonra aşkar etməyə çalışmır. Bunun əvəzinə birbaşa koordinasiya mesajlarını təhlil edir. Yəni qiymət hərəkəti yarandıqdan sonra deyil, pump elanı verilən anda xəbərdarlıq yaratmağı hədəfləyir.

Bu məzmun investisiya məsləhəti deyil. Yazı kripto bazarlarında fırıldaqçılığın aşkarlanması, sosial media qaynaqlı manipulyasiya, təbii dil emalı və bazar nəzarəti baxımından məlumatlandırıcı redaksiya məzmunudur. Pump-and-dump qruplarında iştirak, manipulyasiya məqsədli əməliyyat, koordinasiyalı alqı-satqı və ya bazarı yönləndirmə davranışı hüquqi və maliyyə riskləri daşıya bilər.

Yeni akademik tədqiqat Telegram üzərindən təşkil edilən kripto pump-and-dump sxemlərini mesaj səviyyəsində aşkar etmək üçün PumpSense adlı verilənlər dəsti və benchmark təqdim edir. Tədqiqatçılar 39 public Telegram qrupundan 283.017 mesaj toplayıb və 2.246 pump başlanğıc elanını əl ilə etiketləyiblər. LightGBM modeli F1=0.79 və nümunə başına təxminən 9.4 mikrosaniyə gecikmə ilə işləyərkən, BGE-M3 modeli F1=0.83, lakin 50 millisaniyə gecikmə ilə işləyir. Hədəf coin və birjanın çıxarılmasında isə sadə qayda əsaslı üsullar yetərsiz qalarkən, LLM əsaslı modellər 0.91-ə qədər birgə dəqiqlik təmin edə bilir. Tədqiqatın əsas mesajı budur: Yüngül modellər ilkin aşkarlama üçün, böyük dil modelləri isə yalnız şübhəli mesajlarda detallı çıxarış üçün daha uyğun ola bilər.

Problem Nədir?

Kriptovalyuta bazarlarında pump-and-dump sxemləri, xüsusilə aşağı likvidlikli altcoinlərdə ciddi bazar bütövlüyü problemi yaradır. Bu sxemlərdə təşkilatçılar adətən əvvəlcədən vaxt elan edir, lakin hədəf coini dərhal açıqlamırlar. Müəyyən edilmiş anda hədəf coin və birja paylaşılır. İştirakçılar eyni anda alış etməyə çalışırlar; qiymət qısamüddətli yüksəlir və təşkilatçılar adətən əllərindəki aktivləri bu yüksəliş zamanı satırlar.

Bu tip sxemlər ənənəvi maliyyə bazarlarında ağır sanksiyalara səbəb ola biləcək bazar manipulyasiyası davranışlarıdır. Kripto bazarlarında isə daha parçalanmış birja quruluşu, aşağı likvidlikli tokenlərin asan listinqi, anonim/pseudonymous sosial media qrupları və tənzimləmə boşluqları bu davranışları daha görünən edib.

Mövcud pump aşkarlama tədqiqatlarının mühüm hissəsi qiymət, həcm və ya əməliyyat anomaliyalarına baxır. Bu üsullar faydalı olsa da, çox vaxt pump başladıqdan sonra siqnal yaradır. Həmin anda qiymət hərəkəti artıq baş vermiş ola bilər.

Bu tədqiqatın əsas sualı budur: Manipulyasiya elanı birbaşa Telegram mesajlarında tutula bilərmi? Əgər tutula bilərsə, hədəf coin və hədəf birja məlumatı da avtomatik çıxarıla bilərmi?

Metod Nə Təklif Edir?

Tədqiqat iki əsas vəzifə müəyyən edir.

Birinci vəzifə: Telegram mesaj pəncərəsinin pump başlanğıc elanı ehtiva edib-etmədiyini təsnif etmək.

İkinci vəzifə: Pump elanı kimi işarələnmiş pəncərədən hədəf kriptovalyutanı və hədəf birjanı çıxarmaq.

Tədqiqatçılar 39 public Telegram qrupundan 283.017 mesaj toplayıb və bütün mesajları əl ilə nəzərdən keçirərək 2.246 pump başlanğıc elanı müəyyən ediblər. Bu elanlarda hədəf kriptovalyuta və birja da əl ilə etiketlənib. Bundan əlavə 140 ləğv edilmiş pump hadisəsi ayrıca işarələnib.

Model tərəfində ikiqat yanaşma önə çıxır. Birinci qatda sürətli və yüngül aşkarlama modeli istifadə olunur. Bu məqsədlə TF-IDF xüsusiyyətləri üzərində işləyən LightGBM modeli sınaqdan keçirilib. Həmçinin daha ağır transformer encoder olan BGE-M3 ilə müqayisə aparılıb.

İkinci qatda isə yalnız pump kimi işarələnən az sayda pəncərə üzərində daha bahalı, lakin konteksti daha yaxşı anlayan modellər istifadə olunur. Hədəf coin və birjanın çıxarılmasında qayda əsaslı üsul, Longformer Encoder-Decoder və müxtəlif LLM modelləri müqayisə edilib.

Bu yanaşmanın praktik məntiqi budur: Bütün Telegram trafikini bahalı böyük dil modelindən keçirmək əvəzinə, əvvəlcə çox sürətli modellə şübhəli pəncərələr süzülür. Sonra yalnız bu kiçik alt çoxluqda LLM ilə detallı məlumat çıxarışı aparılır.

Formullar Nəyi İzah Edir?

Bu PDF sıx riyazi modelləşdirmə ehtiva edən tədqiqat deyil. Formullar daha çox verilən pəncərəsinin qurulmasını, təsnifat etiketini, performans ölçümünü və çıxarış dəqiqliyini izah etmək üçün istifadə edilə bilər. Aşağıdakı işarələmələr tədqiqatdakı üsulu MathJax uyğun şəkildə sadələşdirir.

1. Telegram mesaj ardıcıllığı

Hər Telegram qrupundakı mesajlar xronoloji ardıcıllıqla nəzərdən keçirilir:

Burada \(m_i\), müvafiq qrupdakı \(i\) nömrəli mesajı təmsil edir. Model tək bir mesajı təcrid olunmuş şəkildə deyil, ətrafındakı kontekstlə birlikdə qiymətləndirir.

2. 11 mesajlıq pəncərə

Hər mərkəzi mesaj üçün əvvəlki 5 və sonrakı 5 mesajı ehtiva edən pəncərə yaradılır:

Bu quruluş pump elanının tək mesajda deyil, qısa söhbət axını daxilində ortaya çıxa biləcəyini qəbul edir. Məsələn, əvvəl geri sayım, sonra hədəf coin, ardınca yönləndirmə mesajı gələ bilər. Pəncərə yanaşması bu konteksti tutmağa çalışır.

3. Təsnifat etiketi

Hər pəncərə üçün ikili etiket istifadə olunur:

Burada \(y_i=1\), pəncərənin ilk açıq pump başlanğıc elanını ehtiva etdiyini bildirir. \(y_i=0\) isə pəncərədə pump başlanğıc elanının olmadığını göstərir.

4. Zamana görə təlim, doğrulama və test bölgüsü

Tədqiqatda təsadüfi verilən bölgüsü əvəzinə zaman ardıcıllı bölgüdən istifadə edilir:

Bu seçim vacibdir. Çünki mesaj pəncərələri bir-birinə çox bənzəyir və qonşu pəncərələr 10 mesaja qədər ortaq məzmun daşıya bilər. Təsadüfi bölgü aparılarsa, eyni mesaj həm təlim, həm də test tərəfinə sızmış ola bilər. Zamana görə bölgü real dünyadakı “keçmişdən öyrən, gələcəyi aşkar et” ssenarisinə daha uyğundur.

5. Precision

Pump sinfi üçün precision modelin pump dediyi pəncərələrin nə qədərinin həqiqətən pump olduğunu göstərir:

Burada \(TP\) düzgün pump aşkarlamalarını, \(FP\) isə yanlış xəbərdarlıq verilən pəncərələri ifadə edir.

6. Recall

Recall həqiqi pump elanlarının nə qədərinin tutulduğunu göstərir:

Bu tədqiqatda recall xüsusilə vacibdir. Çünki həqiqi pump elanını qaçırmaq müdafiə sisteminin xəbərdarlıq vermək imkanını itirməsi deməkdir.

7. F1 skoru

F1 skoru precision və recall dəyərlərini vahid ölçüdə birləşdirir:

Verilənlər dəstində pump mesajları ümumi trafikin %1-indən az olduğuna görə yalnız ümumi dəqiqlik yanıltıcı ola bilər. Buna görə pump sinfi üçün F1, precision və recall daha mənalıdır.

8. Balanslaşdırılmış dəqiqlik

Balanssız verilənlər dəstlərində balanced accuracy istifadə oluna bilər:

Bu ölçü çoxluq sinfi olan non-pump mesajların ümumi dəqiqliyi süni şəkildə yüksəltməsinin qarşısını alır.

9. Hədəf çıxarış dəqiqliyi

Hədəf coin və ya birja çıxarışında dəqiqlik belə hesablanır:

Tədqiqatda bu ölçü kriptovalyuta dəqiqliyi, birja dəqiqliyi və hər ikisinin eyni anda doğru olduğu joint accuracy üçün ayrıca hesabatlandırılır.

10. Birgə dəqiqlik

Hədəf coin və birja eyni anda düzgün çıxarıldıqda joint accuracy əldə edilir:

Bu ölçü daha sərtdir. Çünki yalnız coini və ya yalnız birjanı bilmək kifayət deyil; hər ikisi birlikdə düzgün olmalıdır.

Qrafik, Cədvəl və Sxemin Əsas Mesajı

Cədvəl I, əvvəlki tədqiqatlarla PumpSense arasındakı fərqi göstərir. Əvvəlki tədqiqatların bir qismi hadisə vaxtlarını və ya hədəf coinləri paylaşsa da, mesaj səviyyəsində əl ilə etiketlənmiş və public verilənlər dəsti təqdim etməyib. Bu tədqiqat isə 283.017 mesaj, 2.246 pump elanı, əl ilə coin/birja etiketi və model benchmark-ı təqdim edərək bu boşluğu doldurur.

Şəkil 1, Telegram pump elanı nümunəsi ilə bunun hədəf coin qiymətində yaratdığı ani hərəkəti yanaşı göstərir. Vizualın əsas mesajı budur: Sosial media koordinasiya mesajı ilə bazar qiyməti reaksiyası arasında çox qısa müddətli və güclü əlaqə qurula bilər. Buna görə mesaj əsaslı erkən aşkarlama yalnız bazar verilənlərinə söykənən gec aşkarlamanı tamamlaya bilər.

Cədvəl II, verilənlər dəstinin ümumi quruluşunu xülasə edir. Cəmi 283.017 mesaj, 2.246 pump elanı, 140 ləğv edilmiş pump hadisəsi, 604 fərqli hədəf coin və 14 hədəf birja var. Pump elanlarının təxminən %11-i vizual məzmun da daşıyır. Bundan əlavə elanların təxminən %70-i 15:00–17:00 UTC saatları arasında, təxminən %40-ı isə həftə sonlarında verilib.

Cədvəl III, pump başlanğıcının aşkarlanma performansını göstərir. LightGBM modeli F1=0.79, precision=0.71, recall=0.88 və nümunə başına təxminən 9.4 mikrosaniyə gecikmə yaradır. BGE-M3 modeli F1=0.83, precision=0.89, recall=0.78 və 50 millisaniyə gecikmə yaradır. Bu nəticə daha ağır modelin F1 skorunda bir qədər daha yaxşı olduğunu, lakin LightGBM-in sürət və recall baxımından ilk xətt aşkarlama sistemi üçün daha praktik olduğunu göstərir.

Şəkil 2, LightGBM və BGE-M3 üçün confusion matrix nəticələrini göstərir. LightGBM daha çox həqiqi pump elanını tutur, lakin daha çox yanlış xəbərdarlıq yaradır. BGE-M3 daha ehtiyatlı davranır, daha az yanlış xəbərdarlıq verir, lakin bəzi pump elanlarını qaçırır. Təhlükəsizlik nəzarəti baxımından hansı balansın seçiləcəyi istifadə məqsədindən asılıdır.

Cədvəl V, hədəf coin və birjanın çıxarılmasında ən mühüm nəticəni verir. Qayda əsaslı üsul hədəf coin çıxarışında uğursuz olur, birja çıxarışında isə məhdud uğur göstərir. Longformer orta səviyyəli nəticə verir. LLM əsaslı modellər isə xeyli güclüdür: Gemini üçün coin dəqiqliyi 0.95, birja dəqiqliyi 0.93 və joint accuracy 0.91 kimi bildirilir. GPT isə coin dəqiqliyində 0.96-ya çatır və joint accuracy 0.90 səviyyəsindədir.

Təcrübələr Necə Aparılıb?

Tədqiqatçılar pump-and-dump təşkil etdiyi məlum olan 39 public Telegram qrupundan mesaj toplayıblar. Hər mesaj mətn və vaxt möhürü ilə birlikdə götürülüb. Cəmi 283.017 mesajlıq korpus əldə edilib.

Mesajlar əl ilə nəzərdən keçirilib və ilk açıq pump başlanğıc elanını ehtiva edən pəncərələr etiketlənib. Elan hədəf coin və ya birja məlumatını birbaşa ehtiva etmirdisə, ətraf mesajlara baxılaraq çatışmayan məlumat tamamlanıb. Bu proses nəticəsində 2.246 pump elanı hədəf kriptovalyuta və hədəf birja məlumatı ilə birlikdə etiketlənib.

Etiket etibarlılığı üçün ikinci annotator 5.000 pəncərədən ibarət balanslı nümunəni yenidən etiketləyib. Cohen’s \(\kappa=0.96\) tapılıb. Bu dəyər iki etiketləyici arasında demək olar ki, mükəmməl uyğunluq olduğunu göstərir.

Aşkarlama vəzifəsi üçün iki model sınaqdan keçirilib. LightGBM TF-IDF unigram və bigram xüsusiyyətləri üzərində işləyir. BGE-M3 isə transformer əsaslı daha ağır mətn modelidir. Verilənlər çox balanssız olduğuna görə class weight istifadə edilib və pump sinfi üçün F1, precision, recall kimi metriklər hesabatlandırılıb.

Hədəf çıxarış vəzifəsi üçün dörd yanaşma müqayisə edilib: qayda əsaslı lüğət/regex yanaşması, Longformer Encoder-Decoder, DeepSeek, Gemini və GPT əsaslı LLM çıxarışı. Bütün modellər eyni test dəstindəki 420 pump pəncərəsi üzərində qiymətləndirilib.

Nəticələr Nəyi Göstərir?

Tədqiqatın ilk nəticəsi mesaj əsaslı pump aşkarlanmasının real vaxtda həyata keçirilə bilməsidir. LightGBM kimi yüngül model mikrosaniyə səviyyəsində işləyərək böyük Telegram trafikini aşağı xərclə skan edə bilər. Bazar verilənləri əsaslı sistemlərin çox vaxt pump başladıqdan sonra xəbərdarlıq verdiyi nəzərə alınanda bu, mühüm üstünlükdür.

İkinci nəticə ən yüksək F1 skorunun həmişə ən praktik model demək olmamasıdır. BGE-M3 LightGBM-dən bir qədər yüksək F1 verir, lakin xeyli daha yavaşdır. Nəzarət sistemlərində sürət, xərc və miqyaslana bilmə kritik olduğu üçün LightGBM ilkin xətt filtri kimi daha uyğun görünür.

Üçüncü nəticə hədəf coin çıxarışında sadə qayda əsaslı üsulların ciddi şəkildə yetərsiz qalmasıdır. Bəzi kripto ticker-ləri gündəlik dildəki sözlərlə üst-üstə düşə bilər. Buna görə yalnız lüğət və ya regex ilə hədəf coini tapmaq yanıltıcı nəticələr yarada bilər.

Dördüncü nəticə LLM modellərinin hədəf coin və birja çıxarışında güclü performans göstərməsidir. Lakin LLM-ləri bütün Telegram trafikinə tətbiq etmək bahalı və yavaş ola bilər. Buna görə tədqiqatın təklif etdiyi mərhələli arxitektura daha məntiqlidir: əvvəlcə sürətli modellə şübhəli pəncərələri seç, sonra yalnız bu kiçik hissədə LLM ilə detallı çıxarış apar.

Beşinci nəticə pump elanlarının zaman və qrup paylanmasında sıxlaşma göstərməsidir. Elanların böyük hissəsi müəyyən saat intervalında baş verir və ən təsirli 10 qrup hadisələrin təxminən %70-dən məsuldur. Bu, nəzarət sistemlərində resursların prioritetləşdirilə biləcəyini göstərir.

Bu Niyə Vacibdir?

Kripto pump-and-dump sxemləri fərdi investorlar üçün ciddi risk yaradır. Qiymət çox sürətlə qalxıb düşə bilər və gecikən iştirakçılar çox vaxt zərər görür. Belə strukturlar bazar bütövlüyünü pozur və etibarlı kripto ekosisteminin yaranmasını çətinləşdirir.

Bu tədqiqat manipulyasiyanın yalnız qiymət qrafikində deyil, sosial media koordinasiyasında da izlənə biləcəyini göstərir. Pump elanı mesaj səviyyəsində tutula bilərsə, birjalar, platformalar, tədqiqatçılar və tənzimləyicilər bazar hərəkəti başlamazdan əvvəl və ya çox erkən mərhələdə xəbərdarlıq yarada bilər.

Tədqiqatın praktik dəyəri yüngül model və LLM birləşməsindədir. LightGBM kimi sürətli modellər geniş trafiki süzür. LLM-lər isə yalnız kiçik və riskli alt çoxluqda kontekstual çıxarış aparır. Bu quruluş həm xərci azaldır, həm də hədəf coin/birja məlumatını daha düzgün çıxara bilər.

Verianla baxımından bu məqalənin əsas mesajı budur: Kripto bazarlarında manipulyasiya ilə mübarizə yalnız blockchain verilənləri və ya qiymət-həcm izləməsi ilə məhdudlaşmamalıdır. Sosial media koordinasiya mesajları da erkən xəbərdarlıq sistemlərinin mühüm hissəsi ola bilər.

Diqqət Edilməli Məqamlar

Bu tədqiqat investisiya məsləhəti deyil. Pump-and-dump qruplarında iştirakı, manipulyasiya məqsədli əməliyyat aparmağı və ya koordinasiyalı alqı-satqı davranışını təşviq etmir.

Tədqiqat müəyyən public Telegram qruplarına əsaslanır. Private qruplar, Discord, X/Twitter və ya başqa platformalardakı manipulyasiya strukturları fərqli dil və təşkilatlanma formalarından istifadə edə bilər.

Model pre-announced, yəni vaxtı əvvəlcədən elan edilən pump-and-dump sxemlərinə fokuslanır. Digər manipulyasiya növləri üçün fərqli modellər tələb oluna bilər.

LightGBM yüksək sürət və yaxşı recall versə də, yanlış müsbət nəticələr yaradır. Buna görə real istifadədə insan yoxlaması, ikinci model təsdiqi və ya bazar verilənləri ilə əlavə doğrulama tələb olunur.

LLM əsaslı çıxarış yüksək dəqiqlik versə də, xərc, API gecikməsi, prompt həssaslığı və model dəyişkənliyi kimi amillərə həssasdır.

Pump elanlarının təxminən %11-ində vizual məzmun olduğuna görə yalnız mətn əsaslı sistemlər bəzi hadisələri qaçıra bilər. Gələcəkdə şəkil və mətni birlikdə təhlil edən multimodal sistemlər lazım ola bilər.

Nəticə

Bu akademik tədqiqat Telegram əsaslı kripto pump-and-dump sxemlərinin mesaj səviyyəsində və real vaxta yaxın şəkildə aşkar edilə biləcəyini göstərir. PumpSense verilənlər dəsti 283.017 mesaj və əl ilə etiketlənmiş 2.246 pump elanı ilə bu sahədə mühüm benchmark təqdim edir.

Nəticələr yüngül LightGBM modelinin pump başlanğıc elanlarını mikrosaniyə səviyyəsində skan edə bildiyini; BGE-M3 kimi daha ağır modellərin bir qədər yüksək F1 versə də miqyaslı istifadədə daha bahalı olduğunu göstərir. Hədəf coin və birjanın çıxarılmasında isə LLM-lər açıq şəkildə daha uğurludur.

Ən məntiqli praktik arxitektura iki mərhələli nəzarət xəttidir: Əvvəl sürətli və ucuz modellə Telegram trafiki skan edilir; sonra yalnız şübhəli pəncərələrdə LLM ilə hədəf coin və birja çıxarılır. Bu üsul manipulyasiya intentini qiymət hərəkətindən əvvəl tutmağa kömək edə bilər.

Verianla baxımından tədqiqatın əsas mesajı aydındır: Kripto bazarlarında bazar manipulyasiyasını anlamaq üçün yalnız qrafiklərə baxmaq kifayət deyil. Manipulyasiyanın izləri çox vaxt əvvəlcə sosial media koordinasiyasında başlayır.

Mənbə və Metod Qeydi

Bu məzmun PumpSense: Real-Time Detection and Target Extraction of Crypto Pump-and-Dumps on Telegram başlıqlı akademik PDF araşdırılaraq hazırlanıb. Mətn sözbəsöz tərcümə deyil. Tədqiqatın məqsədi, verilənlər dəsti, üsulları, əsas formulları, aşkarlama və çıxarış nəticələri, qrafik/cədvəl mesajları və məhdudiyyətləri Verianla oxucuları üçün sadələşdirilmiş, orijinal və redaksiya Azərbaycan dili ilə yenidən izah edilib.

Təhlükəsizlik və etik səbəblərə görə yazıda manipulyasiya qruplarının fəaliyyətini asanlaşdıra biləcək detallı əməliyyat təlimatları verilməyib. Formullar tədqiqatdakı təsnifat və qiymətləndirmə məntiqini MathJax uyğun şəkildə izah etmək üçün hazırlanıb.