Bu çalışma, Ethereum və Bitcoin gibi veri yapıları birbirinden fərqli blokzəncirlərdəki dələduzluq hesaplarının tek bir modelle tespit edilip edilemeyeceğini araşdırır. Tədqiqatçılar, hesabların əməliyyat tarixçəsini böyük dil modeliyle mətn əsaslı özetlere dönüştüren, bu özetlerdeki fərqləndirici bilgiyi olası halüsinasiya və tapşırıqdan kənar içerikten ayıran və elde edilen metin temsillerini əməliyyat qrafıyle birleştiren UniDetect adlı bir metod hazırlamışdır. Ethereum deneylerinde UniDetect yüzde 92,65 F1, yüzde 94,82 AUC və yüzde 68,94 Kolmogorov-Smirnov dəyəri; Bitcoin-M və Bitcoin-L veri dəstlərinde ise sırasıyla yüzde 92,98 və yüzde 93,41 F1 dəyəri bildirmiştir. Bununla birlikte çalışma bir preprinttir; çarpaz zəncir sıfır nümunəli uygulamada dələduzluq hesabları üçün geri çağırma yüzde 94,58’in üzerinde kalırken kesinliğin yaklaşık yüzde 60-63 düzeyinde olması, çox sayıda normal hesabın yanlış siqnal kimi işaretlenebileceğini göstərir.

UniDetect’in əsas fikri, blokzəncir işlemlerini yalnızca miktar, sıklık və ya düyün derecesi gibi sayısal özelliklerle değerlendirmemektir. Model; pul akışının toplanma ya da dağıtılma biçimini, əməliyyat zamanlamasını, karşı taraf çeşitliliğini və əməliyyat qrafındeki qonşuluq örüntülerini ortak bir təmsil içinde birleştirmektedir. Büyük dil modeli hesabların əməliyyat tarixçəsini açıklayan mətn əsaslı sübut üretirken qraf sinir şəbəkəsi, hesabın əməliyyat şəbəkəsindaki yapısal konumunu və ilişkilerini değerlendirmektedir.

Çalışmanın ən dikkat çekici sonucu, eyni modelin fərqli blokzəncirlərdə yüksək geri çağırma elde edebilmesidir. Ancak “dələduzluq hesaplarının yüzde 94,58’inden fazlasını belirleme” sonucu ümumi doğruluk mənasına gəlmir. Bu dəyər dələduzluq sınıfındaki geri çağırmayı ifadə edir; eyni deneylerde kesinliğin aşağı kalması, modelin real bir denetim sisteminde tek başına yekun qərar mekanizması kimi kullanılmaması gerektiğini göstərir.

Araştırmanın əsas sualsu nedir?

Çalışmanın əsas sualsu, veri yapıları, əməliyyat mekanizmaları və olay anlamları birbirinden fərqli olan blokzəncirlərdə dələduzluq hesaplarının ortak bir təmsil və ortak bir sınıflandırıcı kullanılarak belirlenip belirlenemeyeceğidir. Geleneksel yöntemlerin önemli bir bölümü Ethereum və ya Bitcoin gibi belirli bir zincire göre elle hazırlanmış özelliklere dayanır. Ethereum üçün yararlı olan gaz harcaması, akıllı sözleşme çağrıları və ya girdi mesajları gibi özellikler Bitcoin’de eyni biçimde bulunmaz. Bitcoin’in əməliyyat girişleri, çıkışları və çoklu adres yapısı da Ethereum’daki hesab temelli əməliyyat mantığından farklıdır.

Yazarların aktardığı sektör raporlarına göre 2025 yılının ilk yarısındaki kripto pul dolandırıcılığı kayıpları 2,47 milyar ABD dolarını aşmış; karmaşık yasa dışı vakaların yaklaşık yüzde 20’si ondan fazla blokzincire yayılmış və çarpaz zəncir suç faaliyetlerinin hacmi 21,8 milyar ABD dolarını geçmiştir. Bu rakamlar çalışmada araştırma motivasyonu kimi istifadə edilmişdir; UniDetect deneyleri bu ekonomik kayıpları doğrudan ölçmemiştir.

Mevcut yöntemlerde hangi boşluk hedeflenmiştir?

Çalışma mövcud yaklaşımlardaki üç temel sınırlığı hedeflemektedir:

• Zincire özgü xüsusiyyət mühendisliği: Birçok model, belirli bir blokzəncir üçün uzmanlar tarafından tanımlanan sayısal özelliklere dayanır. Bu özellikler başka bir zincire taşındığında eyni anlamı və ya veri karşılığını bulamayabilir.
• İşlem semantiğinin sınırlı temsili: İşlem miktarı, sıklığı və graf yapısı önemli olsa da bazı blokzəncirlərdə əməliyyat mesajları, sözleşme günlükleri və davranış dizileri gibi mətn əsaslı və ya yarı yapılandırılmış bilgi de mövcuddur.
• Dil və graf modellerinin birbirinden kopuk kullanılması: Önceki çox zincirli modeller əməliyyat dizilerini və ya graf yapısını ortaklaştırmaya çalışsa da alan bilgisi, mətn əsaslı anlam və əməliyyat topolojisi çoğu zaman eyni öğrenme süreci içinde birlikte optimize edilmemektedir.

Yazarlar UniDetect’i, büyük dil modellerini xüsusi incə sazlama stratejileriyle heterojen blokzəncir dolandırıcılığına uygulayan ilk girişim kimi təqdim edir. Bu “ilk” nitelemesi araştırmacıların kendi iddiasıdır; çalışma bağımsız bir sistematik literatür doğrulaması sunmamaktadır.

Büyük dil modelinin uygulanmasındaki üç zorluk

C1: Heterojen blokzincirleri ortak biçimde anlamak

Modelin Ethereum, Bitcoin və ileride başka zincirlerde karşılaşabileceği fərqli əməliyyat kayıtlarını ortak bir davranış dili içinde açıklaması gerekir. UniDetect bunun üçün ham əməliyyatları doğrudan eyni sayısal sütunlara zorlamak yerine, her zincirin əməliyyat verisinden hesab düzeyinde təbii dil özeti üretmektedir.

C2: Halüsinasyon və aşırı çıkarımı sınırlamak

Büyük dil modeli əməliyyat kaydında bulunmayan bir ilişkiyi, zamanı, kurumu və ya suç bağlantısını üretebilir. Dolandırıcılık tespitinde bu durum yalnızca mətn əsaslı bir hata değil, normal bir hesabın yanlış biçimde suçla ilişkilendirilmesi anlamına gelebilir. UniDetect bu riski azaltmak üçün fərqləndirici xülasə ilə qalıq xülasə üreten iki ayrı analiz agenti kullanmaktadır.

C3: Metin ilə büyük əməliyyat qrafıni verimli biçimde birleştirmek

Milyonlarca düyün və yüz milyonlarca kenardan oluşan bir əməliyyat qrafınin tamamını metne dönüştürüp dil modeline vermek hesaplama açısından uygulanabilir değildir. UniDetect bu nedenle əvvəl merkez hesab çevresinde küçük bir altqraf örneklemekte, ardından yapısal önem sıkıştırması uygulamakta və yalnızca seçilen düğümlerin mətn əsaslı özetlerini qraf sinir şəbəkəsina aktarmaktadır.

İşlem grafiği nasıl tanımlanmıştır?

İşlem ağı yönlü bir graf kimi tanımlanmıştır:

[ G = (V,E) ]

Burada V hesab və ya adres düğümlerini, E ise yönlü əməliyyat kenarlarını göstərir. Grafın n düğümü və m əməliyyat kenarı mövcuddur. Kenar xüsusiyyətləri şu matrisle təmsil edilmektedir:

\[ X_E \in \mathbb{R}^{m \times d} \]

Her satır bir əməliyyat kenarına, d ise o kənar üçün tutulan xüsusiyyət sayısına karşılık gelir. Özellikler zincire göre əməliyyat miktarı, əməliyyat sayısı, giriş dəyəri, çıkış dəyəri və ya ücret gibi fərqli bilgiler içerebilir.

Dolandırıcılık tespiti ikili düyün təsnifatı kimi formüle edilmiştir:

\[ f:(V,E,X_E,Y_L)\longrightarrow Y_U \]

Y_L etiketli düğümleri, Y_U etiketi tahmin edilecek düğümleri göstərir. Çıktı, hesabın normal və ya dələduzluq sınıfına ait olma tahminidir.

Altgraf örnekleme nasıl yapılmaktadır?

UniDetect, etiketli bir hesabı merkez düyün kimi seçmekte və bu hesabın çevresinde iki atımlı bir qonşuluq örneklemektedir. Her atımda ortalama əməliyyat dəyəri ən yüksək olan ən fazla K komşuya öncelik verilmektedir:

\[ C_h = \bigcup_{v \in C_{h-1}} \operatorname{topK}\left(\mathcal{N}_v,K,R[v,\mathcal{N}_v]\right) \]

• C_h: h’inci atımda seçilen düyünlər kümesidir.
• C₀: merkez hesabın kendisidir.
• \mathcal{N}_v: v düğümünün bir atımlı komşularıdır.
• K: her atımda tutulacak azami qonşu sayısıdır; deneylerde 10 kimi müəyyən edilmişdir.
• R[v,\mathcal{N}_v]: merkez ilə aday qonşu arasındaki ortalama əməliyyat değeridir.

İşlem değerinin birimi kullanılan blokzincire bağlıdır; Ethereum üçün ETH, Bitcoin üçün BTC və ya veri dəstinde kullanılan dönüştürülmüş dəyər ola bilər. Makale, fərqli zincirlerdeki miktarların bu örnekleme skoru üçün nasıl ölçeklendirildiğini ayrıntılı biçimde açıklamamaktadır. Eşit ortalama əməliyyat değerleri oluştuğunda toplam əməliyyat dəyəri daha yüksək olan əməliyyat bilgisinin seçildiği belirtilmiştir.

Yapısal önem graf sıkıştırması nasıl çalışmaktadır?

İki atımlı və her atımda 10 komşulu örnekleme teorik kimi hızla büyüyebilir. Tədqiqatçılar bu grafı küçültmek üçün Structural Importance Graph Compression adlı SIGC algoritmasını hazırlamışdır. Her qonşu düğümün yapısal önem skoru şöyledir:

\[ S_u = \frac{\log(a_u^{in}+a_u^{out}+1)+\beta\log(d_u^{in}+d_u^{out}+1)}{L_u+1} \]

• a_uⁱⁿ və a_u^out: qonşu düğümün gelen və giden əməliyyat miktarlarıdır.
• d_uⁱⁿ və d_u^out: düğümün altqraf içindeki gelen və giden derece sayılarıdır.
• L_u: merkez düğümden qonşu düğüme ən kısa yol uzunluğudur və genişlik öncelikli aramayla hesaplanır.
• \beta: parasal davranış ilə yapısal bağlantı arasında tarazlıq kuran boyutsuz katsayıdır; deneylerde 2 kimi istifadə edilmişdir.

İşlem hacmi və derece yükseldikçe önem skoru artarken merkez hesaptan uzaklık arttıkça skor düşmektedir. Altgraf N_c düyün sınırını aşarsa ən yüksək skorlu düyünlər tutulmaktadır. Bağlantının kopmaması üçün merkez düyün ilə tutulan düyünlər arasındaki ən kısa yollar üzerindeki ara düyün və kənarlar da sıkıştırılmış grafa eklenmektedir. Deneylerde N_c dəyəri 10’dur.

Adli analiz agenti hangi bilgileri özetlemektedir?

Graf oluşturulduktan sonra böyük dil modeli tabanlı forensik analiz agenti her hesabın əməliyyat tarixçəsini üç ila beş cümlelik bir metne dönüştürmektedir. Ek materyaldeki istem şablonu dörd boyuta odaklanmaktadır:

Bu eşikler modelin isteminde kullanılan yönlendirici kurallardır; çalışma bunların bütün blokzincirler üçün evrensel dələduzluq sınırları olduğunu deneysel kimi sübut etmir. Özellikle ETH və gwei cinsinden örnekler Ethereum’a özgüdür. Bitcoin gibi gaz kavramı bulunmayan zincirlerde eyni istemin nasıl dönüştürüldüğü ayrıntılı kimi gösterilmemiştir.

Ayırt edici xülasə və qalıq xülasə neden ayrılmıştır?

İlk əməliyyat özeti iki fərqli ajana gönderilmektedir:

• Ayırt edici xülasə agenti: Dolandırıcılık sınıflandırmasıyla ilişkili əməliyyat örüntülerini, fon akışlarını, ilişkili adresleri və zamansal işaretleri çıkarmaktadır. Kısa sürede yoğun transfer, çox kaynaktan tek hesapta toplama, ardından çox sayıda hedefe dağıtma, çox atımlı fon hareketi və ya yüksək riskli adreslerle etkileşim gibi göstergelere odaklanır.
• Artık xülasə agenti: Sınıflandırmayla doğrudan ilişkili olmayan nesnel ifadeleri və modelin üretebileceği desteklenmeyen yorumları ayırmaktadır. Hesabın dokuz yıldır aktif olması gibi doğru lakin tek başına suç göstergesi olmayan bilgiler ilə uydurulmuş kurum bağlantıları bu kanala yönlendirilir.

Ayırt edici agent her adres üçün ən belirleyici örüntüyü tek cümleyle vermek üzere yönlendirilmiştir. Artık agent ise yalnızca doğrulanabilir əməliyyat sayısı, zaman aralığı və ya hacim gibi çıplak olguları tutmalı; normal, dolandırıcı, riskli və ya önemli gibi değerlendirme sözcükleri kullanmamalıdır.

Metinsel xülasələr graf temsiline nasıl dönüştürülmektedir?

Ayırt edici xülasə, qalıq xülasə və özgün əməliyyat özeti sabit parametreli Sentence-BERT dil modeliyle vektörlere dönüştürülmektedir. Bu vektörler graf düğümlerinin başlangıç xüsusiyyətləri kimi istifadə olunur. Ardından Dual-PGNN adlı çift yollu qraf sinir şəbəkəsi, mətn əsaslı xüsusiyyətləri əməliyyat komşuluklarıyla birlikte işlemektedir.

İki yolun amacı qonşuluq bilgisini hesaba katarken merkez hesabın kendi mətn əsaslı özelliklerinin qonşu düğümlerin etkisi altında kaybolmasını önlemektir. Bu sorun, dolandırıcı hesabların normal hesablarla yoğun etkileşim kurarak qonşuluq yapısında kendilerini gizleyebilmesi nedeniyle “qonşuluq kamuflajı” kimi ele alınmaktadır.

Üç görünümlü itki funksiyası nasıl kurulmuştur?

Ayırt edici xülasə kaybı

Ayırt edici özetin dələduzluq sınıfını doğru tahmin etmesi ikili çapraz entropiyle ölçülmektedir:

\[ \mathcal{L}_v^D = -\sum_{v \in V}\left[y_v\log(p_v^D)+(1-y_v)\log(1-p_v^D)\right] \]

• y_v: düğümün real ikili etiketidir.
• p_v^D: fərqləndirici özetten elde edilen dələduzluq olasılığıdır.
• Kayıp boyutsuzdur və doğru sınıfa yüksək ehtimal verildiğinde küçülür.

Artık xülasə kaybı

Artık özetin sınıflandırıcıya fərqləndirici bilgi taşımaması istenmektedir. Bunun üçün tahmin dağılımı, sınıflar arasında eşit olasılıklı dağılıma yaklaştırılmaktadır:

\[ \mathcal{L}_v^R = \sum_{v \in V}D_{KL}(p_v^R\parallel U_v) = \sum_{v \in V}\sum_{k\in\{0,1\}}p_v^R(k)\log\frac{p_v^R(k)}{U_v(k)} \]

• p_v^R: qalıq xülasəten üretilen sınıf ehtimal dağılımıdır.
• U_v: eşit dağılımdır; iki sınıflı durumda her sınıf üçün 0,5’tir.
• D_KL: Kullback-Leibler ayrışmasıdır.

Bu itki küçüldüğünde qalıq xülasə normal və dolandırıcı sınıfları arasında belirgin tercih üretmemektedir. Formül gösteriminde itki simgesi düyün alt indisi taşımasına rağmen toplamın bütün V düğümleri üzerinde yazılması, makaledeki notasyonun düyün düzeyi ilə toplu itki düzeyi arasında tam kimi ayrıştırılmadığını göstərir.

Ortogonal itki

Ayırt edici və artık temsilin birbirine karışmaması üçün iki temsilin iç çarpımı küçültülmektedir:

\[ \mathcal{L}_v^O = \left\lVert S_v^D \cdot S_v^R \right\rVert_2^2 \]

S_v^D fərqləndirici, S_v^R artık düyün temsilidir. İç çarpımın sıfıra yaklaşması, temsillerin vektör uzayında birbirinden ayrılmasını amaçlamaktadır.

Toplam itki

\[ \mathcal{L}_v = \mathcal{L}_v^D+\lambda_1\mathcal{L}_v^R+\lambda_2\mathcal{L}_v^O \]

Deneylerde \lambda₁ 0,05 və \lambda₂ 0,3 kimi müəyyən edilmişdir. Bu katsayılar fərqləndirici təsnifat hedefi, artık bilginin nötrleştirilmesi və iki temsilin ayrılması arasındaki dengeyi kontrol etmektedir.

Pekiştirmeli öğrenme böyük dil modelini nasıl yönlendirmektedir?

Birinci təlim aşamasında graf kodlayıcı dondurulmakta, xülasə ajanlarının böyük dil modeli LoRA ilə incə sazlamalanmaktadır. Toplam itki əvvəl ödüle çevrilmektedir:

\[ R_v = \exp(-\mathcal{L}_v) \]

Kayıp küçüldükçe ödül 1’e yaklaşır. Ardından üstel hareketli ortalama tabanı çıkarılarak avantaj hesaplanmaktadır:

\[ \hat{A}_v = R_v-b_t \]

b_t, təlim adımındaki hareketli ortalama ödüldür. Bir örneğin ödülü son dönem ortalamasından yüksekse avantaj müsbət olur.

Dizi düzeyindeki REINFORCE kaybı şöyledir:

\[ \mathcal{L}_v^{RL}=-\hat{A}_v\left(\log p_v^{Disc}+\log p_v^{Resi}\right) \]

p_v^Disc və p_v^Resi, fərqləndirici və qalıq xülasə ajanlarının ürettiği metin dizilerinin olasılıklarıdır. Yüksek avantaj alan özetlerin üretim olasılığı artırılmakta, aşağı avantaj alanlarınki azaltılmaktadır.

Şekil 9’daki yakınsama grafiğinde yumuşatılmış ödül ilk yaklaşık 50 adımda sıfıra yakın düzeyden 0,5’e yükselmekte və kalan təlim boyunca yaklaşık 0,5-0,6 aralığında kalmaktadır. Ham ödüldeki dalgalanma sürse de müəlliflər bunu fərqli altgrafların zorluk derecesine bağlamaktadır.

İkinci təlim aşamasında qraf sinir şəbəkəsi nasıl eğitilmektedir?

İkinci aşamada böyük dil modeli dondurulmakta, Dual-PGNN eğitilmektedir. Ayırt edici və ya qalıq xülasə temsili ilə özgün xülasə temsili ayrı yollardan işlenmektedir:

\[ \hat{Z}_v^{D/R}=\operatorname{GNN}(\hat{r}_v^{D/R},A_v)+\theta(\hat{r}_v^{D/R}) \]

\[ \hat{Z}_v^O=\operatorname{GNN}(\chi_v,A_v)+\theta(\chi_v) \]

• A_v: merkez hesab altgrafının qonşuluq matrisidir.
• \hat{r}_v^D/R: incə sazlamalı ajanların fərqləndirici və ya qalıq xülasə temsilidir.
• \chi_v: özgün əməliyyat özetinin temsilidir.
• \theta: merkez düğümün kendi özelliğini doğrudan taşıyan doğrusal katmandır.

Son təmsil dikkat ağırlıklarıyla birleştirilmektedir:

\[ \hat{S}_v^{D/R}=W_1\hat{Z}_v^{D/R}+W_2\hat{Z}_v^O \]

W₁ və W₂ öğrenilebilir dikkat ağırlıklarıdır. Böylece model, fərqləndirici xülasə ilə özgün əməliyyat özetinin göreli önemini her təmsil üçün ayarlayabilmektedir.

Şekil 1 və Şekil 2 ne anlatmaktadır?

Şekil 1, geleneksel zincire özgü modeller ilə UniDetect arasındaki temel farkı görselleştirmektedir. Geleneksel tarafta Bitcoin və Ethereum üçün ayrı kurallar, ayrı xüsusiyyət mühendisliği və ayrı GNN süreçleri mövcuddur. UniDetect tarafında ise fərqli zincirlerin əməliyyatları əvvəl ortak bir əməliyyat özeti diline çevrilmekte, ardından çox zincirli graf və metin temsili tek sınıflandırıcıya aktarılmaktadır.

Şekil 2, təlim və çıxarış akışını ayrıntılı göstərir. Eğitim bölümünde altqraf oluşturma, əməliyyat özeti üretme, fərqləndirici və qalıq xülasəleri ayırma, möhkəmləndirməli öyrənməyle xülasə ajanlarını ayarlama və Dual-PGNN’i eğitme adımları yer almaktadır. Çıkarım aşamasında qalıq xülasə kolu nihai tahminde kullanılmamakta; forensik analiz özeti ilə fərqləndirici xülasə, graf kodlayıcı üzerinden dələduzluq olasılığına dönüştürülmektedir.

Hangi veri dəstləri istifadə edilmişdir?

Çalışmada üç blokzəncir veri dəsti və zəncir dışı genelleme deneyi üçün bir Instagram grafı istifadə edilmişdir:

Ethereum dələduzluq etiketleri Etherscan Label Cloud, XLabelCloud və CryptoScamDB’den alınmıştır. Etiketler kimlik avı, Upbit təhlükəsizlik açığı saldırıları, kumar və honeypot hesablarını kapsamaktadır. Madenciler və finansal hizmet sağlayıcıları gibi bilinen xüsusi kimlikli hesaplar normal sınıfa eklenmiştir.

Ethereum əməliyyatları 7 Ağustos 2015 ilə 10 Nisan 2025 arasından Etherscan API ilə toplanmıştır. Sıfır miktarlı və başarısız əməliyyatlar çıkarılmıştır. Aynı iki hesab arasındaki birden fazla transfer tek bir yönlü kenarda birleştirilmiş; toplam transfer miktarı ilə toplam əməliyyat sıklığı kənar özelliği kimi tutulmuştur.

Bitcoin-M, Haziran 2015’ten önceki ilk 1,5 milyon işlemi kapsamaktadır. Kenarlarda giriş dəyəri, giriş miktarı, çıkış dəyəri və çıkış miktarı mövcuddur. Bitcoin-L, Haziran-Eylül 2015 arasındaki əməliyyatları kapsamakta və eyni özelliklere ek kimi əməliyyat ücretini içermektedir. Kumar və karıştırıcı hizmetlerle ilişkili adresler dələduzluq sınıfına alınmış, kalan hesaplar normal kabul edilmiştir.

Bu etiketleme biçimi önemli bir yorum sınırı doğurmaktadır. Kumar və ya karıştırıcı hizmetleriyle ilişki, tek başına her hesabın hukuken dələduzluq yaptığı anlamına gelmeyebilir. Benzer şekilde “geri kalan bütün hesabları normal kabul etme” yaklaşımı, henüz etiketlenmemiş yasa dışı hesabları normal sınıfa dahil edebilir.

Instagram deneyinde düyünlər kullanıcıları, kənarlar takip ilişkilerini, profil açıklamaları başlangıç mətn əsaslı özelliklerini təmsil etmektedir. Görev dələduzluq tespiti değil, işletme hesabı ilə normal kullanıcı hesabını ayırmaktır. Bu təcrübə modelin fərqli bir graf təsnifat görevine aktarılabildiğini göstərir; finans dışındaki dolandırıcılığı tespit ettiğini göstermemektedir.

Veriler nasıl bölünmüş və hangi modellerle karşılaştırılmıştır?

Tüm veri dəstləri yüzde 80 təlim, yüzde 10 doğrulama və yüzde 10 test kimi ayrılmıştır. Makale, ortalama nəticələr ilə standart sapmaların birden fazla çalıştırmadan hesaplandığını belirtmekte; ancaq ana metin və ek materyalde tekrar sayısını açıkça vermemektedir.

UniDetect toplam 20 temel yöntemle karşılaştırılmıştır:

• Genel graf təmsil yöntemleri: DeepWalk, Node2Vec, GCN, GAT, GIN, GraphSAGE və APPNP.
• Graf anomali yöntemleri: CARE-GNN, BWGNN, GRIT, DGA-GNN, PMP və FLAG.
• Tek zincirli metodlar: Trans2Vec, TSGN, Ethident və TEGDetector.
• Çok zincirli metodlar: SIGTRAN, BERT4ETH və DIAM.

UniDetect’in temel böyük dil modeli Gemma-3-4B-it, metin gömme modeli Sentence-BERT, graf omurgası CARE-GNN’dir. Dual-PGNN iki katman və 64 gizli boyutla kurulmuştur. AdamW eniyileyicisi, 5 × 10^-6 öğrenme oranı və erken durdurma istifadə edilmişdir. Eğitim iki dış dönem və 10 iç dönemden oluşmaktadır.

Değerlendirme ölçütleri ne anlama gelmektedir?

• Kesinlik: Dolandırıcı kimi işaretlenen hesabların ne kadarının gerçekten dələduzluq etiketli olduğunu ölçer.
• Geri çağırma: Etiketli dələduzluq hesaplarının ne kadarının model tarafından yakalandığını ölçer.
• F1: Kesinlik və geri çağırmanın harmonik ortalamasıdır.
• AUC: Modelin fərqli eşiklerde iki sınıfı sıralama kabiliyetini ölçer.
• Kolmogorov-Smirnov: Normal və dələduzluq hesaplarının tahmin skoru dağılımları arasındaki ən büyük ayrımı ölçer.

KS ölçütü çalışmada şu şekilde tanımlanmıştır:

\[ KS=\max_x\left|F_1(x)-F_2(x)\right| \]

Buradaki F₁(x) və F₂(x), iki sınıfın birikimli dağılım fonksiyonlarıdır; bu semboller F1 təsnifat puanıyla karıştırılmamalıdır. Bütün ölçütlerde yüksək dəyər daha iyi nəticə anlamına gelmektedir.

Ana təcrübə sonuçları nelerdir?

Ethereum’da ən güçlü karşılaştırma yöntemine göre UniDetect’in artışları kesinlikte 8,71, geri çağırmada 5,40, F1’de 8,56, AUC’de 12,15 və KS’de 7,58 yüzde puandır. İnce ayar yapılmadan kullanılan UniDetect sürümünün Ethereum F1 dəyəri yüzde 85,38 iken tam modeldə yüzde 92,65’e çıkmıştır. Bu fark, böyük dil modelinin görev geri bildirimiyle incə sazlamalanmasının sonuçlara önemli katkı verdiğini göstərir.

Bitcoin-M’de ən güçlü karşılaştırmaya göre F1 artışı 5,41, AUC artışı 6,47 və KS artışı 5,57 yüzde puandır. Bitcoin-L’de F1 artışı 3,61, AUC artışı 5,17 və KS artışı 6,49 yüzde puandır.

Tablolarda ortalama və standart sapmalar verilmiş olsa da metodlar arasındaki farklar üçün hipotez testi, güven aralığı və ya p dəyəri sunulmamaktadır. Bu nedenle “istatistiksel kimi anlamlı üstünlük” yerine, raporlanan ölçüt ortalamalarında üstünlük ifadesi daha doğrudur.

Çapraz zəncir sıfır nümunəli təcrübə ne göstərir?

Ethereum üzerinde eğitilen model doğrudan Bitcoin’e uygulanmıştır. Şekil 5a’da təsnifat eşiği 0,45 ilə 0,70 arasında değiştirildiğinde geri çağırma yüzde 94,58 ilə yüzde 100 arasında kalmıştır. Buna karşılık dəqiqlik yaklaşık yüzde 60,07 ilə yüzde 63,25; F1 ise yaklaşık yüzde 73,46 ilə yüzde 77,50 aralığındadır.

Bu nəticə iki fərqli yönü birlikte göstərir:

• Model, zəncir değiştiğinde dələduzluq etiketli hesabların büyük bölümünü yakalayabilmektedir.
• Normal hesabları güvenilir biçimde ayırma başarısı belirgin ölçüde düşmektedir və yanlış müsbət oranı yükselebilmektedir.

Dolayısıyla çalışmadaki “yüzde 94,58’den fazla dələduzluq hesabını belirleme” ifadesi, yüksək geri çağırmayı anlatmaktadır. Bu nəticə tek başına yüksək dəqiqlik, aşağı yanlış siqnal oranı və ya üretim ortamında güvenli otomatik karar anlamına gelmez.

Zincir dışı aktarım deneyi ne göstərir?

Instagram işletme hesabı sınıflandırmasında UniDetect, karşılaştırılan yöntemlerden F1’de 6,06 və AUC’de 4,47 yüzde puan daha yüksək nəticə bildirmiştir. Bu təcrübə metin və graf füzyonunun yalnızca blokzəncir əməliyyat grafına bağlı olmadığını göstərir. Ancak görev dələduzluq tespiti olmadığı üçün nəticə, modelin başka sektörlerde finansal suç və ya sahtekârlık yakaladığının kanıtı değildir.

Bileşen çıkarma deneyleri ne anlatmaktadır?

Artık xülasə ajanının çıkarılması F1’i 14,28 və AUC’yi 15,01 yüzde puan düşürmektedir. Bu, halüsinasiya və ya tapşırıqdan kənar içeriği ayrı bir təmsil kimi modellemenin merkezi rolünü dəstəkləyir.

SIGC sıkıştırmasının kaldırılması ise fərqli bir nəticə vermektedir: F1 yüzde 92,65’ten yüzde 93,62’ye yükselirken AUC yüzde 94,82’den yüzde 94,14’e düşmekte və graf oluşturma süresi 1,26 saniyeden 40,37 saniyeye çıkmaktadır. Bu nedenle sıkıştırmanın her ölçütü artırdığı söylenemez; asıl katkısı çox büyük hız kazanımını küçük bir performans değişimiyle sağlamasıdır.

Hiperparametre grafikleri ne göstərir?

Şekil 6, altqraf düyün sınırı N_c, yapısal ağırlık \beta və itki katsayıları \lambda₁ ilə \lambda₂ üçün duyarlılık analizini göstərir.

• N_c çox küçük olduğunda qonşuluq bilgisi yetersiz kalmaktadır. Çok büyük olduğunda normal komşular dolandırıcı merkez düğümün örüntüsünü seyreltebilmektedir.
• \beta çox küçük olduğunda əməliyyat miktarı gürültüsü baskın hâle gelmektedir. Çok büyük olduğunda borsa və ya ICO cüzdanı gibi yüksək bağlantılı düyünlər gereğinden fazla önemli kabul edilebilmektedir.
• \lambda₁ və \lambda₂ arttıkça F1 və KS əvvəl yükselmekte, daha sonra düşmektedir. Geniş bir orta aralıkta performansın görece kararlı kaldığı görülmektedir.

Grafikler seçilen N_c=10, \beta=2, \lambda₁=0,05 və \lambda₂=0,3 ayarlarının tek mümkün dəyər olmadığını, ancaq dengeli bölgelerde bulunduğunu dəstəkləyir.

Hesaplama maliyeti nedir?

Eğitim Intel Xeon Gold 6248R işlemci, 128 GB RAM və iki NVIDIA A6000 GPU bulunan bir sistemde gerçekleştirilmiştir. Çıkarım gecikmesi aşağı olsa da 12,42 saatlik LLM eğitimi, yüksək kapasiteli GPU ihtiyacı və hesab başına 1,26 saniyelik ön işleme maliyeti, sistemin toplam operasyonel yükünün yalnızca 1,47 milisaniyelik təsnifat süresiyle değerlendirilmemesi gerektiğini göstərir.

Gerçek hesab örneği halüsinasiya sorununu nasıl göstərir?

Örnek olayda bir Ethereum hesabının yaklaşık dokuz yılda 81 benzersiz adresle 3.742 əməliyyat yaptığı və toplam 5.454,23 ETH giriş aldığı belirtilmiştir. İlk forensik analiz özeti, net çıkışın baskın olduğunu və çox taraflı, çox atımlı transfer örüntüsü bulunduğunu yazmıştır.

Aynı xülasə ayrıca əməliyyatların çoğunlukla Avrupa çalışma saatlerinde yapıldığını və hesabın Europol’ün 2022 raporunda işaretlendiğini ileri sürmüştür. Bu iki bilgi modelin girdisindeki əməliyyat verilerinden doğrulanabilir değildir. Artık xülasə agenti bu ifadeleri fərqləndirici kanıttan ayırmış; fərqləndirici xülasə ise pul toplama, yoğun net çıkış və çox atımlı dağıtım gibi əməliyyat grafından desteklenen örüntüleri korumuştur.

Bu örnek, UniDetect’in halüsinasyonu tamamen önlediğini sübut etmir. İlk agent halüsinasiya üretmeye devam etmekte, sonraki agent bunu filtrelemeye çalışmaktadır. Gerçek uygulamada filtreleme ajanının da hata yapabileceği və desteklenmeyen bir suç bağlantısını fərqləndirici özette bırakabileceği göz önünde bulundurulmalıdır.

Farklı büyük dil modelleri nasıl karşılaştırılmıştır?

Ek materyalde Gemma-3-4B-it, Qwen2.5-3B-it, Qwen2.5-7B-it və Llama-3.1-8B-it karşılaştırılmıştır. Gemma-3-4B-it beş ölçüt genelinde ən dengeli sonuçları vermiştir. Llama-3.1-8B-it biraz daha yüksək dəqiqlik sağlarken yaklaşık iki kat parametr və təlim yükü gerektirmiştir. Qwen2.5-7B-it benzer F1 və AUC üretmiş ancaq KS dəyəri daha aşağı kalmıştır. Qwen2.5-3B-it özellikle KS bakımından ən zayıf sonuçları vermiştir.

Şekil 10’un görsel içeriği bu model karşılaştırmasını göstermesine rağmen şekil altyazısında yanlışlıkla “forensik analiz ajanının CoT istem şablonu” ifadesi yazılmıştır. Bu, PDF’deki görsel-altyazı tutarsızlığıdır; grafik gerçekte LLM omurgası karşılaştırmasını göstərir.

Çalışmanın güclü tərəfləri nelerdir?

• Ethereum və Bitcoin gibi veri modelleri fərqli iki blokzincirde eyni mimari değerlendirilmiştir.
• Üç blokzəncir veri dəsti, 20 karşılaştırma metodu və dörd değerlendirme ölçütüne ek kimi KS istifadə edilmişdir.
• Bileşen çıkarma, hiperparametre duyarlılığı, hesaplama maliyeti, yakınsama və örnek olay analizleri sunulmuştur.
• Dil modelinin hesab adreslerini önceden bilerek etiket sızdırmasını önlemek üçün hesab kimlikleri və real etiketler istemlerden çıkarılmıştır.
• Ayırt edici və qalıq xülasəlerin ayrılması, yalnızca daha iyi metin üretmek yerine halüsinasyonun təsnifat üzerindeki etkisini doğrudan təlim hedefi hâline getirmektedir.
• LoRA sayesinde 4,3 milyarlık modelin yalnızca 3,22 milyon parametresi eğitilmektedir.
• Çapraz zəncir deneyinde hədd değişimleri gösterilerek yüksək geri çağırmanın dəqiqlik maliyeti görünür kılınmıştır.

Çalışmanın sınırlılıkları nelerdir?

• Hakemlik: Çalışma bir arXiv preprintidir və bağımsız hakem değerlendirmesinden geçtiği doğrulanmamıştır.
• Kod erişimi: PDF kaynak kod və veri dəstinin erişilebilir olduğunu söylese de bağlantılı GitHub deposunda kodun daha sonra yayımlanacağı belirtilmektedir.
• Zincir kapsamı: “Evrensel” nitelemesine rağmen real blokzəncir deneyleri Ethereum ilə iki Bitcoin veri dəstiyle sınırlıdır.
• Eski Bitcoin dönemi: Bitcoin-M və Bitcoin-L verileri 2015 dönemine aittir; güncel karıştırma, köprü, merkeziyetsiz finans və katman-2 davranışlarını təmsil etmeyebilir.
• Etiket gürültüsü: Kamuya açık etiket bulutları eksik və ya hatalı ola bilər. Kumar və karıştırıcı adreslerinin tamamını dolandırıcı kabul etmek kavramsal kimi geniş bir eşlemedir.
• Normal sınıfın temsili: Ethereum’daki normal etiketler mədənçi və finansal hizmet sağlayıcı gibi xüsusi hesaplardan seçilmiştir; sıradan kullanıcıların bütün davranış çeşitliliğini təmsil etmeyebilir.
• Yanlış pozitifler: Çapraz zəncir deneyinde kesinliğin yaklaşık yüzde 60-63 olması, normal hesabların önemli bölümünün yanlış siqnal üretme ihtimalini göstərir.
• İstemlerin zincire özgü unsurları: ETH, gwei və gaz harcaması eşikleri evrensel blokzəncir kuralları değildir. Bunların Bitcoin və ya başka zincirlere uyarlanma metodu ayrıntılı verilmemiştir.
• İstatistiksel sınır: Ortalama və standart sapma bildirilmiş, ancaq tekrar sayısı və metodlar arası anlamlılık testleri açıkça sunulmamıştır.
• Instagram yorumu: İşletme hesabı sınıflandırması, finansal suç və ya dələduzluq genellemesi değildir.
• Gerçek saha doğrulaması: Modelin bir borsa, düzenleyici kurum, kolluk sistemi və ya kara pul aklamayı önleme altyapısında canlı kimi sınandığı gösterilmemiştir.
• Uzun dönem değişim: Suç örüntülerinin zaman içinde değişmesi, yeni zincirlere geçiş, saldırgan uyarlaması və kavram kayması ayrıntılı kimi test edilmemiştir.
• Hesaplama altyapısı: Eğitim iki A6000 GPU ilə yapılmıştır; daha sınırlı donanımlardaki maliyet gösterilmemiştir.

Çalışma neyi dəstəkləyir?

• LLM tarafından üretilen əməliyyat özetlerinin graf düyün özelliği kimi kullanılması, incelenen veri dəstlərinde geleneksel graf yöntemlerinden daha yüksək raporlanan performans üretmiştir.
• Ayırt edici və qalıq xülasəleri ayıran təlim, Ethereum bileşen çıkarma deneyinde önemli katkı sağlamıştır.
• Altgraf sıkıştırması, hesab başına graf oluşturma süresini 40,37 saniyeden 1,26 saniyeye indirirken AUC’yi hafifçe artırmış, F1’i ise hafifçe düşürmüştür.
• Ethereum’da eğitilen model Bitcoin’de dələduzluq etiketli hesabların büyük bölümünü yakalayabilmiştir.
• Metin-graf füzyonu, Instagram’daki işletme hesabı sınıflandırmasına da aktarılabilmiştir.

Çalışma neyi sübut etmir?

• UniDetect’in bütün blokzəncirlərdə eyni doğrulukla çalışacağını sübut etmir.
• Bir hesabın hukuken suçlu və ya dolandırıcı olduğunu kesin kimi belirlememektedir.
• Yüksek geri çağırmanın aşağı yanlış siqnal oranıyla birlikte elde edildiğini göstermemektedir.
• LLM halüsinasyonlarının tamamen ortadan kaldırıldığını göstermemektedir.
• Gerçek zamanlı bir düzenleyici sistemde insan denetimi olmadan güvenli otomatik yaptırım uygulanabileceğini göstermemektedir.
• Instagram deneyine dayanarak başka sektörlerde dələduzluq tespiti başarısını sübut etmir.
• Modelin saldırgan manipülasyonuna, əməliyyat bölme stratejilerine, köprü kullanımına və ya bilinçli graf kamuflajına karşı dayanıklı olduğunu göstermemektedir.
• Kaynak kod və veri dəsti erişime açılmadan sonuçların bağımsız kimi yeniden üretilebildiğini göstermemektedir.

Günlük yaşam və uygulama açısından ne ifade etmektedir?

UniDetect benzeri bir sistem, bir blokzəncir inceleme uzmanının binlerce işlemi tek tek okumak yerine hesab davranışını özetleyen mətn əsaslı ipuçları və graf ilişkileri üzerinden önceliklendirme yapmasını sağlayabilir. Potansiyel kullanım alanları borsa uyum ekipleri, kara pul aklamayı önleme süreçleri, zəncir analiz hizmetleri və soruşturma destek sistemleridir.

Ancak aşağı çarpaz zəncir kesinliği nedeniyle modelin ürettiği işaretler kesin suç tespiti değil, inceleme önceliği kimi değerlendirilmelidir. Bir hesabın dondurulması, kullanıcıya yaptırım uygulanması və ya hukuki nəticə doğuracak karar verilmesi üçün model çıktısının əməliyyat kanıtları, karşı taraf analizi və insan uzman değerlendirmesiyle doğrulanması gerekir.

Çalışmanın Yöntemi və Bulguları

Teknik metod özeti

Temel bulgular

• Ethereum’da UniDetect yüzde 92,65 F1, yüzde 94,82 AUC və yüzde 68,94 KS değerine ulaşmıştır.
• Bitcoin-M’de yüzde 92,98 F1, Bitcoin-L’de yüzde 93,41 F1 elde edilmiştir.
• Ethereum’da ən güçlü karşılaştırmaya göre F1 artışı 8,56 və KS artışı 7,58 yüzde puandır.
• Çapraz zəncir sıfır nümunəli deneyde dələduzluq geri çağırması bütün incelenen eşiklerde yüzde 94,58’in üzerinde kalmıştır.
• Aynı çarpaz zəncir deneyinde dəqiqlik yaklaşık yüzde 60-63 düzeyindedir; nəticə yüksək yanlış müsbət riskine işarə etmektedir.
• Instagram aktarım deneyinde F1’de 6,06 və AUC’de 4,47 yüzde puan artış bildirilmiştir.
• Artık xülasə ajanının kaldırılması Ethereum F1 dəyərini yüzde 92,65’ten yüzde 78,37’ye düşürmüştür.
• SIGC sıkıştırması graf oluşturma süresini hesab başına 40,37 saniyeden 1,26 saniyeye indirmiştir.
• Çevrim içi təsnifat gecikmesi örnek başına 1,47 milisaniye və verim 680 örnek/saniyedir.
• LoRA ilə yalnızca 3,22 milyon LLM parametresi eğitilmiştir; bu toplam parametrelerin yaklaşık yüzde 0,07’sidir.

Sonuçların texniki yorumu

Deneyler UniDetect’in incelenen test bölmelerinde güçlü bir sınıflandırıcı olduğunu göstərir. En büyük katkı, dil modelinin tek başına kullanılması değil; xülasə kalitesinin graf təsnifat kaybından gelen geri bildirimle eğitilmesi, tapşırıqdan kənar metnin ayrı tutulması və merkez hesabın kendi özelliğinin graf toplama sırasında korunmasıdır.

En önemli operasyonel sınır çarpaz zəncir kesinliğidir. Model Ethereum’dan Bitcoin’e geçtiğinde dələduzluq hesablarını kaçırmama konusunda güçlü, normal hesabları yanlış işaretlememe konusunda zayıf kalmaktadır. Bu nedenle UniDetect’in çalışmada gösterilen ən gerçekçi rolü, otomatik nihai hüküm vermek yerine yüksək riskli hesabları insan incelemesine yönlendiren bir tarama katmanıdır.

Kaynak və Yöntem Notu

Çalışmanın tam özgün adı: UniDetect: LLM-Driven Universal Fraud Detection across Heterogeneous Blockchains

Yazarlar və sıraları: Shuyi Miao; Wangjie Qiu; Shengda Zhuo; Fei Shen; Dan Lin; Xingtong Yu; Tat-Seng Chua; Zhiming Zheng.

Eş birinci yazar: PDF’de eş katkı və ya eş birinci yazar bildirimi mövcud deyil.

Sorumlu yazar: PDF’de Wangjie Qiu və Fei Shen adlarının yanında yıldız işareti mövcuddur. Bununla birlikte dipnotta “Corresponding authors” ifadesinin ardından Shuyi Miao’ya ait shuyimiao@buaa.edu.cn adresi verilmiştir. Yıldız işaretleri ilə iletişim adresi arasında tutarsızlık mövcuddur.

Kurumlar:

• Shuyi Miao, Wangjie Qiu və Zhiming Zheng: Beihang University, Pekin, Çin.
• Shengda Zhuo: Jinan University, Guangzhou, Çin.
• Fei Shen və Tat-Seng Chua: National University of Singapore, Singapur.
• Dan Lin: Sun Yat-Sen University, Guangzhou, Çin.
• Xingtong Yu: The Chinese University of Hong Kong, Hong Kong.

DOI: 10.48550/arXiv.2604.12329. Bu, arXiv tarafından verilen DataCite DOI’sidir; hakemli dergi DOI’si değildir.

Kaynak türü: Bilgisayar bilimi alanında metod, modelleme və deneysel veri analizi içeren preprint araştırma makalesi.

Yayın yılı: 2026.

Yayın platformu: arXiv.

arXiv kategorileri: Cryptography and Security (cs.CR) və Social and Information Networks (cs.SI).

Hakemlik durumu: Bu çalışma bir preprinttir və hakem değerlendirmesinden geçtiği doğrulanmamıştır.

Dergi və ya konferans: Doğrulanmış bir dergi və ya konferans bilgisi mövcud deyil. PDF’deki “Conference’17, July 2017, Washington, DC, USA” metni doldurulmamış yayın şablonu ifadesidir.

Özgün yayınevi: Hakemli bir dergi və ya konferans yayınevi doğrulanamamıştır. arXiv yayın platformudur.

Resmî kaynak:https://arxiv.org/abs/2604.12329

Proje deposu:https://github.com/msy0513/UniDetect

PDF veri dəsti və kaynak kodun erişilebilir olduğunu belirtmektedir. Ancak resmî GitHub deposunun mövcud README metninde kaynak kodun makalenin yayımlanması üzerine paylaşılacağı yazmaktadır. Bu nedenle çalışmanın kodu və təcrübə verileri üzerinden bağımsız kimi yeniden üretilebilirliği şu aşamada doğrulanamamaktadır.

Bu Verianla makalesi yüklenen PDF’nin ana metni, riyazi metodu, tabloları, grafik və şemaları, ek materyali, təcrübə sonuçları və sınırlılıkları incelenerek hazırlanmıştır. PDF dışından yeni bir bilimsel bulgu eklenmemiştir. Dış kaynaklar yalnızca arXiv kimliği, DOI, yayın durumu, resmî bağlantı və proje deposunun mövcud durumu üçün istifadə edilmişdir.

Çalışmanın başlıca sınırlılıkları; hakem değerlendirmesinin bulunmaması, yalnızca Ethereum və Bitcoin üzerinde blokzəncir deneyi yapılması, Bitcoin verilerinin 2015 döneminden gelmesi, etiket kaynaklarındaki olası gürültü, zincire özgü istem eşikleri, çarpaz zəncir kesinliğinin aşağı kalması, saha uygulaması bulunmaması və kaynak kodun henüz doğrulanabilir biçimde yayımlanmamış olmasıdır.