Kriptovalyuta ekosistemində fırıldaqçı hesabları aşkar etmək getdikcə çətinləşir. Bunun mühüm səbəblərindən biri cinayət məqsədli vəsaitlərin artıq tək bir zəncirdə qalmamasıdır. Cross-chain körpülər, mərkəzləşdirilməmiş maliyyə protokolları və müxtəlif aktivlər arasında çevrilmə imkanı vəsaitlərin bir blokçeyndən digərinə daşınmasını asanlaşdırır. Bu vəziyyət yalnız Ethereum, Bitcoin və ya tək bir zəncir üçün hazırlanmış aşkarlama sistemlərini zəiflədə bilər.

Bu tədqiqat UniDetect adlı çoxzəncirli fırıldaqçı hesab aşkarlama üsulu təklif edir. Sistem əməliyyat qrafikini təhlil edən qraf sinir şəbəkələri ilə böyük dil modellərinin yaratdığı əməliyyat xülasələrini birləşdirir. Məqsəd müxtəlif blokçeynlərdəki heterogen əməliyyat strukturlarını ortaq və anlaşılan təmsilə çevirməkdir.

UniDetect əvvəlcə hesab mərkəzli altqraflar yaradır. Daha sonra LLM əsaslı forensic analysis agent hesabın əməliyyat tarixçəsini dəyər axını, əməliyyat vaxtı, qarşı tərəf müxtəlifliyi və gas xərcləri kimi ölçülər üzrə ümumiləşdirir. Sonra iki ayrıca xülasə təhlil agenti işə düşür: biri fırıldaqçılıq aşkarlanması üçün ayırdedici məlumatları çıxarır, digəri isə tapşırıqla birbaşa əlaqəsi olmayan qalıq/factual məlumatları ayırır. Bu xülasələr Dual-PGNN adlı ikiyollu qraf sinir şəbəkəsinə node feature kimi verilir.

Tədqiqatın bildirdiyi nəticələrə görə UniDetect Ethereum, Bitcoin-M və Bitcoin-L verilənlər dəstlərində klassik qraf öyrənmə üsullarından, təkzəncirli aşkarlama metodlarından və mövcud çoxzəncirli yanaşmaların əksəriyyətindən daha yaxşı performans göstərir. Bundan əlavə, Ethereum-da öyrədilib Bitcoin üzərində zero-shot sınaqdan keçirildikdə fırıldaqçı hesabların böyük hissəsini aşkar edə bildiyi bildirilir. Lakin belə sistemlər yanlış müsbət riski daşıdığı üçün real istifadədə insan nəzarəti və hüquqi kontekstlə birlikdə qiymətləndirilməlidir.

Problem Nədir?

Blokçeynlər açıq əməliyyat qeydləri təqdim etdiyinə görə nəzəri baxımdan fırıldaqçılığın aşkarlanması üçün güclü məlumat mənbəyidir. Lakin praktikada bir neçə əsas çətinlik var.

Birinci problem zəncir heterogenliyidir. Ethereum hesab əsaslı işləyir; Bitcoin isə UTXO modelinə əsaslanır. Əməliyyat sahələri, ünvan davranışları, gas/fee məlumatı, input-output strukturu və əməliyyat semantikası zəncirdən zəncirə dəyişir. Buna görə bir zəncir üçün əl ilə hazırlanmış xüsusiyyətlər başqa zəncirdə eyni məna daşımaya bilər.

İkinci problem cross-chain qaçış davranışıdır. Fırıldaqçılar vəsaitləri bir neçə zəncir arasında daşıya, müxtəlif tokenlərə çevirə və ya körpülər və DeFi protokolları ilə izləri dağıda bilərlər. Belə halda təkzəncirə fokuslanan monitorinq sistemləri davranışın hamısını görə bilməyə bilər.

Üçüncü problem verilən modalitetidir. Blokçeyn verilənləri yalnız rəqəmsal əməliyyat məbləğlərindən ibarət deyil. Əməliyyat tezliyi, vəsait axını, qarşı tərəf müxtəlifliyi, zamanlama, gas istifadəsi, input data mesajları, graph topology və ünvan qarşılıqlı əlaqələri birlikdə məna daşıyır. Buna görə yalnız rəqəmsal cədvəl və ya yalnız qraf strukturu kifayət etməyə bilər.

Dördüncü problem LLM etibarlılığıdır. Böyük dil modelləri əməliyyat xülasələrini mənalandırmaqda güclü ola bilər; lakin hallüsinasiya, həddindən artıq şərh, unsupported risk çıxarışı və yanlış müsbət yaratma riski daşıyır. Fırıldaqçılıq aşkarlanması kimi həssas sahədə modelin “sübuta əsaslanmayan” şərhlər yaratması ciddi etibar problemi doğurur.

Məqalənin həll etməyə çalışdığı əsas problem budur: Müxtəlif blokçeynlərdən gələn mürəkkəb əməliyyat verilənlərini həm qraf strukturunu, həm də əməliyyat semantikasını qoruyacaq şəkildə ortaq fırıldaqçılıq aşkarlama çərçivəsində necə birləşdirə bilərik?

Metod Nə Təklif Edir?

UniDetect-in metodu dörd əsas hissəyə bölünə bilər.

1. Hesab mərkəzli altqrafın yaradılması: Bütün zəncir qrafikini birbaşa modelə vermək çox bahalı olduğuna görə hədəf hesabın ətrafındakı mühüm qonşular seçilir. Bu seçimdə orta əməliyyat dəyəri kimi davranış siqnallarından istifadə olunur. Daha sonra struktur əhəmiyyət skoru ilə lazımsız düyünlər çıxarılır və daha kiçik, lakin mənalı altqraf əldə edilir.

2. LLM əsaslı əməliyyat xülasəsinin yaradılması: Forensic analysis agent hər hesabın əməliyyat tarixçəsini təbii dil xülasəsinə çevirir. Bu xülasə dəyər axını, tərəfdaş nisbəti, əməliyyat vaxtı və gas xərcləri kimi ölçüləri əhatə edir. Beləliklə müxtəlif zəncirlərin texniki fərqləri daha ortaq semantik dilə çevrilir.

3. Discriminative və residual summary ayrımı: İlkin xülasənin hamısı fırıldaqçılıq aşkarlanması üçün eyni dəyərə malik deyil. Buna görə discriminative summary analyst agent fırıldaqçılıq baxımından ayırdedici ola biləcək vəsait axını, çoxsaylı qarşı tərəf qarşılıqlı əlaqəsi, sıx əməliyyat davranışı və riskli ünvanlarla əlaqə kimi siqnalları çıxarır. Residual summary analyst agent isə birbaşa təsnifata töhfə verməyən, daha çox izahlı və ya neytral məlumatları ayırır.

4. İkimərhələli növbəli təlim: Birinci mərhələdə LLM əsaslı xülasə agentləri xülasə keyfiyyətini artırmaq üçün LoRA və reinforcement learning ilə incə sazlanır. İkinci mərhələdə LLM dondurulur və qraf modeli öyrədilir. Beləliklə həm dil xülasələri, həm də əməliyyat qrafı təmsilləri bir-birini tamamlayan sistemə çevrilir.

Bu yanaşmanın əsas ideyası budur: LLM əməliyyat tarixçəsini oxuna bilən və semantik baxımdan zəngin xülasəyə çevirir; qraf sinir şəbəkəsi isə hesabın şəbəkə daxilindəki davranış və struktur mövqeyini öyrənir. UniDetect bu iki kanaldan birlikdə istifadə edərək daha ümumi çoxzəncirli fırıldaqçılıq aşkarlama sistemi qurmağa çalışır.

Formullar Nəyi İzah Edir?

PDF-dəki formullar əməliyyat qrafının tərifini, altqraf nümunələnməsini, struktur əhəmiyyət skorunu, üçlü itki funksiyasını, reinforcement learning əsaslı xülasə təkmilləşdirməsini və Dual-PGNN təmsil öyrənməsini izah edir. Formullar MathJax uyğun şəkildə aşağıda verilib.

1. Əməliyyat qrafı verilən modeli

Burada \(G\), əməliyyat qrafını təmsil edir. \(V\), hesab düyünləri çoxluğudur. \(E\), hesablar arasındakı istiqamətli əməliyyat kənarlarını göstərir. Kriptovalyuta əməliyyatlarında bir ünvanın digər ünvana vəsait göndərməsi qrafda istiqamətli kənar kimi modelləşdirilir.

\(X_E\), kənar xüsusiyyət matrisidir. \(m\), əməliyyat kənarlarının sayını; \(d\), hər kənar üçün istifadə olunan xüsusiyyət ölçüsünü təmsil edir. Bu xüsusiyyətlər əməliyyat məbləği, əməliyyat tezliyi, fee/gas kimi zəncirə görə dəyişə bilən detalları əhatə edə bilər.

2. Fırıldaqçı hesab aşkarlama tapşırığı

Bu formul tapşırığın node classification kimi qurulduğunu göstərir. Bəzi hesabların etiketləri \(Y_L\) məlumdur; modelin məqsədi etiketsiz hesabların \(Y_U\) etiketlərini, yəni normal, yoxsa fırıldaqçı olduqlarını proqnozlaşdırmaqdır.

3. Semantics-aware qonşu nümunələnməsi

Bu formul hədəf hesabın ətrafından hansı qonşuların seçiləcəyini göstərir. \(N_v\), \(v\) düyününün bir-hop qonşularıdır. \(K\), hər hop üçün seçiləcək qonşuların sayıdır. \(R[v,N_v]\), namizəd qonşularla orta əməliyyat dəyərini təmsil edir. Beləliklə yüksək dəyərli və ya davranış baxımından mühüm qarşılıqlı əlaqələr prioritetləşdirilir.

\(C_v\), hədəf hesab \(v\) ətrafında \(h\)-hop nümunələnməsi ilə əldə edilən düyün çoxluğudur. Bu çoxluq hesabın əməliyyat ətrafını təmsil edən account-centered subgraph üçün əsas yaradır.

4. Struktur əhəmiyyət skoru

Bu formul qonşu düyün \(u\)-nun struktur əhəmiyyətini hesablayır. \(a_u^{in}\) və \(a_u^{out}\), düyünün daxil olan və çıxan əməliyyat məbləğlərini; \(d_u^{in}\) və \(d_u^{out}\), daxil olan və çıxan dərəcə saylarını göstərir. \(L_u\), hədəf düyünə ən qısa yol məsafəsidir. \(\beta\), pul davranışı ilə struktur əlaqə siqnalı arasındakı tarazlığı idarə edir.

Skor yüksəkdirsə, düyün daha mühüm qəbul edilir. Lakin yalnız yüksək əlaqəlilik həmişə fırıldaqçılıq siqnalı deyil; birjalar və ya iri xidmət pulqabıları da yüksək əlaqəli ola bilər. Buna görə məqalə \(\beta\) sazlamasının diqqətlə seçilməli olduğunu göstərir.

5. Discriminative summary itkisi

Bu itki discriminative summary istifadə edilərək aparılan təsnifatın real etiketlə nə qədər uyğun olduğunu ölçür. \(p_v^D\), discriminative summary-dən əldə edilən proqnoz ehtimalıdır. Məqsəd fırıldaqçılıq aşkarlanması üçün ayırdedici xülasələrin təsnifat uğurunu artırmasıdır.

6. Residual summary itkisi

Residual summary birbaşa fırıldaqçılıq aşkarlanması üçün ayırdedici olmaması gözlənilən məlumatları təmsil edir. Buna görə model residual xülasənin təsnifatda güclü istiqamət verməsini istəmir. \(U_v\), uniform paylanmadır. Bu itki residual xülasənin proqnozunun mümkün qədər neytral qalmasını hədəfləyir.

7. Ortoqonallıq itkisi

Bu formul discriminative və residual təmsillərin bir-birinə qarışmasının qarşısını almağa çalışır. Əgər iki təmsil bir-birinə çox bənzər hala gəlsə, ayırdedici siqnal ilə neytral/factual məlumat arasındakı fərq zəifləyər. Ortoqonallıq itkisi bu qarışmanı azaltmaq üçün istifadə olunur.

8. Üçlü ümumi itki

UniDetect xülasə keyfiyyətini üç aspektdən idarə edir: fırıldaqçılıq aşkarlanmasına kömək edən discriminative məlumat, neytral qalması gözlənilən residual məlumat və bu iki təmsilin bir-birindən ayrılması. \(\lambda_1\) və \(\lambda_2\), residual itki və ortoqonallıq itkisinin çəkilərini müəyyənləşdirir.

9. RL mükafatı

Ümumi itki aşağıdırsa, mükafat yüksək olur. Bu mükafat LLM əsaslı summary analyst agent-in daha yaxşı xülasə yaratmasını təşviq etmək üçün istifadə olunur.

10. Advantage hesablanması

\(b_t\), təlim addımındakı exponential moving-average baseline-dır. Reward-dan baseline çıxılaraq advantage dəyəri əldə edilir. Bu, RL təlimində variasiyanı azaltmağa və təlimi daha sabit etməyə kömək edir.

11. RL hədəf funksiyası

Bu formul discriminative və residual summary yaratma ehtimallarını mükafatla əlaqələndirir. Yaxşı xülasə yaradan agentlər daha yüksək mükafat alır; zəif və ya lazımsız xülasələr yaradan agentlər cəzalandırılır.

12. Dual-PGNN node təmsilinin yaradılması

Birinci formul discriminative və ya residual xülasələrdən qraf əsaslı node təmsili yaradır. İkinci formul orijinal əməliyyat xülasəsindən ayrıca təmsil yaradır. Burada \(A_v\), hədəf hesab ətrafındakı altqrafın adjacency matrisidir. \(\theta(\cdot)\), xüsusiyyətin özünü qoruyan xətti qatdır.

13. Attention ilə təmsil füzyonu

Bu formul discriminative/residual xülasə təmsili ilə orijinal xülasə təmsilinin attention çəkiləri ilə birləşdirildiyini göstərir. \(W_1\) və \(W_2\), iki məlumat kanalının nisbi əhəmiyyətini öyrənən parametrlərdir.

14. KS metriyi

KS metriyi kredit skorlaşdırması və risk modelləşdirməsində tez-tez istifadə olunan ayırma ölçüsüdür. Burada normal və fırıldaqçı hesabların skor paylanmalarının nə qədər ayrıldığını göstərir. KS nə qədər yüksəkdirsə, modelin iki sinfi ayırma qabiliyyəti bir o qədər güclü qəbul edilir.

Qrafik, Cədvəl və Sxemin Əsas Mesajı

Səhifə 1-dəki Figure 1: Vizual klassik zəncirəxas fırıldaqçılıq aşkarlama üsulları ilə UniDetect-i müqayisə edir. Ənənəvi üsullar Bitcoin və ya Ethereum kimi tək zəncirə xas qayda və xüsusiyyətlərdən istifadə etdiyi halda, UniDetect LLM əsaslı əməliyyat xülasələri ilə çoxzəncirli ortaq təmsil yaratmağa çalışır. Əsas mesaj: Zəncirəxas feature engineering əvəzinə zəncirlər arasında ortaq semantik və qrafik təmsil hədəflənir.

Səhifə 4-dəki Figure 2: UniDetect-in ümumi çərçivəsi göstərilir. Sol tərəfdə altqraf yaratma və transaction summary generation addımları var. Orta hissədə ikimərhələli təlim strukturu yerləşir: Stage 1-də xülasə agentləri öyrədilir, Stage 2-də graph inference training aparılır. Aşağı hissədə inference mərhələsində sistemin “bu hesab fırıldaqçıdırmı?” sualına ehtimallı cavab verdiyi göstərilir.

Səhifə 4–5-dəki prompt şablonları: Forensics analyst agent əməliyyat verilənlərini dəyər axını, tərəfdaş nisbəti, əməliyyat vaxtı və gas xərcləri üzrə ümumiləşdirir. Discriminative summary agent fırıldaqçılıq baxımından ayırdedici əməliyyat nümunələrini çıxarır. Residual summary agent isə birbaşa risk hökmü daşımayan factual məlumatları ayırır. Əsas mesaj LLM-in sərbəst şərh verməsi deyil, sübuta əsaslanan və tapşırıq yönümlü xülasə yaratmasıdır.

Səhifə 6-dakı verilənlər dəsti cədvəli: Ethereum verilənlər dəstində 187.960 node, 397.038 edge, 1.991 fraud və 1.439 normal hesab var. Bitcoin-M verilənlər dəstində 2.505.841 node və 14.181.316 edge; Bitcoin-L verilənlər dəstində isə 20.085.231 node və 203.419.765 edge yer alır. Bu cədvəl metodun kiçik oyuncaq verilənlər dəstində deyil, iri miqyaslı qraflarda sınaqdan keçirildiyini göstərir.

Səhifə 7-dəki Ethereum nəticə cədvəli: UniDetect Ethereum üzərində Precision 91.39, Recall 93.95, F1 92.65, AUC 94.82 və KS 68.94 dəyərləri ilə ən yaxşı nəticəni verir. UniDetect-in zero-shot LLM istifadə olunan versiyası da güclü nəticə verir; lakin fine-tuning və ikimərhələli təlim tam modeldə nəzərəçarpan əlavə qazanc təmin edir.

Səhifə 8-dəki Bitcoin-M və Bitcoin-L nəticə cədvəli: UniDetect Bitcoin-M-də F1 92.98, AUC 93.83, KS 70.45; Bitcoin-L-də F1 93.41, AUC 95.22, KS 72.25 nəticələrini verir. Əsas mesaj metodun yalnız Ethereum-a xas qalmadığı, Bitcoin verilən strukturlarında da güclü performans göstərməsidir.

Səhifə 8-dəki hyperparameter həssaslıq qrafikləri: \(N_c\), \(\beta\), \(\lambda_1\) və \(\lambda_2\) dəyişdikcə performansın necə təsirləndiyi göstərilir. Model geniş intervalda sabit görünsə də, çox kiçik və ya çox böyük parametrlərin performansı poza biləcəyi bildirilir. Xüsusilə \(\beta\) həddindən artıq böyüsə, yüksək əlaqəli, lakin zərərsiz xidmət pulqabıları modelə həddindən artıq əhəmiyyətli görünə bilər.

Səhifə 8-dəki ablation cədvəli: Model komponentləri çıxarıldıqda performans dəyişir. Residual agent çıxarıldıqda F1-in 78.37-yə düşməsi residual/discriminative ayrımının vacib olduğunu göstərir. RL çıxarıldıqda və Dual-PGNN əvəzinə standart GNN istifadə olunduqda da performans aşağı düşür.

Səhifə 9-dakı səmərəlilik cədvəli: Altqraf yaratma orta hesabla 1.26 saniyə/samples, inference 1.47 ms/sample, throughput 680 sample/s kimi bildirilir. LLM əsaslı təlim bahalı olsa da, inference mərhələsində sistemin praktik yerləşdirməyə yaxın olduğu müdafiə olunur.

Səhifə 13-dəki RL convergence qrafiki: Mükafat əyrisinin ilk 50 addım ərzində sürətlə yüksəldiyi və 0.5–0.6 intervalında sabitləşdiyi göstərilir. Məqalə bunu RL əsaslı LLM fine-tuning prosesinin çökmədən sabit irəlilədiyinə dair dəstəkləyici sübut kimi təqdim edir.

Təcrübələr Necə Aparılıb?

Tədqiqat Ethereum və Bitcoin üzərində təcrübələr aparır. Ethereum tərəfində fırıldaqçı etiketləri Etherscan label cloud, XLabelCloud və CryptoScamDB kimi mənbələrdən götürülüb. Phishing, Upbit vulnerability attack, gambling və honeypot kimi qanunsuz və ya riskli hesab növləri əhatə olunub. Miner və maliyyə xidməti təminatçıları kimi məlum xüsusi identifikasiya edilmiş hesablar isə benign kimi qiymətləndirilib.

Ethereum əməliyyatları 7 avqust 2015 ilə 10 aprel 2025 tarixləri arasından toplanıb. Sıfır məbləğli və uğursuz əməliyyatlar çıxarılıb. Göndərən və alan hesablar arasında istiqamətli əməliyyat qrafı qurulub. Təkrarlanan transferlərdə eyni hesab cütü arasındakı əməliyyatlar bir kənarda birləşdirilərək kumulyativ transfer məbləği və əməliyyat tezliyi kimi xüsusiyyətlərdən istifadə olunub.

Bitcoin tərəfində iki verilənlər dəstindən istifadə olunub: Bitcoin-M və Bitcoin-L. Bitcoin-M 2015-ci ilin iyunundan əvvəlki ilk 1.5 milyon əməliyyatı əhatə edir. Bitcoin-L 2015-ci ilin iyun–sentyabr ayları arasındakı bütün əməliyyatları əhatə edir. Bitcoin verilənlər dəstlərində gambling və mixing xidmətləri ilə əlaqəli ünvanlar fırıldaqçılıq və ya qanunsuz fəaliyyətlə əlaqəli müsbət sinif kimi nəzərdən keçirilib.

Model təlim/doğrulama/test üçün 8:1:1 nisbətində bölünüb. Müqayisə üçün DeepWalk, Node2Vec, GCN, GAT, GIN, GraphSAGE, APPNP, CARE-GNN, BWGNN, GRIT, DGA-GNN, PMP, Trans2Vec, TSGN, Ethident, TEGDetector, SIGTRAN, BERT4ETH və DIAM kimi 20 baseline metoddan istifadə olunub.

UniDetect tərəfində 2-hop qonşu nümunələnməsi aparılıb və hər hop üçün ən çox \(K=10\) qonşu saxlanılıb. Sıxışdırmadan sonra yekun altqraf ölçüsü \(N_c=10\) kimi təyin edilib. LLM dayağı kimi Gemma-3-4B-it, embedding üçün Sentence-BERT, qraf dayağı kimi CARE-GNN əsaslı Dual-PGNN istifadə olunub. Təlimdə LoRA ilə parametr-səmərəli incə sazlama aparılıb.

Qiymətləndirmə metrikləri Precision, Recall, F1, AUC və KS kimi müəyyənləşdirilib. Bundan əlavə, cross-chain zero-shot sınaqda Ethereum-da öyrədilən model Bitcoin-ə tətbiq olunub; cross-domain transfer sınağında isə Instagram sosial şəbəkə verilənlər dəstində business account təsnifatı sınanıb.

Nəticələr Nəyi Göstərir?

1. UniDetect Ethereum-da güclü performans göstərir. Ethereum verilənlər dəstində UniDetect F1 92.65, AUC 94.82 və KS 68.94 dəyərlərinə çatır. Bu nəticələr manual feature engineering istifadə edən təkzəncirli üsullara və ümumi qraf öyrənmə modellərinə nisbətən nəzərəçarpan yaxşılaşma göstərir.

2. Bitcoin verilənlər dəstlərində də ümumiləşdirilə bilmə müşahidə olunur. Bitcoin-M-də UniDetect F1 92.98, AUC 93.83 və KS 70.45; Bitcoin-L-də F1 93.41, AUC 95.22 və KS 72.25 bildirir. Bu, metodun Ethereum-a xas verilən formatına həddindən artıq asılı qalmadığını düşündürür.

3. Cross-chain zero-shot sınaq güclüdür, lakin asimmetrikdir. Ethereum-da öyrədilən model Bitcoin-ə birbaşa tətbiq edildikdə fırıldaqçı hesabları yüksək nisbətdə aşkar edə bilir. Lakin məqalə normal hesabları ayırmaqda precision tərəfində çətinlik olduğunu da bildirir. Bu, real dünyada yanlış müsbət nəzarətinin əhəmiyyətini artırır.

4. LLM xülasəsinin keyfiyyəti kritik rol oynayır. İkimərhələli təlim çıxarıldıqda performans azalır. Bu nəticə yalnız LLM-dən təsadüfi xülasə almaq əvəzinə fırıldaqçılıq aşkarlama tapşırığına uyğunlaşdırılmış və graph model ilə birlikdə optimallaşdırılmış xülasələrin vacib olduğunu göstərir.

5. Residual agent hallüsinasiya və həddindən artıq şərh riskinə qarşı faydalı görünür. Residual summary agent çıxarıldıqda performans ciddi şəkildə düşür. Bu, task-relevant məlumatla task-irrelevant və ya over-inference məzmununu ayırmağın etibarlı fraud detection üçün vacib olduğunu dəstəkləyir.

6. Dual-PGNN neighbourhood camouflage probleminə qarşı kömək edir. Fırıldaqçı hesablar özlərini zərərsiz qonşularla kamuflyaj edə bilər. Dual-PGNN düyünün öz xülasə xüsusiyyətlərini qonşu aqreqasiyasından müstəqil kanal kimi qoruyaraq bu effekti azaltmağa çalışır.

7. Səmərəlilik praktik istifadə baxımından ümidverici görünür. Təlim mərhələsi LLM səbəbindən bahalı olsa da, inference 1.47 ms/sample və 680 sample/s throughput kimi bildirilir. Bu, sistemin offline training + sürətli online skor yaratma yanaşmasına uyğun ola biləcəyini göstərir.

Bu Niyə Vacibdir?

Kripto cinayət gəlirlərinin müxtəlif zəncirlər arasında daşınması maliyyə cinayətlərinin monitorinq sistemləri üçün ciddi çətinlik yaradır. Bir ünvan Ethereum-da şübhəli görünməyə bilər; lakin Bitcoin, körpü, mixer və ya başqa zəncirlərdəki hərəkətləri ilə birlikdə qiymətləndirildikdə daha mənalı risk profili ortaya çıxa bilər.

UniDetect-in mühüm tərəfi zəncir fərqlərini əl ilə bir-bir xüsusiyyət dizayn etməklə həll etməyə çalışmamasıdır. Bunun əvəzinə LLM ilə əməliyyat davranışını ortaq təbii dil təmsilində ümumiləşdirir, sonra bu xülasələri əməliyyat qrafı ilə birlikdə istifadə edir. Beləliklə “hesab nə etdi?” sualına həm mətn, həm də struktur baxımından cavab verilməyə çalışılır.

Bu yanaşma yalnız blokçeyn üçün deyil, digər fırıldaqçılıq sahələri üçün də fikirvericidir. Bankçılıq, e-ticarət, sosial şəbəkələr, ödəniş sistemləri və sığorta kimi sahələrdə də davranış qrafları ilə mətn izahları birlikdə istifadə oluna bilər. Tədqiqatın Instagram verilənlər dəstində cross-domain sınaq aparması bu ümumi yanaşmanın başqa sahələrə daşına biləcəyini göstərməyi hədəfləyir.

Lakin bu əhəmiyyət diqqətlə birlikdə nəzərdən keçirilməlidir. Fırıldaqçılıq aşkarlama sistemləri yanlış müsbət nəticə yarada bilər. Hesabın “riskli” görünməsi qəti cinayət sübutu deyil. Buna görə UniDetect kimi sistemlər avtomatik cəzalandırma vasitəsi deyil; analitikləri dəstəkləyən, izah edilə bilən sübut çıxaran və insan araşdırmasına üstünlük verən qərar dəstək sistemləri kimi istifadə olunmalıdır.

Diqqət Edilməli Məqamlar

1. Bu tədqiqat preprintdir. Nəticələr rəyçi qiymətləndirməsindən keçmiş yekun versiyanın qətiyyəti ilə qiymətləndirilməməlidir.

2. Təhlükəsizlik məlumatlandırması məqsədi daşıyır. Buradakı məzmun fırıldaqçılıq aşkarlama metodunu izah edir; hər hansı hesab və ya şəxs haqqında qəti hökm çıxarmaq üçün istifadə edilməməlidir.

3. Yanlış müsbət riski vacibdir. Cross-chain zero-shot sınaqda fırıldaqçıları aşkar etmə nisbəti yüksək görünsə də, normal hesabların yanlış işarələnməsi riski ayrıca idarə olunmalıdır.

4. Etiket keyfiyyəti nəticələrə təsir edir. Etherscan, XLabelCloud, CryptoScamDB və ya Bitcoin etiketləri natamam, gecikmiş və ya mübahisəli ola bilər. Model yalnız istifadə etdiyi etiketlər qədər etibarlı öyrənir.

5. LLM hallüsinasiyası tamamilə aradan qalxmır. Məqalə residual agent və RL fine-tuning ilə bu riski azaltmağa çalışır. Lakin real dünyada LLM çıxışları yenə nəzarətdən keçirilməli, sübutdan kənar iddialar filtrdən keçirilməlidir.

6. Zəncirlərarası verilən strukturları daim dəyişir. Yeni protokollar, körpülər, mixer texnikaları, privacy alətləri və DeFi davranışları modelin zaman keçdikcə yenidən öyrədilməsini tələb edə bilər.

7. Tənzimləmə və etik ölçü var. Fırıldaqçılıq aşkarlanması, çirkli pulların yuyulmasının monitorinqi və hesab risk skorlaşdırması kimi sahələr hüquqi məsuliyyət yarada bilər. Avtomatik qərar sistemləri insan hüquqları, etiraz mexanizmi və verilənlərin məxfiliyi ilə birlikdə hazırlanmalıdır.

Riskli sahə qeydi: Tədqiqat kripto hesablarında fırıldaqçılıq aşkarlanması ilə bağlıdır. Bu yazı təhlükəsizlik və tədqiqat məlumatlandırması məqsədi daşıyır. Hər hansı ünvan, şəxs, qurum və ya əməliyyat haqqında təkbaşına qəti ittiham vasitəsi kimi istifadə edilməməlidir. Real dünyada belə sistemlərin insan araşdırması, əlavə sübut, hüquqi proses və yanlış müsbət nəzarəti ilə birlikdə istifadəsi lazımdır.

Ümumi qiymətləndirmə: Məqalə kriptovalyuta fırıldaqçılığının artıq tək bir blokçeynlə məhdud qalmadığını, vəsaitlərin müxtəlif zəncirlər arasında daşınaraq monitorinq sistemlərindən yayına bildiyini vurğulayır. Buna görə Ethereum üçün hazırlanmış metod Bitcoin-ə, Bitcoin üçün hazırlanmış metod başqa zəncirlərə birbaşa daşınmaya bilər. UniDetect-in əsas ideyası müxtəlif zəncirlərdən gələn əməliyyat davranışlarını ortaq dil və qraf təmsili altında birləşdirməkdir.

Nəticə

UniDetect tədqiqatı kripto fırıldaqçılığının aşkarlanmasında mühüm meyli təmsil edir: Yalnız qraf sinir şəbəkəsi və ya yalnız əl ilə hazırlanmış zəncir xüsusiyyətləri kifayət etməyə bilər. Cross-chain dünyada əməliyyat davranışını həm semantik olaraq ümumiləşdirən, həm də qraf strukturu daxilində qiymətləndirən multimodal sistemlərə ehtiyac artır.

Məqalə LLM agentlərinin əməliyyat verilənlərini oxuna bilən xülasələrə çevirə biləcəyini, lakin bu xülasələrin mütləq tapşırıq yönümlü filtrdən keçirilməli olduğunu göstərir. Discriminative summary aşkarlama üçün ayırdedici məlumatı çıxardığı halda, residual summary hallüsinasiya və over-inference riskini azaltmağa kömək edir. Dual-PGNN isə bu mətn məlumatını hesab qrafı ilə birləşdirərək node-level fraud detection həyata keçirir.

Təcrübələrdə UniDetect-in Ethereum, Bitcoin-M və Bitcoin-L üzərində güclü nəticələr verdiyi bildirilir. Bundan əlavə, cross-chain və cross-domain sınaqlar metodun yalnız bir zəncirə bağlı qalmadığını göstərir. Bununla belə, real dünyada belə sistemlərin təkbaşına hökm verən vasitələr deyil, analitikləri dəstəkləyən sübut yaratma sistemləri kimi istifadə olunması lazımdır.

Verianla oxucusu üçün əsas mesaj budur: Kripto fırıldaqçılığı artıq tək zəncirdə izlənəcək qədər sadə deyil. Vəsait axınları zəncirlər arasında dağıldıqca aşkarlama sistemləri də dil xülasəsi, qraf strukturu, davranış pattern-i və insan nəzarətindən birlikdə istifadə edən daha universal yanaşmalara keçməlidir.

Mənbə və Metod Qeydi

Bu yazı, “UniDetect: LLM-Driven Universal Fraud Detection across Heterogeneous Blockchains” başlıqlı akademik PDF əsasında hazırlanmış orijinal Azərbaycan dilli redaksiya məzmunudur. Mətn sözbəsöz tərcümə deyil; tədqiqatdakı problem, metod, formullar, qrafiklər, cədvəllər, təcrübələr, nəticələr və məhdudiyyətlər sadələşdirilərək izah edilib.

Təhlükəsizlik və fırıldaqçılıq aşkarlanması mövzuları qəti ittiham dili ilə deyil, risk təhlili və qərar dəstəyi çərçivəsində təqdim edilib.