Бул изилдөө, Bitcoin операция маалыматlerindeki шектүү үлгүleri belirlemek жана санариптик криминалистикалык incelemelerde kullanılabilecek önceliklendirilmiş bir işlem listesi oluşturmak amacıyla farklı жасалма интеллект ыкмаlerini tek bir analiz hattında birleştirmektedir. Önerilen sistem; көзөмөлдүү экилик классификация, жарым көзөмөлдүү графтык терең үйрөнүү, жүрүм-турумдук аномалия талдоосу жана işlem bağlantılarının тармак негиздүү incelenmesinden oluşmaktadır.

Ana маалымат kaynağı olarak 203.769 işlemi, 234.355 yönlü bağlantıyı жана işlem başına 166 özelliği kapsayan Elliptic Bitcoin маалымат топтому kullanılmıştır. Bu işlemlerin 42.019’u meşru, 4.545’i yasa dışı жана 157.205’i bilinmeyen olarak etiketlenmiştir. BitcoinHeist Ransomware маалымат топтому ransomware davranışlarının, IBM AMLSim маалымат топтому ise para dağıtma жана katmanlama örüntülerinin temsil edilmesi amacıyla destekleyici kaynak olarak kullanılmıştır.

İkili sınıflandırmada 100 karar ağacından oluşan Random Forest модельi жана K-Эң Жакын Кошуна модельi karşılaştırılmıştır. Изилдөөчүлөр Random Forest үчүн yüzde 98,92 тактык, 0,9962 ROC-AUC жана 0,9817 PR-AUC bildirmiştir. Муну менен бирге изилдөөnın чаташуу матрицасыndeki 8.401 doğru meşru, 796 doğru yasa dışı, 3 жалган позитив жана 113 жалган негатив değerleri kullanıldığında toplam тактык yaklaşık yüzde 98,75 olarak hesaplanmaktadır. Metinde bildirilen yüzde 98,92 менен görseldeki matris arasında küçük ancak açıklanmamış bir uyuşmazlık bulunmaktadır.

Графтык конволюциялык тармак, etiketli işlemlerden öğrenilen bilgiyi işlem bağlantıları üzerinden bilinmeyen işlemlere aktarmak жана işlemleri meşru, ransomware benzeri, акчаны адалдоо benzeri же genel yasa dışı davranış olarak sınıflandırmak үчүн kullanılmıştır. Изилдөөчүлөр dört sınıflı модель үчүн yüzde 96 genel тактык bildirmiştir. Бирок ransomware жана акчаны адалдоо sınıfları doğrulanmış криминалистикалык окуя etiketlerinden oluşturulmamıştır. Fidye yazılımı etiketi belirli bir операция салмагыnın ortancanın üzerinde bulunmasına, акчаны адалдоо etiketi ise fan-out değerinin ortancanın üzerinde olmasına dayanmaktadır. Демек модельin bu sınıflardaki başarısı, büyük ölçüde изилдөөчүлөрın oluşturduğu sezgisel etiketleri yeniden öğrenme başarısını göstermektedir.

Random Forest olasılığı, grafik ağının yasa dışı işlem olasılığı жана Isolation Forest anomali puanı birleştirilerek 0 менен 1 arasında Курама риск упайы oluşturulmuştur. Изилдөөчүлөр 10.188 işlemi жогорку рисктүү olarak işaretlemiş; bunları 4.893 ransomware benzeri, 3.627 акчаны адалдоо benzeri жана 1.668 genel yasa dışı işlem adayı olarak sınıflandırmıştır. Bu sayılar doğrulanmış suç işlemlerini değil, модель tarafından soruşturma adayı olarak önceliklendirilen kayıtları temsil etmektedir.

Түркия жагынан баалоо: Çalışmadaki mimari, Türkiye’de kripto varlık hizmet sağlayıcılarının işlem izleme sistemleri, finansal suç изилдөөları, siber olay incelemeleri жана dijital delil önceliklendirmesi үчүн изилдөө prototipi olarak değerlendirilebilir. Бирок uygulama öncesinde Türkiye’deki işlem yapısını жана güncel suç tiplerini temsil eden, hukuken doğrulanmış yerel маалыматlerle yeniden eğitim жана bağımsız test yapılmalıdır. Risk puanlarının жалган позитив oranları, zaman içindeki kararlılığı, açıklanabilirliği жана delil zinciriyle uyumu değerlendirilmelidir. французча же İngilizce metin sınıflandırmasından farklı olarak bu sistem doğrudan чынжыр үстүндөгү sayısal маалыматlere dayansa da, Elliptic маалымат топтомуndeki tarihsel Bitcoin örüntülerinden Türkiye’deki güncel işlemler, diğer блокчейнler же belirli kişiler hakkında doğrudan натыйжа çıkarılamaz. Model çıktıları tek başına hesap dondurma, suç isnadı же kişisel kimlik atfı үчүн kullanılmamalıdır.

Изилдөөnın негизги amacı эмне?

Çalışma, herkese açık блокчейн kayıtlarını soruşturmacıların kullanabileceği yapılandırılmış risk bilgisine dönüştürmeyi hedeflemektedir. Blokzincir üzerinde işlemler görünür olsa da cüzdan жана işlem kimlikleri doğrudan gerçek kişileri göstermemektedir. Milyonlarca düğüm жана bağlantı içeren işlem ağlarının manuel olarak incelenmesi de uygulamada mümkün değildir.

Изилдөөчүлөр, geleneksel sabit kuralların yeni para gizleme, adres değiştirme жана işlem katmanlama davranışlarına uyum sağlamakta yetersiz kalabildiğini savunmaktadır. Önerilen çerçeve bu sorunu dört farklı analitik bakışı birleştirerek ele almaktadır:

• Etiketli işlemler üzerinden meşru же yasa dışı ayrımı yapan denetimli sınıflandırma,
• İşlemler arasındaki bağlantılardan yararlanan yarı denetimli grafik öğrenmesi,
• Önceden маалыматlmiş etikete ihtiyaç duymadan olağandışı davranışları arayan anomali analizi,
• Şüpheli işlem çevresindeki doğrudan жана dolaylı bağlantıları gösteren ağ incelemesi.

Çalışmanın önerdiği uçtan uca işlem hattı

Çalışmanın 7. sayfasındaki Şekil 2, sistemin bütün bileşenlerini aynı akış içinde göstermektedir. Üç маалымат топтому önce маалымат ön işleme жана өзгөчөлүк mühendisliği aşamasına girmektedir. İşlenmiş маалыматler daha sonra üç paralel kola ayrılmaktadır:

• Random Forest жана KNN менен denetimli sınıflandırma,
• İki katmanlı Графтык конволюциялык тармак менен grafik tabanlı sınıflandırma,
• t-SNE, anomali puanlama жана k-hop bağlantı analiziyle denetimsiz inceleme.

Bu üç koldaki натыйжалар adli benzerlik же risk puanında birleştirilmekte, işlemler risklerine göre sıralanmakta жана her işlem үчүн olası davranış tipi менен otomatik açıklama üretilmektedir. En son aşamada sistemin çıktısı, kolluk же finansal suç изилдөөчүлөрının değerlendirebileceği bir inceleme listesi olarak gösterilmektedir.

Bu şema kavramsal olarak bütünleşik bir mimari sunmaktadır. Бирок farklı bileşenlerin aynı маалымат üzerinde birbirinden tamamen bağımsız kanıt ürettiği varsayılmamalıdır. Random Forest жана grafik ağı aynı Elliptic өзгөчөлүктөрinden yararlanmakta, bazı suç tipi etiketleri de bu өзгөчөлүктөрe uygulanan eşiklerden oluşturulmaktadır. Ошондуктан bileşenler arasındaki yüksek uyum kısmen ortak маалымат жана ortak etiket өндүрүш sürecinden kaynaklanabilir.

Kullanılan маалымат kümeleri nelerdir?

Elliptic маалымат топтомуnde işlemler yönlü bir grafik olarak temsil edilmektedir. Her düğüm bir Bitcoin операцияini, her kenar ise işlemler arasındaki para akışını göstermektedir. Çalışmanın bazı bölümlerinde düğümler “капчык даректери” olarak tanımlanırken ыкма жана маалымат açıklamasında düğümler işlemlerdir. İşlem düğümü менен cüzdan adresi kavramlarının yer yer birbirinin yerine kullanılması, sistemin кайсы varlık düzeyinde натыйжа ürettiğini belirsizleştirmektedir.

Veri sınıfları ne kadar dengesizdir?

Çalışmanın 5. sayfasındaki Şekil 1 bu ciddi dengesizliği açık biçimde göstermektedir. Bilinmeyen işlemler en büyük grubu, yasa dışı işlemler ise çok küçük bir azınlığı oluşturmaktadır. Denetimli модельler eğitilirken bilinmeyen sınıf çıkarılmış жана geriye kalan 46.564 etiketli işlem kullanılmıştır.

Meşru işlemlerin yasa dışı işlemlerden yaklaşık dokuz kat fazla olması эмне үчүнiyle yalnızca genel doğruluğa bakmak yanıltıcı olabilir. Изилдөөчүлөр bu sorunu eğitim жана test kümelerinde tabakalı örnekleme kullanarak жана Random Forest модельinde sınıf ağırlığını “balanced” olarak ayarlayarak azaltmaya çalışmıştır.

Ön işleme жана өзгөчөлүк mühendisliği кантип yapılmıştır?

Elliptic маалыматsi өзгөчөлүк tablosu, sınıf tablosu жана yönlü bağlantı listesi olmak üzere üç dosyadan yüklenmiştir. Denetimli sınıflandırma үчүн bilinmeyen işlemler çıkarılmış, sayısal өзгөчөлүктөр StandardScaler kullanılarak ortalaması sıfır жана standart sapması bir olacak biçimde ölçeklenmiştir.

Изилдөөчүлөр “Behavioral Bridge” olarak adlandırdıkları тармак негиздүү өзгөчөлүктөр oluşturmuştur. Bunların негизгиsı Bitcoin fan-out değeridir. Fan-out, bir kaynak işlemin kaç farklı hedef işlemle bağlantı kurduğunu göstermektedir. Çok sayıda hedefe dağılan fonların акчаны адалдооdaki katmanlama davranışına benzeyebileceği varsayılmıştır.

Бирок yüksek fan-out yalnızca yasa dışı davranışlarda görülmez. Çalışmanın kendisi, yoğun çalışan meşru borsa işlemlerinin de yüksek fan-out oluşturabileceğini kabul etmektedir. Ошондуктан fan-out tek başına акчаны адалдоо kanıtı же güvenilir suç tipi etiketi değildir.

Random Forest жана KNN модельleri кантип kurulmuştur?

Random Forest модельi 100 karar ağacından oluşturulmuştur. Modelin seçilme gerekçeleri; çok boyutlu маалыматlerle çalışabilmesi, doğrusal olmayan örüntüleri öğrenmesi, aşırı öğrenmeye karşı tek karar ağacından daha dayanıklı olması жана өзгөчөлүк önem değerleri üretebilmesidir.

K-Эң Жакын Кошуна ыкмаi karşılaştırma модельi olarak uygulanmıştır. Veriler yüzde 80 eğitim жана yüzde 20 test olmak üzere tabakalı biçimde bölünmüştür. Çalışma, bu bölmenin zaman adımlarına göre değil sınıf oranlarına göre yapıldığını belirtmektedir.

Elliptic маалымат топтому 49 zaman adımından oluştuğu үчүн rastgele жана tabakalı bir bölme, aynı dönemlere ait benzer işlemlerin hem eğitim hem test kümelerine dağılmasına izin verebilir. Çalışma, geçmiş zaman adımlarında eğitilip sonraki zaman adımlarında sınanan ayrı bir ileri-zaman testi sunmamaktadır. Ошондуктан модельin gelecekte ortaya çıkacak yeni işlem davranışlarına ne ölçüde genelleneceği gösterilmemiştir.

Графтык конволюциялык тармак кантип изилдөөktadır?

Random Forest her işlem kaydını büyük ölçüde bağımsız өзгөчөлүктөр üzerinden değerlendirirken Графтык конволюциялык тармак, işlemin bağlı bulunduğu komşuların bilgisini de kullanmaktadır. İlk grafik katmanı 166 boyutlu işlem өзгөчөлүктөрini 64 boyutlu gizli gösterime dönüştürmektedir:

\[ 166 \longrightarrow 64 \]

Bu dönüşümden sonra ReLU doğrusal olmayanlık fonksiyonu uygulanmaktadır. İkinci katman, 64 boyutlu temsili çıktı sınıflarına dönüştürmektedir:

\[ 64 \longrightarrow C \]

Burada ikili модель үчүн \(C=2\), çok sınıflı модель үчүн \(C=4\)’tür. Çıkışta log-softmax kullanılmıştır. Model yalnızca etiketli eğitim düğümleri üzerinden kayıp hesaplamakta, ancak grafik bağlantıları aracılığıyla bilinmeyen düğümlerin komşuluk yapısından da yararlanmaktadır.

İkili GCN 100 dönem, çok sınıflı GCN 50 dönem eğitilmiştir. Adam iyileştiricisi жана 0,01 öğrenme oranı kullanılmış; kayıp fonksiyonu olarak negatif log-olabilirlik uygulanmıştır.

Dört suç tipi etiketi кантип oluşturulmuştur?

Dört sınıf şunlardır:

• Meşru işlem,
• Fidye yazılımı benzeri işlem,
• Kara para aklama benzeri işlem,
• Genel yasa dışı işlem.

Meşru жана yasa dışı ana ayrımı Elliptic маалымат топтомуndeki etiketlere dayanmaktadır. Бирок yasa dışı sınıfın alt türleri doğrulanmış olay kayıtlarından alınmamıştır. Изилдөөчүлөр alt sınıfları şu kurallarla üretmiştir:

• Fidye yazılımı benzeri: Elliptic маалымат топтомуndeki feat_0 olarak adlandırılan normalize операция салмагы, yasa dışı işlemler içindeki ortanca değerin üzerindeyse,
• Kara para aklama benzeri: Fan-out değeri yasa dışı işlemler içindeki ortancanın üzerindeyse,
• Genel yasa dışı: Önceki iki kurala girmeyen diğer yasa dışı işlemler.

Bu yaklaşım, модельin gerçek жана bağımsız suç tipi etiketlerini öğrenmediği anlamına gelmektedir. GCN önce изилдөөчүлөрın tanımladığı eşik kurallarından türetilen etiketlerle eğitilmiş, ardından aynı tür өзгөчөлүктөр üzerinden bu etiketleri tahmin etmiştir. Çalışmanın 15. sayfasındaki eleştirel değerlendirme bölümü de bu döngüselliği açıkça kabul etmektedir.

Denetimsiz davranış analizi кантип yapılmıştır?

Yüksek boyutlu işlem өзгөчөлүктөрi t-SNE менен iki boyutlu düzleme indirgenmiştir. t-SNE, birbirine benzeyen kayıtların iki boyutlu görselde yakın görünmesini sağlayabilen bir boyut indirgeme ыкмаidir. Çalışma bunu “davranışsal kümeleme” olarak adlandırmaktadır; ancak ayrı bir kümeleme algoritması, küme sayısı seçimi же silhouette skoru gibi nicel küme geçerlilik көрсөткүчтөрү bildirilmemiştir.

Демек t-SNE görsellerindeki ayrışmalar, bağımsız biçimde doğrulanmış doğal suç kümeleri olarak yorumlanmamalıdır. t-SNE’nin ayarları, rastgele başlangıcı жана yerel komşuluk yapısı görsel biçimi etkileyebilir.

Isolation Forest anomali puanı эмне?

Isolation Forest, etikete bağlı olmadan diğerlerinden farklı görünen işlemleri belirlemek үчүн uygulanmıştır. Model 100 ağaçla kurulmuş жана contamination değeri yüzde 5 olarak ayarlanmıştır. Çalışmada 0,413 eşik değeri, skor dağılımının yüzde 95’lik dilimine karşılık gelecek biçimde seçilmiştir.

Contamination değerinin yüzde 5 olarak ayarlanması, маалыматlerin yaklaşık yüzde 5’inin anomali olarak kabul edileceğinin ыкма tasarımında önceden belirlendiği anlamına gelmektedir. Bu oran, gerçek işlemlerin yüzde 5’inin suçla bağlantılı olduğunu göstermez.

Курама риск упайы кантип hesaplanmaktadır?

Çalışma üç модель çıktısını aşağıdaki ağırlıklı formülle birleştirmektedir:

\[ CRS(v) = 0{,}4\,RF_{\mathrm{prob}}(v) + 0{,}4\,GCN_{\mathrm{illicit}}(v) + 0{,}2\,BEH_{\mathrm{score}}(v) \]

Burada:

• \(RF_{\mathrm{prob}}\), Random Forest модельinin yasa dışı sınıf olasılığını,
• \(GCN_{\mathrm{illicit}}\), grafik ağının yasa dışı sınıf olasılığını,
• \(BEH_{\mathrm{score}}\), Isolation Forest tabanlı davranışsal anomali puanını göstermektedir.

Risk düzeyleri şu eşiklerle tanımlanmıştır:

Yüzde 40, yüzde 40 жана yüzde 20 ağırlıkları изилдөөчүлөрın tasarım tercihidir. Çalışma, bu ağırlıkların bağımsız doğrulama kümesinde optimize edildiğini, farklı ağırlıklarla karşılaştırıldığını же olasılık kalibrasyonu yapıldığını göstermemektedir. Aynı durum 0,30 жана 0,65 risk eşikleri үчүн de geçerlidir.

Gizli bağlantı analizi кантип yapılmaktadır?

Şüpheli kabul edilen bir işlemin çevresindeki düğümler, PyTorch Geometric k-hop alt grafik çıkarma işleviyle belirlenmiştir. Alt grafik NetworkX yapısına dönüştürülerek düğüm derecesi, aradalık merkeziliği жана PageRank gibi ağ көрсөткүчтөрүnin hesaplanması amaçlanmıştır.

Çalışmanın 14. sayfasındaki Şekil 9, altı etiketli yasa dışı düğümün çevresindeki işlem ağını göstermektedir. Kırmızı düğümler yasa dışı, yeşil düğümler meşru жана gri düğümler bilinmeyen olarak gösterilmiştir. Görselde шектүү düğümlerin yalnızca başka шектүү düğümlerle değil meşru жана bilinmeyen düğümlerle de bağlantılı olduğu görülmektedir.

Bir meşru düğümün yasa dışı etiketli düğümle bağlantılı olması, o düğümün же bağlı kişinin suç işlediği anlamına gelmez. Borsalar, ödeme hizmetleri, aracı adresler же sıradan karşı taraflar aynı ağ içinde görünebilir.

“Canlı çıkarım” ne anlama gelmektedir?

Çalışmadaki canlı çıkarım işlevi, bir işlem kimliği менен 166 boyutlu өзгөчөлүк vektörünü eğitilmiş модельe vererek sınıf, risk puanı, olası tipoloji жана açıklama üretmektedir. Bu, tek bir yazılım işlevi içinde anlık tahmin yapılabildiğini göstermektedir.

Бирок изилдөө gerçek блокчейн akışına bağlı sürekli bir izleme hizmeti, saniyede işlenen işlem sayısı, uçtan uca gecikme, ağ kesintisi davranışı же өндүрүш ortamı testi sunmamaktadır. Ошондуктан “реалдуу убакыттагы” ifadesi, çalışan bir fonksiyon prototipi anlamında kullanılmalı; operasyonel sistem performansı olarak değerlendirilmemelidir.

Çalışmanın güçlü yönleri nelerdir?

• Üç farklı analitik yaklaşımı tek bir işlem hattında birleştirmektedir.
• İşlem өзгөчөлүктөрiyle birlikte ağ bağlantılarını kullanmaktadır.
• Büyük жана kamuya açık bir Bitcoin маалымат топтому üzerinde sayısal test sunmaktadır.
• Genel doğruluğun yanında тактык, сезгичтик, F1, ROC-AUC жана PR-AUC raporlamaktadır.
• Karışıklık matrisi жана өзгөчөлүк önem grafiğiyle модель davranışını kısmen görünür hâle getirmektedir.
• Etiketlenmemiş işlemlerin grafik bağlantıları üzerinden değerlendirilmesini amaçlamaktadır.
• Kaynak kodu жана kullanılan маалымат kümelerinin bağlantılarını paylaşmaktadır.
• Kendi suç tipi etiketlerinin doğrulanmış gerçek referans olmadığını чектөөlar bölümünde açıkça kabul etmektedir.

Çalışma neyi kanıtlamamaktadır?

• Modelin жогорку рисктүү olarak işaretlediği işlemlerin gerçekten suç işlemi olduğunu kanıtlamamaktadır.
• Bir işlemi belirli gerçek kişi же kuruma bağlamamaktadır.
• Fidye yazılımı жана акчаны адалдоо tipolojilerinin bağımsız, doğrulanmış adli etiketlerle tanındığını göstermemektedir.
• Modelin güncel Bitcoin операцияlerinde же başka блокчейнlerde aynı doğruluğa ulaşacağını göstermemektedir.
• Yüzde 96 çok sınıflı başarının gerçek suç tiplerinin ayırt edilmesini temsil ettiğini kanıtlamamaktadır.
• Risk puanlarının hukuki delil standardını karşıladığını göstermemektedir.
• Canlı блокчейн izleme sisteminde ölçülmüş реалдуу убакыттагы performans sunmamaktadır.
• Yanlış pozitiflerin gerçek kişiler же kurumlar üzerindeki натыйжаларını değerlendirmemektedir.
• Modelin kasıtlı olarak değiştirilmiş же gizlenmiş işlem örüntülerine dayanıklı olduğunu göstermemektedir.

Изилдөөнүн методу жана натыйжалары

Veri жана тажрыйба yapılandırması

Random Forest жана KNN натыйжаларı

Random Forest, изилдөөdaki bütün karşılaştırma көрсөткүчтөрүnde KNN’den daha yüksek натыйжа vermiştir. Özellikle yasa dışı sınıf kesinliğinin 1,000 olarak raporlanması, test kümesindeki жалган позитив sayısının çok düşük olmasıyla ilişkilidir. Муну менен бирге сезгичтик 0,876’dır; yani yasa dışı olarak etiketlenmiş işlemlerin bir bölümü meşru olarak sınıflandırılmıştır.

Karışıklık matrisi эмнени көрсөтөт?

Bu matrise göre toplam 9.313 test örneğinin 9.197’si doğru sınıflandırılmıştır:

\[ \mathrm{Doğruluk} = \frac{8401+796}{8401+3+113+796} \approx 0{,}9875 \]

Bu değer yaklaşık yüzde 98,75’tir. Çalışma metninde belirtilen yüzde 98,92 менен matriste hesaplanan değer aynı değildir. Farkın ayrı bir тажрыйба çalıştırmasından, yuvarlamadan же görselin farklı bir натыйжа kümesine ait olmasından kaynaklanıp kaynaklanmadığı açıklanmamıştır.

Yasa dışı sınıf үчүн matristen hesaplanan yaklaşık değerler şöyledir:

\[ \mathrm{Kesinlik} = \frac{796}{796+3} \approx 0{,}996 \]

\[ \mathrm{Duyarlılık} = \frac{796}{796+113} \approx 0{,}876 \]

\[ F1 \approx 0{,}932 \]

Bunlar изилдөөnın tabloda verdiği 1,000 тактык, 0,876 сезгичтик жана 0,934 F1 değerlerine yakındır; küçük farklılıklar yuvarlama же ayrı çalıştırmalardan kaynaklanabilir.

ROC жана тактык-сезгичтик grafikleri

Çalışmanın 9. sayfasındaki Şekil 3’te ROC eğrisi sol üst köşeye yakın ilerlemekte жана 0,9962 AUC değeri göstermektedir. Kesinlik-сезгичтик eğrisi de geniş bir сезгичтик aralığında yüksek тактык sergilemekte жана 0,9817 alan değeri bildirmektedir.

Bu натыйжалар, kullanılan test bölmesinde модельin meşru жана yasa dışı Elliptic etiketlerini güçlü biçimde ayırdığını göstermektedir. Бирок aynı dönemlerden rastgele ayrılmış kayıtlar üzerinde elde edilen yüksek performans, gelecekteki zaman adımlarında же yeni suç ыкмаlerinde aynı başarıyı garanti etmez.

Özellik önem grafiği

11. sayfadaki Şekil 5, Random Forest модельinin en etkili 15 özelliğini göstermektedir. En yüksek önem değerleri feat_52 жана feat_89 өзгөчөлүктөрine aittir; bunları feat_42 жана feat_40 izlemektedir.

Бирок Elliptic маалымат топтомуndeki bazı өзгөчөлүктөр anonimleştirilmiş adlarla sunulduğu үчүн bu өзгөчөлүктөрin gerçek dünyadaki doğrudan anlamı изилдөөda ayrıntılı olarak açıklanmamaktadır. Bir өзгөчөлүк önem değerinin yüksek olması, tek başına эмне үчүнsel ilişki же adli açıklama sağlamaz.

Dört sınıflı GCN натыйжаларı

Bu oranlar, grafik ağının oluşturulan dört etiketi birbirinden ayırabildiğini göstermektedir. Fakat üç yasa dışı alt sınıfın doğrulanmış gerçek referans yerine өзгөчөлүк eşiklerinden türetilmesi эмне үчүнiyle натыйжалар gerçek suç tipi tanıma başarısı olarak sunulmamalıdır.

Adli istihbarat haritası

12. sayfadaki Şekil 6, t-SNE benzeri iki boyutlu davranış alanında ransomware жана акчаны адалдоо bölgelerini renkli sınırlarla göstermektedir. Yüzde 70’in üzerinde ишеним упайы alan işlemler daha büyük işaretlerle sunulmuştur.

Harita görsel önceliklendirme sağlayabilir; ancak çizilen bölge sınırları bağımsız adli doğrulamaya dayanmamaktadır. Görselde birbirinden ayrılmış görünen noktalar, iki boyuta indirgeme ыкмаinin oluşturduğu yerleşimden etkilenmektedir.

Zamansal analizdeki tutarsızlık

13. sayfadaki Şekil 8, 49 zaman adımında шектүү olarak işaretlenen bilinmeyen işlem sayısını göstermektedir. Şeklin başlığı жана metin, 19–21. zaman adımlarında yaklaşık 1.750 жана 33. zaman adımında yaklaşık 1.470 işlemlik zirveler bulunduğunu belirtmektedir.

Buna karşılık grafiğin dikey ekseni жана çizilen noktalar, 20–22. zaman adımlarında yaklaşık 2.300–2.800 жана 33. zaman adımında yaklaşık 3.200 düzeyinde değerler göstermektedir. Grafik менен şekil açıklamasındaki sayılar belirgin biçimde uyuşmamaktadır.

Мындан тышкары изилдөөчүлөр bu dönemlerin “yüksek suç etkinliği же eş güdümlü saldırı kampanyaları” olabileceğini ifade etmektedir. Бирок zaman adımları gerçek olay kayıtlarıyla eşleştirilmemiştir. Ошондуктан grafikteki artışların belirli suç kampanyalarına karşılık geldiği изилдөөnın маалыматleriyle doğrulanmamaktadır.

Bağlantı ağı натыйжаларı

Изилдөөчүлөр bu ağ yapısını çok adımlı fon aktarımı жана aracı adres kullanımıyla ilişkilendirmektedir. Муну менен бирге bağlantı sayısı tek başına para aklama davranışını kanıtlamaz. Özellikle yüksek hacimli hizmetler жана borsalar doğal olarak çok sayıda meşru bağlantı oluşturabilir.

Yüksek riskli işlem listesi

Çalışmanın 15. sayfasındaki Şekil 10, en yüksek puanlı işlemlerin örnek listesini göstermektedir. Her satırda işlem kimliği, risk puanı, шектүү durumu, olası tipoloji жана kısa otomatik gerekçe bulunmaktadır.

Yüksek riskli işlem sayısı, маалымат топтомуndeki doğrulanmış 4.545 yasa dışı etiketten daha fazladır. Bunun эмне үчүнi модельin bilinmeyen işlemleri de riskli olarak işaretlemesidir. Бирок bilinmeyen bir işlemin модель tarafından жогорку рисктүү bulunması, gerçek referans etiketi elde edildiği anlamına gelmez.

Yeniden üretilebilirlik жана eksik bilgiler

Çalışma; kod deposunu, ana маалымат kümelerini жана uygulama defterini paylaşmaktadır. Bu durum ыкмаin incelenmesini жана tekrar çalıştırılmasını kolaylaştırmaktadır.

Муну менен бирге ana metinde aşağıdaki ayrıntılar tam olarak raporlanmamıştır:

• KNN үчүн kullanılan komşu sayısı жана uzaklık көрсөткүчü,
• Random Forest үчүн azami derinlik жана diğer ağaç parametreleri,
• Rastgelelik tohumları,
• Birden fazla çalıştırmadaki ortalama жана standart sapmalar,
• GCN үчүн düzenlileştirme, dropout жана ağırlık kaybı ayrıntıları,
• t-SNE perplexity, öğrenme oranı жана rastgele başlangıç ayarları,
• Model olasılıklarının kalibrasyon ыкмаi,
• Bileşik puan ağırlıklarının сезгичтик analizi,
• Canlı çıkarımın gecikme жана işlem кубаттуулукsi,
• Başka маалымат топтомуnde bağımsız dış doğrulama.

Genel bilimsel değerlendirme

Çalışmanın en güçlü sonucu, Random Forest модельinin Elliptic маалымат топтомуnin etiketli test bölümünde yüksek ikili sınıflandırma performansı göstermesidir. Grafik yapı, anomali puanı жана ağ görselleştirmesinin aynı analiz hattına eklenmesi de soruşturma önceliklendirmesi үчүн uygulanabilir bir prototip yaklaşımı sunmaktadır.

En ciddi чектөө ise suç tiplerinin doğrulanmış gerçek referans yerine изилдөөчүлөрın өзгөчөлүк eşiklerinden oluşturulmasıdır. Bu durum dört sınıflı GCN’nin yüzde 96’lık sonucunun gerçek ransomware, para aklama жана diğer yasa dışı işlemleri bağımsız biçimde ayırma başarısı olarak yorumlanmasını engellemektedir.

İkinci önemli чектөө, zaman serisi niteliğindeki маалымат үчүн rastgele жана tabakalı eğitim-test ayrımı kullanılmasıdır. Gelecekteki dönemlere genelleme, geçmiş zaman adımlarıyla eğitim жана sonraki adımlarla test edilen zaman негизгиli değerlendirmeyle gösterilmelidir.

Üçüncü olarak, bileşik risk puanındaki ağırlıklar жана eşikler doğrulanmış operasyonel maliyetlere göre belirlenmemiştir. Yanlış pozitif bir işaretlemenin soruşturma kaynakları, müşteri hesapları жана gerçek kişiler üzerindeki olası etkisi değerlendirilmemiştir.

Ошондуктан sistem, otomatik suç belirleme aracı değil; адам адис tarafından incelenecek işlemleri sıralayan тажрыйбаsel bir karar destek prototipi olarak değerlendirilmelidir.

Булак жана метод эскертүүсү

Бул изилдөө рецензиядан өтпөгөн bir preprinttir. DOI, SSRN изилдөө kaydını tanımlamakta olup hakemli bir dergi makalesine ait DOI olarak sunulmamalıdır. Çalışmanın Elsevier biçiminde hazırlanması же Elsevier’e gönderilmiş olması, kabul же hakemli yayın anlamına gelmemektedir.

Bu Verianla makalesinin bilimsel içeriği yalnızca yüklenen изилдөөya dayanarak hazırlanmıştır. Dış kaynaklar yalnızca yazar sırası, sorumlu yazar, kurum, DOI, SSRN yüklenme tarihi, resmî изилдөө sayfası жана kod deposu gibi bibliyografik kimlik bilgilerinin doğrulanması amacıyla kullanılmıştır. Çalışmada bulunmayan ek тажрыйба sonucu же dış performans bulgusu eklenmemiştir.

Изилдөөnın натыйжаларı, yüksek risk puanı alan işlemlerin suç faaliyeti olduğunu же herкайсы bir gerçek kişinin suç işlediğini göstermemektedir. Model çıktıları ыктымалдык жана тажрыйбаsel inceleme öncelikleridir. Bir işlem hakkındaki hukuki değerlendirme; bağımsız kaynaklar, doğrulanmış cüzdan atıfları, borsa kayıtları, delil bütünlüğü жана yetkili insan incelemesi gerektirir.

Çalışmanın негизги ыкмаsel чектөөлөрү; suç tipi etiketlerinin doğrulanmış gerçek referans yerine sezgisel eşiklerden üretilmesi, rastgele eğitim-test ayrımının zaman içindeki genellemeyi göstermemesi, risk ağırlıkları жана eşiklerinin doğrulanmaması, t-SNE görsellerinin nicel küme doğrulaması içermemesi, canlı sistem gecikmesinin ölçülmemesi жана натыйжаларın tek bir tarihsel Bitcoin маалымат топтомуne dayanmasıdır.

Random Forest үчүн bildirilen yüzde 98,92 genel тактык менен sunulan чаташуу матрицасыnden hesaplanan yaklaşık yüzde 98,75 тактык arasında açıklanmamış fark bulunmaktadır. Zamansal шектүү işlem grafiğindeki değerler de şekil açıklamasında belirtilen zirve sayılarıyla uyuşmamaktadır. Bu tutarsızlıklar натыйжаларın yorumunda dikkate alınmalıdır.