Криптовалюта экосистемасында алдамчы эсептерди аныктоо барган сайын татаалдашууда. Мунун маанилүү себептеринин бири — кылмыштык максаттагы каражаттар эми бир гана чынжырда калбайт. Cross-chain көпүрөлөр, борбордон ажыратылган каржы протоколдору жана ар кандай активдердин ортосунда конвертация мүмкүнчүлүгү каражаттарды бир блокчейнден экинчисине өткөрүүнү жеңилдетет. Бул жагдай Ethereum, Bitcoin же бир гана чынжыр үчүн атайын иштелген аныктоо системаларын алсыратышы мүмкүн.

Бул изилдөө UniDetect деп аталган көп-чынжырлуу алдамчы эсептерди аныктоо ыкмасын сунуштайт. Система транзакция графигин талдаган графтык нейрон тармактарын чоң тил моделдери чыгарган транзакциялык жыйынтыктар менен бириктирет. Максат — ар башка блокчейндердеги гетерогендүү транзакция түзүмдөрүн жалпы жана түшүнүктүү өкүлчүлүккө айлантуу.

UniDetect адегенде эсепке багытталган субграфтарды түзөт. Андан кийин LLM негизиндеги forensic analysis agent эсептин транзакция тарыхын баалуулук агымы, транзакция убактысы, каршы тараптардын ар түрдүүлүгү жана gas чыгымы сыяктуу өлчөмдөр боюнча жыйынтыктайт. Андан соң эки өзүнчө summary analysis agent ишке кирет: бири алдамчылыкты аныктоо үчүн айырмалоочу маалыматты чыгарат, экинчиси тапшырмага түз тиешеси жок residual/factual маалыматты бөлүп чыгарат. Бул жыйынтыктар Dual-PGNN деп аталган эки жолдуу графтык нейрон тармагына node feature катары берилет.

Изилдөөдө билдирилген жыйынтыктарга ылайык, UniDetect Ethereum, Bitcoin-M жана Bitcoin-L datasetтеринде классикалык графтык үйрөнүү ыкмаларына, бир-чынжырлуу аныктоо ыкмаларына жана учурдагы көп-чынжырлуу мамилелердин көбүнө караганда жакшыраак натыйжа көрсөтөт. Ошондой эле Ethereum’да үйрөтүлүп, Bitcoin’де zero-shot тест жасалганда алдамчы эсептердин чоң бөлүгүн кармай алары айтылат. Бирок мындай системалар false positive тобокелдигин алып жүргөндүктөн, реалдуу колдонууда адам көзөмөлү жана укуктук контекст менен бирге бааланышы керек.

Көйгөй эмнеде?

Блокчейндер ачык транзакция жазууларын бергендиктен, теорияда алдамчылыкты аныктоо үчүн күчтүү маалымат булагы болуп саналат. Бирок практикада бир нече негизги кыйынчылык бар.

Биринчи көйгөй — чынжырлардын гетерогендүүлүгү. Ethereum account-based моделинде иштейт; Bitcoin болсо UTXO моделине таянат. Транзакция талаалары, дарек жүрүм-туруму, gas/fee маалыматы, input-output түзүмү жана транзакция семантикасы чынжырдан чынжырга өзгөрөт. Ошондуктан бир чынжыр үчүн кол менен түзүлгөн feature’лар башка чынжырда ошол эле маанини бербеши мүмкүн.

Экинчи көйгөй — cross-chain качуу жүрүм-туруму. Алдамчылар каражаттарды бир нече чынжырдын ортосунда жылдырышы, башка tokenдарга айландырышы же көпүрөлөр жана DeFi протоколдору аркылуу издерин таратышы мүмкүн. Мындай учурда бир чынжырга багытталган көзөмөл системалары жүрүм-турумдун толук көрүнүшүн көрө албай калышы мүмкүн.

Үчүнчү көйгөй — маалымат модалдуулугу. Блокчейн маалыматы сандык транзакция суммаларынан гана турбайт. Транзакция жыштыгы, каражат агымы, каршы тараптардын ар түрдүүлүгү, убакыт, gas колдонуу, input data билдирүүлөрү, graph topology жана даректердин өз ара аракеттери бирге мааниге ээ. Ошондуктан бир гана сандык таблица же бир гана граф түзүмү жетишсиз болушу мүмкүн.

Төртүнчү көйгөй — LLM ишенимдүүлүгү. Чоң тил моделдери транзакция жыйынтыктарын чечмелөөдө күчтүү болушу мүмкүн; бирок hallucination, ашыкча чечмелөө, unsupported risk жыйынтыгы жана false positive чыгаруу тобокелдиги бар. Алдамчылыкты аныктоо сыяктуу сезимтал тармакта моделдин “далилге негизделбеген” пикирлерди чыгарышы олуттуу ишеним көйгөйүн жаратат.

Макала чечүүгө аракет кылган негизги көйгөй мындай: ар башка блокчейндерден келген татаал транзакция маалыматтарын граф түзүмүн да, транзакция семантикасын да сактоо менен жалпы алдамчылыкты аныктоо алкагында кантип бириктирүүгө болот?

Ыкма эмнени сунуштайт?

UniDetect ыкмасын төрт негизги бөлүккө бөлүүгө болот.

1. Эсепке багытталган субграф түзүү: Бүт чынжыр графигин түз эле модельге берүү өтө кымбат болгондуктан, максаттуу эсептин айланасындагы маанилүү кошуналар тандалат. Тандоодо орточо транзакция баасы сыяктуу жүрүм-турумдук сигналдар колдонулат. Андан кийин структуралык маанилүүлүк упайы менен керексиз түйүндөр алынып, кичирээк, бирок маанилүү субграф алынат.

2. LLM негизиндеги транзакция жыйынтыгын түзүү: Forensic analysis agent ар бир эсептин транзакция тарыхын табигый тилдеги жыйынтыкка айлантат. Бул жыйынтык баалуулук агымы, partner ratio, транзакция убактысы жана gas чыгымы сыяктуу өлчөмдөрдү камтыйт. Ошентип, ар башка чынжырлардын техникалык айырмачылыктары жалпы семантикалык тилге которулат.

3. Discriminative жана residual summary бөлүнүшү: Алгачкы жыйынтыктын баары алдамчылыкты аныктоо үчүн бирдей баалуулукка ээ эмес. Ошондуктан discriminative summary analyst agent алдамчылык жагынан айырмалоочу болушу мүмкүн болгон каражат агымы, көп каршы тараптуу өз ара аракет, жыш транзакция жүрүм-туруму жана тобокелдүү даректер менен байланыш сыяктуу сигналдарды чыгарат. Residual summary analyst agent болсо классификацияга түз салым кошпогон, көбүрөөк түшүндүрүүчү же нейтралдуу маалыматты бөлөт.

4. Эки баскычтуу кезектешкен окутуу: Биринчи баскычта LLM негизиндеги summary agentтер жыйынтыктын сапатын жогорулатуу үчүн LoRA жана reinforcement learning менен fine-tuning кылынат. Экинчи баскычта LLM тоңдурулуп, граф модели үйрөтүлөт. Ошентип тилдик жыйынтыктар менен транзакция графигинин өкүлчүлүктөрү бири-бирин толуктаган система түзөт.

Бул ыкманын негизги идеясы мындай: LLM транзакция тарыхын окууга оңой жана семантикалык жактан бай жыйынтыкка айлантат; графтык нейрон тармагы болсо эсептин тармак ичиндеги жүрүм-турумдук жана структуралык ордун үйрөнөт. UniDetect бул эки каналдын маалыматтарын бирге колдонуп, жалпыраак көп-чынжырлуу алдамчылыкты аныктоо системасын түзүүгө аракет кылат.

Формулалар эмнени түшүндүрөт?

PDF’теги формулалар транзакция графигинин аныктамасын, субграф sampling, структуралык маанилүүлүк упайын, үч бөлүктүү loss функциясын, reinforcement learning негизиндеги жыйынтыкты жакшыртууну жана Dual-PGNN representation learning процессин түшүндүрөт. Формулалар төмөндө MathJax менен шайкеш түрдө берилген.

1. Транзакция графигинин маалымат модели

Бул жерде \(G\) транзакция графигин билдирет. \(V\) эсеп түйүндөрүнүн жыйындысы. \(E\) эсептер ортосундагы багытталган транзакция edge’дерин көрсөтөт. Криптовалюта транзакцияларында бир даректен башка дарекке каражат жөнөтүү графта багытталган edge катары моделденет.

\(X_E\) — edge feature матрицасы. \(m\) транзакция edge’леринин санын; \(d\) ар бир edge үчүн колдонулган feature өлчөмүн билдирет. Бул feature’лар транзакция суммасы, транзакция жыштыгы, fee/gas сыяктуу чынжырга жараша өзгөрүүчү деталдарды камтышы мүмкүн.

2. Алдамчы эсептерди аныктоо тапшырмасы

Бул формула тапшырма node classification катары курулганын көрсөтөт. Айрым эсептердин label’дары \(Y_L\) белгилүү; моделдин максаты label’сыз эсептердин \(Y_U\) label’дарын, башкача айтканда нормалдуубу же алдамчыбы экенин божомолдоо.

3. Semantics-aware кошуна sampling

Бул формула максаттуу эсептин айланасынан кайсы кошуналар тандаларын көрсөтөт. \(N_v\) — \(v\) түйүнүнүн one-hop кошуналары. \(K\) — ар бир hop үчүн тандала турган кошуналардын саны. \(R[v,N_v]\) талапкер кошуналар менен орточо транзакция баасын билдирет. Ошентип жогорку баалуу же жүрүм-турум жагынан маанилүү өз ара аракеттер артыкчылыкка ээ болот.

\(C_v\) — максаттуу эсеп \(v\) айланасында \(h\)-hop sampling аркылуу алынган түйүндөрдүн жыйындысы. Бул жыйынды эсептин транзакция чөйрөсүн көрсөткөн account-centered subgraph үчүн негиз болот.

4. Структуралык маанилүүлүк упайы

Бул формула кошуна түйүн \(u\)нун структуралык маанилүүлүгүн эсептейт. \(a_u^{in}\) жана \(a_u^{out}\) түйүндүн кирүүчү жана чыгуучу транзакция суммаларын; \(d_u^{in}\) жана \(d_u^{out}\) кирүүчү жана чыгуучу degree сандарын көрсөтөт. \(L_u\) — максаттуу түйүнгө эң кыска жол аралыгы. \(\beta\) акчалай жүрүм-турум менен структуралык байланыш сигналынын ортосундагы тең салмакты башкарат.

Упай жогору болсо, түйүн маанилүүрөөк деп эсептелет. Бирок жогорку connectivity өзү дайыма алдамчылык сигналы эмес; биржалар же ири сервис капчыктары да абдан байланышкан болушу мүмкүн. Ошондуктан макала \(\beta\) параметрин этият тандоо керектигин көрсөтөт.

5. Discriminative summary loss

Бул loss discriminative summary менен жасалган классификация чыныгы label менен канчалык шайкеш экенин өлчөйт. \(p_v^D\) — discriminative summary’ден алынган prediction probability. Максат — алдамчылыкты аныктоо үчүн айырмалоочу жыйынтыктар классификациянын ийгилигин жогорулатышы.

6. Residual summary loss

Residual summary алдамчылыкты аныктоодо түз айырмалоочу болбошу күтүлгөн маалыматты билдирет. Ошондуктан модель residual жыйынтык классификацияда күчтүү багыт бербешин каалайт. \(U_v\) — uniform distribution. Бул loss residual жыйынтыктын prediction’ин мүмкүн болушунча нейтралдуу кармоону максат кылат.

7. Ортогоналдуулук loss

Бул формула discriminative жана residual representation’дардын бири-бирине аралашышына жол бербөөгө аракет кылат. Эгер эки representation өтө окшош болуп калса, айырмалоочу сигнал менен нейтралдуу/factual маалыматтын бөлүнүшү начарлайт. Ортогоналдуулук loss бул аралашууну азайтуу үчүн колдонулат.

8. Үч бөлүктүү жалпы loss

UniDetect жыйынтыктын сапатын үч жактан көзөмөлдөйт: алдамчылыкты аныктоого жардам берген discriminative маалымат, нейтралдуу бойдон калуусу күтүлгөн residual маалымат жана бул эки representation’дын бири-биринен ажырашы. \(\lambda_1\) жана \(\lambda_2\) residual loss жана ортогоналдуулук loss салмактарын аныктайт.

9. RL сыйлыгы

Жалпы loss төмөн болсо, сыйлык жогору болот. Бул сыйлык LLM негизиндеги summary analyst agent’ти жакшыраак жыйынтык чыгарууга түрткү берүү үчүн колдонулат.

10. Advantage эсеби

\(b_t\) — окутуу кадамындагы exponential moving-average baseline. Reward’дан baseline алынып, advantage мааниси чыгат. Бул RL окутуусунда variance’ты азайтууга жана тренингди туруктуураак кылууга жардам берет.

11. RL максат функциясы

Бул формула discriminative жана residual summary чыгаруу ыктымалдыктарын сыйлык менен байланыштырат. Жакшы жыйынтык чыгарган agentтер жогорку сыйлык алат; начар же керексиз жыйынтык чыгарган agentтер жазаланат.

12. Dual-PGNN node representation түзүү

Биринчи формула discriminative же residual жыйынтыктардан графка негизделген node representation түзөт. Экинчи формула оригинал транзакция жыйынтыгынан өзүнчө representation түзөт. Бул жерде \(A_v\) — максаттуу эсептин айланасындагы subgraph adjacency матрицасы. \(\theta(\cdot)\) — feature’дун өзүн сактаган сызыктуу катмар.

13. Attention менен representation fusion

Бул формула discriminative/residual summary representation менен оригинал summary representation’дын attention салмактары аркылуу бириктирилишин көрсөтөт. \(W_1\) жана \(W_2\) — эки маалымат каналынын салыштырмалуу маанисин үйрөнгөн параметрлер.

14. KS метрикасы

KS метрикасы кредиттик scoring жана тобокелдик моделдөөдө көп колдонулган ажыратуу өлчөмү. Бул жерде нормалдуу жана алдамчы эсептердин упай бөлүштүрүүлөрү канчалык ажыраганын көрсөтөт. KS канчалык жогору болсо, моделдин эки классты ажыратуу жөндөмү ошончолук күчтүү деп эсептелет.

График, таблица жана схеманын негизги билдирүүсү

1-беттеги Figure 1: Визуал классикалык чынжырга мүнөздүү алдамчылыкты аныктоо ыкмаларын UniDetect менен салыштырат. Салттуу ыкмалар Bitcoin же Ethereum сыяктуу бир чынжырга мүнөздүү эрежелер жана feature’ларды колдонсо, UniDetect LLM негизиндеги транзакция жыйынтыктары аркылуу көп-чынжырлуу жалпы representation түзүүгө аракет кылат. Негизги билдирүү: чынжырга мүнөздүү feature engineering ордуна чынжырлар аралык жалпы семантикалык жана графтык representation максат кылынат.

4-беттеги Figure 2: UniDetect’тин жалпы framework’и көрсөтүлөт. Сол тарапта subgraph түзүү жана transaction summary generation кадамдары бар. Орто бөлүктө эки баскычтуу окутуу түзүмү турат: Stage 1’de summary agentтер үйрөтүлөт, Stage 2’de graph inference training жүргүзүлөт. Төмөнкү бөлүктө inference баскычында система “бул эсеп алдамчыбы?” деген суроого ыктымалдык негизде жооп берери көрсөтүлөт.

4–5-беттердеги prompt шаблондору: Forensics analyst agent транзакция маалыматтарын баалуулук агымы, partner ratio, транзакция убактысы жана gas чыгымы аркылуу жыйынтыктайт. Discriminative summary agent алдамчылык жагынан айырмалоочу транзакция pattern’дарын чыгарат. Residual summary agent болсо түздөн-түз тобокелдик өкүмүн алып жүрбөгөн factual маалыматты бөлөт. Негизги билдирүү — LLM эркин чечмелөө эмес, далилге негизделген жана тапшырмага багытталган жыйынтык чыгарууга тийиш.

6-беттеги dataset таблицасы: Ethereum datasetинде 187.960 node, 397.038 edge, 1.991 fraud жана 1.439 нормалдуу эсеп бар. Bitcoin-M datasetинде 2.505.841 node жана 14.181.316 edge; Bitcoin-L datasetинде болсо 20.085.231 node жана 203.419.765 edge бар. Бул таблица ыкма кичине toy datasetте эмес, чоң масштабдагы графтарда сыналганын көрсөтөт.

7-беттеги Ethereum жыйынтыктары таблицасы: UniDetect Ethereum’да Precision 91.39, Recall 93.95, F1 92.65, AUC 94.82 жана KS 68.94 маанилери менен эң жакшы жыйынтык берет. Zero-shot LLM колдонулган UniDetect версиясы да күчтүү натыйжа көрсөтөт; бирок fine-tuning жана эки баскычтуу окутуу толук моделде байкаларлык кошумча өсүш берет.

8-беттеги Bitcoin-M жана Bitcoin-L жыйынтыктары таблицасы: UniDetect Bitcoin-M’де F1 92.98, AUC 93.83, KS 70.45; Bitcoin-L’де F1 93.41, AUC 95.22, KS 72.25 жыйынтыктарын берет. Негизги билдирүү — ыкма Ethereum’га гана мүнөздүү бойдон калбай, Bitcoin маалымат түзүмдөрүндө да күчтүү иштеген.

8-беттеги hyperparameter сезимталдык графиктери: \(N_c\), \(\beta\), \(\lambda_1\) жана \(\lambda_2\) өзгөргөндө performance кандай таасирленери көрсөтүлөт. Модель кең диапазондо туруктуу көрүнгөнү менен, өтө кичине же өтө чоң параметрлер натыйжаны начарлатышы мүмкүн экени айтылат. Айрыкча \(\beta\) өтө чоң болсо, жогорку байланыштуу, бирок күнөөсүз сервис капчыктары модель үчүн ашыкча маанилүү көрүнүшү мүмкүн.

8-беттеги ablation таблицасы: Модель компоненттери алынып салынганда performance өзгөрөт. Residual agent алынганда F1 78.37ге түшүшү residual/discriminative бөлүнүшүнүн маанилүү экенин көрсөтөт. RL алынганда жана Dual-PGNN ордуна стандарт GNN колдонулганда да performance төмөндөйт.

9-беттеги натыйжалуулук таблицасы: Subgraph түзүү орточо 1.26 секунд/sample, inference 1.47 ms/sample, throughput 680 sample/s деп билдирилет. LLM негизиндеги окутуу кымбат болгону менен, inference баскычында системанын практикалык deployment’га жакын экени айтылат.

13-беттеги RL convergence графиги: Сыйлык ийри сызыгы алгачкы 50 кадам ичинде тез көтөрүлүп, 0.5–0.6 диапазонунда тең салмакка келери көрсөтүлөт. Макала муну RL негизиндеги LLM fine-tuning процесси collapse болбой, туруктуу жүрүп жатканына кошумча далил катары берет.

Эксперименттер кандай жүргүзүлгөн?

Изилдөө Ethereum жана Bitcoin боюнча эксперимент жүргүзөт. Ethereum тарабында алдамчы label’дар Etherscan label cloud, XLabelCloud жана CryptoScamDB сыяктуу булактардан алынган. Phishing, Upbit vulnerability attack, gambling жана honeypot сыяктуу мыйзамсыз же тобокелдүү эсеп түрлөрү камтылган. Miner жана каржылык кызмат көрсөтүүчүлөр сыяктуу белгилүү атайын идентификацияланган эсептер benign катары бааланган.

Ethereum транзакциялары 7-август 2015 менен 10-апрель 2025 аралыгындагы мезгилден чогултулган. Нөл суммалуу жана ийгиликсиз транзакциялар чыгарылган. Sender жана receiver эсептердин ортосунда багытталган транзакция графиги курулган. Кайталанган transferлерде ошол эле эсеп жуптарынын ортосундагы транзакциялар бир edge’ге бириктирилип, cumulative transfer amount жана transaction frequency сыяктуу feature’лар колдонулган.

Bitcoin тарабында эки dataset колдонулган: Bitcoin-M жана Bitcoin-L. Bitcoin-M 2015-жылдын июнуна чейинки алгачкы 1.5 миллион транзакцияны камтыйт. Bitcoin-L болсо 2015-жылдын июнь–сентябрь аралыгындагы бардык транзакцияларды камтыйт. Bitcoin datasetтеринде gambling жана mixing сервистерине байланышкан даректер алдамчылык же мыйзамсыз ишмердик менен байланышкан positive class катары каралган.

Модель training/validation/test үчүн 8:1:1 катышында бөлүнгөн. Салыштыруу үчүн DeepWalk, Node2Vec, GCN, GAT, GIN, GraphSAGE, APPNP, CARE-GNN, BWGNN, GRIT, DGA-GNN, PMP, Trans2Vec, TSGN, Ethident, TEGDetector, SIGTRAN, BERT4ETH жана DIAM сыяктуу 20 baseline ыкма колдонулган.

UniDetect тарабында 2-hop кошуна sampling жасалып, ар бир hop үчүн эң көп \(K=10\) кошуна сакталган. Кысуудан кийин финалдык subgraph өлчөмү \(N_c=10\) деп коюлган. LLM backbone катары Gemma-3-4B-it, embedding үчүн Sentence-BERT, граф backbone катары CARE-GNN негизиндеги Dual-PGNN колдонулган. Окутууда LoRA менен parameter-efficient fine-tuning жасалган.

Баалоо метрикалары Precision, Recall, F1, AUC жана KS болуп белгиленген. Мындан тышкары cross-chain zero-shot тестте Ethereum’да үйрөтүлгөн модель Bitcoin’ге колдонулган; cross-domain transfer тестинде Instagram социалдык тармак datasetинде business account классификациясы сыналган.

Жыйынтыктар эмнени көрсөтөт?

1. UniDetect Ethereum’да күчтүү натыйжа берет. Ethereum datasetинде UniDetect F1 92.65, AUC 94.82 жана KS 68.94 маанилерине жетет. Бул жыйынтыктар manual feature engineering колдонгон бир-чынжырлуу ыкмаларга жана жалпы графтык үйрөнүү моделдерине салыштырмалуу байкаларлык жакшырууну көрсөтөт.

2. Bitcoin datasetтеринде да жалпылануу байкалат. Bitcoin-M’де UniDetect F1 92.98, AUC 93.83 жана KS 70.45; Bitcoin-L’де F1 93.41, AUC 95.22 жана KS 72.25 деп билдирет. Бул ыкма Ethereum’га мүнөздүү маалымат форматына ашыкча байланбаганын көрсөтөт.

3. Cross-chain zero-shot тест күчтүү, бирок асимметриялуу. Ethereum’да үйрөтүлгөн модель Bitcoin’ге түз колдонулганда алдамчы эсептердин чоң бөлүгүн аныктай алат. Бирок макала нормалдуу эсептерди ажыратууда precision жагынан кыйынчылык бар экенин да белгилейт. Бул реалдуу дүйнөдө false positive көзөмөлүнүн маанисин жогорулатат.

4. LLM жыйынтыгынын сапаты критикалык роль ойнойт. Эки баскычтуу окутуу алынып салынганда performance төмөндөйт. Бул жыйынтык LLM’ден жөн гана туш келди жыйынтык алуунун ордуна, алдамчылыкты аныктоо тапшырмасына ылайыкташтырылган жана graph model менен бирге оптималдаштырылган жыйынтыктар маанилүү экенин көрсөтөт.

5. Residual agent hallucination жана ашыкча чечмелөө тобокелдигине каршы пайдалуу көрүнөт. Residual summary agent алынып салынганда performance олуттуу төмөндөйт. Бул task-relevant маалымат менен task-irrelevant же over-inference контентти бөлүү ишенимдүү fraud detection үчүн маанилүү экенин колдойт.

6. Dual-PGNN neighbourhood camouflage көйгөйүнө каршы жардам берет. Алдамчы эсептер өздөрүн күнөөсүз кошуналар менен camouflage кылышы мүмкүн. Dual-PGNN node’дун өз summary feature’ларын кошуна aggregation’дан көз карандысыз канал катары сактап, бул таасирди азайтууга аракет кылат.

7. Натыйжалуулук практикалык колдонуу үчүн үмүттөндүрөт. Окутуу баскычы LLM себептүү кымбат болгону менен, inference 1.47 ms/sample жана 680 sample/s throughput менен билдирилет. Бул системанын offline training + тез online score чыгаруу мамилесине ылайык болушу мүмкүн экенин көрсөтөт.

Бул эмне үчүн маанилүү?

Крипто кылмыш кирешелеринин ар башка чынжырлардын ортосунда жылышы каржылык кылмыштарды көзөмөлдөө системалары үчүн олуттуу кыйынчылык жаратат. Дарек Ethereum’да шектүү көрүнбөшү мүмкүн; бирок Bitcoin, bridge, mixer же башка чынжырлардагы кыймылдары менен бирге бааланганда маанилүүрөөк тобокелдик профили пайда болушу мүмкүн.

UniDetect’тин маанилүү жагы — чынжыр айырмачылыктарын ар бири үчүн өзүнчө кол менен feature түзүү аркылуу чечүүгө аракет кылбайт. Анын ордуна LLM транзакция жүрүм-турумун жалпы табигый тил representation’ында жыйынтыктайт, андан кийин бул жыйынтыктарды транзакция графиги менен бирге колдонот. Ошентип “эсеп эмне кылды?” деген суроого тексттик жана структуралык жактан жооп берүүгө аракет кылынат.

Бул ыкма блокчейн үчүн гана эмес, башка алдамчылык тармактары үчүн да идея берет. Банк иши, e-commerce, социалдык тармактар, төлөм системалары жана камсыздандыруу сыяктуу тармактарда да жүрүм-турум графиктери менен тексттик түшүндүрмөлөрдү бирге колдонууга болот. Изилдөөнүн Instagram datasetинде cross-domain тест жасашы бул жалпы ыкманы башка тармактарга да өткөрүүгө болорун көрсөтүүнү көздөйт.

Бирок бул маанини этияттык менен кароо керек. Алдамчылыкты аныктоо системалары false positive чыгарышы мүмкүн. Эсептин “тобокелдүү” көрүнүшү анык кылмыш далили эмес. Ошондуктан UniDetect сыяктуу системалар автоматтык жазалоо куралы эмес; аналитиктерди колдогон, түшүндүрүлө турган далил чыгарган жана адам текшерүүсүнө артыкчылык берген decision-support системалары катары колдонулушу керек.

Көңүл буруучу жагдайлар

1. Бул изилдөө preprint. Жыйынтыктар акыркы рецензияланган версиянын тактыгы менен бааланбашы керек.

2. Коопсуздук боюнча маалымат берүү максатын көздөйт. Бул жердеги контент алдамчылыкты аныктоо ыкмасын түшүндүрөт; аны кандайдыр бир эсеп же адам жөнүндө так өкүм чыгаруу үчүн колдонууга болбойт.

3. False positive тобокелдиги маанилүү. Cross-chain zero-shot тестте алдамчыларды кармоо көрсөткүчү жогору көрүнгөнү менен, нормалдуу эсептерди туура эмес белгилөө тобокелдиги өзүнчө башкарылышы керек.

4. Label сапаты жыйынтыктарга таасир этет. Etherscan, XLabelCloud, CryptoScamDB же Bitcoin label’дары толук эмес, кечиккен же талаштуу болушу мүмкүн. Модель колдонгон label’дары канчалык ишенимдүү болсо, ошончолук ишенимдүү үйрөнөт.

5. LLM hallucination толугу менен жоголбойт. Макала residual agent жана RL fine-tuning менен бул тобокелдикти азайтууга аракет кылат. Бирок реалдуу дүйнөдө LLM чыгыштары дагы эле текшерилип, далилден тышкары дооматтар фильтрлениши керек.

6. Чынжырлар аралык маалымат түзүмдөрү дайыма өзгөрөт. Жаңы протоколдор, bridge’лер, mixer техникалары, privacy куралдары жана DeFi жүрүм-турумдары моделди убакыт өткөн сайын кайра үйрөтүүнү талап кылышы мүмкүн.

7. Регуляциялык жана этикалык өлчөм бар. Алдамчылыкты аныктоо, money laundering monitoring жана account risk scoring сыяктуу тармактар укуктук жоопкерчилик жаратышы мүмкүн. Автоматтык чечим системалары адам укуктары, даттануу механизми жана маалымат купуялуулугу менен бирге долбоорлонушу керек.

Тобокелдүү тармак боюнча эскертүү: Изилдөө крипто эсептердеги алдамчылыкты аныктоого байланыштуу. Бул жазуу коопсуздук жана изилдөө боюнча маалымат берүү максатын көздөйт. Ал кандайдыр бир дарек, адам, уюм же транзакция жөнүндө өз алдынча так айыптоо куралы катары колдонулбашы керек. Реалдуу дүйнөдө мындай системалар адам текшерүүсү, кошумча далил, укуктук процесс жана false positive көзөмөлү менен бирге колдонулушу зарыл.

Жалпы баалоо: Макала криптовалюта алдамчылыгы эми бир гана блокчейн менен чектелбей калганын, каражаттар ар башка чынжырлардын ортосунда жылдырылып көзөмөл системаларынан жашырылышы мүмкүн экенин баса белгилейт. Ошондуктан Ethereum үчүн түзүлгөн ыкма Bitcoin’ге, Bitcoin үчүн түзүлгөн ыкма башка чынжырларга түз көчүрүлбөшү мүмкүн. UniDetect’тин негизги идеясы — ар башка чынжырлардан келген транзакция жүрүм-турумун жалпы тилдик жана графтык representation астында бириктирүү.

Жыйынтык

UniDetect изилдөөсү крипто алдамчылыгын аныктоодогу маанилүү тенденцияны көрсөтөт: бир гана графтык нейрон тармагы же кол менен түзүлгөн чынжыр feature’лары жетишсиз болушу мүмкүн. Cross-chain дүйнөдө транзакция жүрүм-турумун семантикалык жактан жыйынтыктаган жана ошол эле учурда граф түзүмүндө баалаган multimodal системаларга муктаждык өсүүдө.

Макала LLM agentтери транзакция маалыматтарын окууга оңой жыйынтыктарга айландыра аларын, бирок бул жыйынтыктар сөзсүз тапшырмага багытталган түрдө фильтрлениши керектигин көрсөтөт. Discriminative summary аныктоо үчүн айырмалоочу маалыматты чыгарат, residual summary hallucination жана over-inference тобокелдигин азайтууга жардам берет. Dual-PGNN бул тексттик маалыматты эсеп графиги менен бириктирип node-level fraud detection жүргүзөт.

Эксперименттерде UniDetect Ethereum, Bitcoin-M жана Bitcoin-L боюнча күчтүү жыйынтыктар бергени билдирилет. Cross-chain жана cross-domain тесттер да ыкма бир чынжырга гана байланбаганын көрсөтөт. Ошентсе да реалдуу дүйнөдө мындай системалар өз алдынча өкүм чыгарган курал эмес, аналитиктерди колдогон далил чыгаруу системалары катары колдонулушу керек.

Verianla окурманы үчүн негизги билдирүү мындай: крипто алдамчылыгын эми бир чынжырда гана көзөмөлдөө жетиштүү жөнөкөй эмес. Каражат агымдары чынжырлар боюнча тараган сайын, аныктоо системалары да тилдик жыйынтык, граф түзүмү, жүрүм-турум pattern’и жана адам көзөмөлүн бирге колдонгон универсалдуу ыкмаларга өтүшү керек.

Булак жана ыкма боюнча эскертүү

Бул жазуу “UniDetect: LLM-Driven Universal Fraud Detection across Heterogeneous Blockchains” аттуу академиялык PDF негизинде даярдалган оригиналдуу кыргызча редакциялык контент. Текст сөзмө-сөз котормо эмес; изилдөөдөгү көйгөй, ыкма, формулалар, графиктер, таблицалар, эксперименттер, жыйынтыктар жана чектөөлөр жөнөкөйлөтүлүп баяндалган.

Коопсуздук жана алдамчылыкты аныктоо темалары так айыптоо тили менен эмес, тобокелдик талдоосу жана decision-support алкагында берилген.