Real-CATS (Real-world dataset of Cryptocurrency Addresses with Transaction profileS), Bitcoin ve Ethereum üzerinde suçla ilişkilendirilmiş ve benign olarak etiketlenmiş blockchain adreslerini; bunların istatistiksel işlem profilleri ve ayrıntılı işlem kayıtlarıyla birlikte sunmak üzere oluşturulmuş gerçek-dünya temelli bir araştırma veri kümesidir. Yüklenen arXiv v1 sürümünde Real-CATS, 103.203 criminal adres ve 106.196 benign adres içerir. Criminal etiketler gerçek kullanıcı mağduriyet raporlarından, benign adresler ise merkezi borsa hot-wallet çıkışlarından türetilmiştir. Araştırmacılar veri kümesini Comprehensiveness, Classifiability, Customizability ve Real-world Transferability olmak üzere dört C3R özelliği üzerinden değerlendirir. Çalışmanın en önemli yorum sınırı şudur: Real-CATS bir suç tespit algoritması veya bir adresin hukuken suçlu olduğunu kanıtlayan sistem değildir; farklı tespit yöntemlerini geliştirmek, karşılaştırmak ve daha gerçekçi test koşullarında sınamak için tasarlanmış etiketli bir veri altyapısıdır.
Yüklenen sürümde criminal adreslerin 90.612'si Bitcoin, 12.591'i Ethereum üzerindedir. Benign adreslerin 90.176'sı Bitcoin, 16.020'si Ethereum üzerindedir. Bitcoin adresleri 32 özellik, Ethereum adresleri ise 52 özellik ile temsil edilir. Araştırmacılar Bitcoin için 39.752.469, Ethereum için 23.436.690 ilgili blockchain işlemini işleyerek profil özelliklerini çıkarmıştır. Ethereum profilleri ayrıca ERC-20, ERC-721 ve ERC-1155 token etkileşimlerini içerir.
Classifiability incelemesinde criminal ve benign adreslerin sıfır bakiye ve yaşam süresi davranışlarında farklılıklar görülmüştür. Bitcoin'de işlemi bulunan criminal adreslerin %90,70'i sıfır bakiye gösterirken benign adreslerde oran %76,56'dır. Criminal Bitcoin adreslerinin %60'ının yaşam süresi 31,10 günden kısa, benign adreslerin %60'ının ise 84,94 günden kısadır. 1.000 günden uzun yaşayan Bitcoin adreslerinin oranı criminal grupta %4,09, benign grupta %14,43'tür. Ethereum'da sıfır bakiye oranı criminal adreslerde %50,06, benign adreslerde %20,77 olarak raporlanmıştır.
Profil özelliklerinin sınıflandırılabilirliğini değerlendirmek için SVM, k-NN, Decision Tree, Random Forest ve LightGBM kullanılmıştır. Yüklenen kaynakta LightGBM, Ethereum için 0,9187 precision, 0,8520 recall, 0,8840 F1-score ve 0,9080 accuracy; Bitcoin için 0,8130 precision, 0,7712 recall, 0,7916 F1-score ve 0,8716 accuracy üretmiştir. Ancak Table 5'te Ethereum Random Forest satırındaki 0,7116 accuracy değeri aynı satırdaki diğer metriklerle içsel olarak uyuşmadığından değiştirilmeden fakat uyarıyla aktarılmalıdır.
Customizability deneyi kapsamında araştırmacılar 2.500 adreslik dengeli bir alt örnekten birinci derece komşuları kullanarak 47.009 düğümlü genişletilmiş transaction graph oluşturmuş ve Trans2Vec'i test etmiştir. Trans2Vec; 0,8976 precision, 0,9261 recall, 0,9116 F1-score ve 0,9348 accuracy raporlamıştır. Bu deney, ayrıntılı transaction records kullanılarak Real-CATS'in yalnız sabit feature table olarak değil, graph tabanlı yöntemlere giriş sağlayan özelleştirilebilir bir kaynak olarak kullanılabileceğini göstermeyi amaçlamaktadır.
Real-world Transferability değerlendirmesi için araştırmacılar 12 Ağustos 2024'te Ethereum üzerindeki 7.161 bloğu tarayarak Sup-CATS adlı ayrı bir test kümesi oluşturmuştur. Kaynak Sup-CATS için 3.147 criminal ve 11.058 benign adres bildirir. Real-CATS üzerinde eğitilen Random Forest, yazarların raporuna göre yeni criminal adreslerin %74,9'unu tespit ederken LGBM çok büyük performans kaybı yaşamıştır. Bu sonuç özellikle önemlidir: aynı modelin rastgele train-test ayrımında yüksek performans göstermesi, daha yeni ve farklı dağılıma sahip adreslerde aynı başarıyı koruyacağını garanti etmez.
Araştırmanın çözmeye çalıştığı temel problem
Kripto para siber suç tespitinde yalnız iyi bir makine öğrenmesi algoritmasına sahip olmak yeterli değildir. Bir modelin bilimsel olarak değerlendirilebilmesi için hangi criminal ve benign adresler üzerinde eğitildiği, test edildiği ve başka çalışmalarla karşılaştırıldığı da bilinmelidir. Araştırmacıların çıkış noktası, özellikle Ethereum çalışmalarında birçok veri kümesinin özel olarak toplanması, adreslerin tamamının paylaşılmaması ve benign örnek seçiminin çalışmalar arasında değişmesidir.
Bu sorun iki sonucu beraberinde getirir. Birincisi, iki farklı çalışma aynı modeli veya benzer modelleri kullansa bile farklı veri kümeleri nedeniyle başarı oranları doğrudan karşılaştırılamayabilir. İkincisi, sınırlı veya çok temiz etiketli veri üzerinde başarılı olan bir yöntem gerçek dünyadaki daha karmaşık dağılıma geçtiğinde performans kaybedebilir.
Real-CATS'in temel hedefi bu nedenle yeni bir classifier icat etmekten çok, araştırmacıların farklı classifier ve graph-learning yöntemlerini aynı gerçek-dünya temelli veri altyapısı üzerinde değerlendirebilecekleri bir çalışma zemini oluşturmaktır.
C3R Nedir ve Real-CATS İçin Ne Anlama Gelir?
C3R, yazarların Real-CATS'i değerlendirmek için kullandığı dört özelliğin ortak adıdır: Comprehensiveness, veri dağılımının farklı criminal ve benign davranışları kapsamasını; Classifiability, adres profillerinde sınıfları ayırmaya yarayan bilgi bulunmasını; Customizability, ham işlem kayıtlarından yeni özellikler veya graph yapıları oluşturulabilmesini; Real-world Transferability ise modeli yalnız rastgele ayrılmış eski örneklerde değil, daha sonraki gerçekçi bir deployment senaryosuna benzeyen veride de sınayabilmeyi ifade eder.
| Özellik | Türkçe açıklama | Kaynakta nasıl değerlendiriliyor? | Yorum sınırı |
|---|---|---|---|
| Comprehensiveness | Kapsamlılık | Criminal ve benign davranışların daha geniş ve daha az yapay bir dağılımını kapsama hedefi; existing datasets ile davranış dağılımı karşılaştırması. | Her olası kripto suç türünün eksiksiz kapsandığı anlamına gelmez. |
| Classifiability | Sınıflandırılabilirlik | Sıfır bakiye, Lifetime, t-SNE görselleştirmesi ve beş classifier ile profil özelliklerinin ayrım gücü inceleniyor. | Sınıflandırılabilirlik, her adresin hatasız sınıflandırılacağı anlamına gelmez. |
| Customizability | Özelleştirilebilirlik | Profil tablolarına ek olarak ayrıntılı işlem kayıtları paylaşılır; transaction graph oluşturularak Trans2Vec denenir. | Her graph modelinin aynı başarıyı göstereceği kanıtlanmaz. |
| Real-world Transferability | Gerçek dünyaya aktarılabilirlik | 12 Ağustos 2024'e ait Sup-CATS üzerinde daha yeni criminal adreslerin tespiti sınanır. | Üretim ortamındaki gelecekteki bütün veri dağılımlarında performans garantisi değildir. |
Bitcoin ve Ethereum neden aynı şekilde modellenmiyor?
Bitcoin ve Ethereum farklı işlem modellerine sahiptir. Bitcoin büyük ölçüde UTXO — Unspent Transaction Output modeline dayanırken Ethereum hesap tabanlı bir sistemdir. Bu fark, bir adresin davranışını temsil etmek için hangi özelliklerin anlamlı olduğunu doğrudan etkiler.
Bitcoin'de bir UTXO, önceki bir işlemin henüz harcanmamış çıktısıdır. Yeni bir Bitcoin işlemi bir veya daha fazla UTXO'yu input olarak tüketir ve yeni output'lar oluşturur. Gerekli transferden sonra kalan miktar varsa change output olarak geri gönderilir. Bu yapı nedeniyle bir Bitcoin adresinin kaç kez input/output slotlarında yer aldığı veya kaç farklı adresle giriş/çıkış ilişkisi kurduğu anlamlı profil özellikleri haline gelir.
Ethereum ise Externally Owned Account (EOA) ve Contract Account (CA) kavramlarına dayanır. EOA özel anahtar tarafından kontrol edilir; Contract Account ise smart contract koduyla yönetilir. Ethereum işlemleri ETH aktarımı yapabilir, smart contract fonksiyonu çağırabilir veya contract deploy edebilir. Ayrıca Gas kullanımı, Gas Limit ve Gas Price gibi özellikler bulunduğundan Ethereum profiline Bitcoin'de bulunmayan ek işlem özellikleri dahil edilir.
Ethereum ekosisteminde ERC-20 fungible token'lar ile ERC-721 ve ERC-1155 gibi NFT/multi-token standartlarının etkileşimleri de adres davranışının bir parçası olabilir. Araştırmacılar bu nedenle token interactions bilgisini de veri kümesine dahil eder.
Bitcoin ve Ethereum Adreslerinde Neden 32 ve 52 Özellik Kullanılıyor?
Kaynakta Bitcoin profilinin 28 ortak temel işlem özelliği ile Bitcoin'e özgü 4 ek özellikten oluşarak 32'ye ulaştığı; Ethereum profilinin aynı temel özelliklerin Wei cinsine uyarlanmış biçimine 8 Gas/contract özelliği ve dört ikili boyutun kombinasyonundan oluşan 16 interaction özelliği eklenerek toplam 52 özelliğe ulaştığı görülmektedir.
Bitcoin ve Ethereum'un ortak temel profil özellikleri
| Özellik | Ne ifade eder? |
|---|---|
| Balance | Adresin kalan bakiyesi. |
| Total_received_BTC | Toplam alınan Bitcoin miktarı; kaynakta Sat birimiyle tutulur. |
| Total_sent_BTC | Toplam gönderilen Bitcoin miktarı; Sat. |
| Total_received_USD | Alınan varlıkların günlük kur üzerinden USD karşılığı. |
| Total_sent_USD | Gönderilen varlıkların günlük kur üzerinden USD karşılığı. |
| Transaction_fee | Toplam transaction fee. |
| Transaction_fee_variance | Transaction fee varyansı. |
| Transaction_number | Toplam işlem sayısı. |
| Payment_transactions | Outgoing transaction sayısı. |
| Receipt_transactions | Incoming transaction sayısı. |
| First_time | İlk işlemin timestamp'i. |
| Last_time | Son işlemin timestamp'i. |
| Lifetime | İlk işlem ile son işlem arasındaki süre; kaynakta saniye olarak tanımlanır. |
| Activity_w | En az bir withdrawal işlemi bulunan gün sayısı. |
| Activity_d | En az bir deposit işlemi bulunan gün sayısı. |
| Activity_time | Herhangi bir aktivitenin bulunduğu gün sayısı. |
| Max_sent_amount | En büyük gönderim miktarı. |
| Min_sent_amount | En küçük gönderim miktarı. |
| Max_received_amount | En büyük alım miktarı. |
| Min_received_amount | En küçük alım miktarı. |
| Max_sent_transaction_id | En büyük gönderimle ilişkili transaction hash. |
| Min_sent_transaction_id | En küçük gönderimle ilişkili transaction hash. |
| Max_received_transaction_id | En büyük alımla ilişkili transaction hash. |
| Min_received_transaction_id | En küçük alımla ilişkili transaction hash. |
| Received_variance_BTC | Alınan miktarın varyansı. |
| Sent_variance_BTC | Gönderilen miktarın varyansı. |
| Received_variance_USD | USD cinsinden alınan miktar varyansı. |
| Sent_variance_USD | USD cinsinden gönderilen miktar varyansı. |
Kaynak Ethereum'un aynı temel özellikleri kullandığını, ancak kripto para biriminin Bitcoin'deki Sat yerine Wei cinsine dönüştüğünü belirtmektedir. Bir Ether:
olarak ifade edilir.
Kaynakta verilen USD değerleme formülü
Formül neyi hesaplar? Adresin farklı günlerde aldığı kripto para miktarlarını, her günün ilgili exchange rate değeriyle çarparak toplam USD karşılığı üretmeyi amaçlar.
\(d\) nedir? İlk işlem tarihi ile son işlem tarihi arasındaki gündür.
\(Rec_d\) nedir? Kaynağın ifadesiyle \(d\) günündeki received amount'tur.
\(ER_d\) nedir? \(d\) günündeki exchange rate değeridir. Çalışma kur verisini Investing.com'dan aldığını belirtmektedir.
Matematiksel rol nedir? Günlük miktar × günlük fiyat çarpımlarının zaman boyunca toplamıdır. Bu yaklaşım bütün tarihsel coin miktarlarını tek bir günün kuruyla değerlemek yerine, gerçekleştiği güne ait fiyatla ilişkilendirmeyi amaçlar.
Birim nedir? Sonuç USD değeridir. Kaynak denklem içinde \(Rec_d\)'nin Sat/Wei'den whole-coin birimine dönüşüm ayrıntısını ayrıca göstermediği için bu ölçekleme Verianla tarafından varsayılmamıştır.
Yazarlar günlük exchange rate dalgalanmaları nedeniyle sonuçlarda küçük varyasyonlar oluşabileceğini ayrıca belirtir.
Bitcoin'e özgü dört ek özellik
| Özellik | Açıklama |
|---|---|
| Total_input_slots | Adresin input slot olarak yer aldığı toplam sayı. |
| Total_output_slots | Adresin output slot olarak yer aldığı toplam sayı. |
| Sent_counters | Kaynak tanımında interaction sırasında input slotlarında kullanılan adreslerin sayısını özetler. |
| Received_counters | Kaynak tanımında interaction sırasında output slotlarında kullanılan adreslerin sayısını özetler. |
Kaynağın yöntem anlatımı Sent_counters için, hedef adres confirmed transaction'da recipient olduğunda adresin kendisi hariç sender sayısının; Received_counters için ise hedef adresle ilişkili recipient sayısının sayıldığını açıklar. Table 2'nin kısa açıklama metni ile yöntem paragrafındaki yön terminolojisi farklı biçimde yazıldığı için burada yöntem paragrafının operasyonel açıklaması ayrıca korunmuştur.
Ethereum'a özgü ek özellikler
| Özellik | Açıklama |
|---|---|
| Create_contract | Contract creation sayısı. |
| Error_count | Hatalı işlem sayısı. |
| Total_gas_used | Kullanılan toplam Gas. |
| Total_gas_limit | İşlemlerde belirlenen toplam Gas Limit. |
| Total_gasP_set | Belirlenen toplam Gas Price. |
| Gas_limit_Variance | Belirlenen Gas Limit'in varyansı. |
| GasP_set_Variance | Belirlenen Gas Price'ın varyansı. |
| Gas_weight_block | Kaynak tanımında block başına average transaction cost ağırlığı. |
| ERC Interactions | Ethereum interaction davranışını ölçmek için 16 ek özellik. |
16 Ethereum interaction özelliği nasıl oluşuyor?
Kaynak dört ikili boyuttan oluşan bir tuple tanımlar:
Her boyut iki olası duruma sahip olduğundan kombinasyon sayısı:
olur. action, adresin gönderici veya alıcı olduğunu; with_contract, işlemin contract ile etkileşip etkileşmediğini; with_data, input data bulunup bulunmadığını; transaction_type ise işlemin internal veya normal transaction olduğunu belirtir.
Kaynağın verdiği örnekte From_contract_wod_internal, hedef adresin sender olduğu, smart contract ile interaction bulunduğu, input data bulunmadığı ve işlem türünün internal olduğu işlemleri sayar.
Token interaction verileri
Ethereum için ERC-20, ERC-721 ve ERC-1155 ile etkileşimler ayrıca kaydedilir. Criminal adreslere ait token interaction dosyası kaynak sürümünde TI_C, benign adresler için TI_B olarak adlandırılmıştır.
Token contract adreslerinin uzun metinlerini her satırda tekrar etmek yerine çalışmada Identifier.tsv adlı indeks dosyası kullanılmıştır. Kaynak Table 4 bu dosyada 910.864 token identifier bulunduğunu gösterir. ERC-721 veya ERC-1155'te token ID gerekiyorsa contract address'e token ID eklenerek ayrı identifier oluşturulur.
Adres toplama ve profil çıkarma zinciri
Criminal adresler nasıl etiketleniyor?
Araştırmacılar Chainabuse.com'daki raporları 30 Mayıs 2024'e kadar crawler'larla toplamıştır. Her raporda suspect address ile kullanıcı tarafından belirtilen cybercrime category bilgisi alınmıştır.
Kaynak burada önemli bir etiket kalitesi sorununu açıkça kabul eder: rapor veren mağdurların uzmanlık seviyesi farklı olduğu için kategoriler tutarlı değildir. Örneğin “Other: Disguise as my friend” ifadesi Impersonation Scam kapsamına alınabilir; blackmail, mail scam, spam ve yazım hatalı benzer ifadeler Blackmail Scam altında birleştirilir.
“2x”, “3x” veya “multiplier” gibi çoklu yatırım getirisi vaat eden ifadeler Investment Scam altında gruplanır. Kaynak bu geniş kategorinin Ponzi Scheme, Rug Pull, Airdrop Scam ve Giveaway Scam gibi alt davranışları içerebildiğini belirtir. “Elon Musk” benzeri celebrity referansları Impersonation Scam; YouTube/Twitter gibi sosyal medya referansları Social Media Scam olarak sınıflandırılır. Ayrıntısı yetersiz bazı raporlar Other altında tutulur; “Other: Sent by mistake” gibi scam olmayan raporlar çıkarılır.
Bu süreç ground-truth'un tamamen otomatik ve hatasız olmadığı anlamına gelir. Etiketler gerçek mağdur raporlarından gelir, ancak kategori standardizasyonunun bir bölümü araştırmacıların manuel aggregation ve keyword kararlarına dayanır.
Benign adresler nasıl seçiliyor?
Yazarların benign-selection yaklaşımı, popüler merkezi borsaların anti-money-laundering amacıyla sıkı KYC uyguladığı varsayımına dayanır. WalletExplorer ve Etherscan'den bazı exchange hot-wallet adresleri seed olarak seçilir.
Bir hot-wallet'ın outgoing işlemlerindeki, sender adresinden farklı next-hop adresleri benign kabul edilir. Ethereum'da token transferi smart contract üzerinden gerçekleşebildiği için doğrudan contract adresinin gerçek alıcı sayılması hatalı olabilir. Kaynak bu durumda transaction input verisi `0xa9059cbb` ile başlıyorsa ERC-20 transfer fonksiyonunu ayrıştırıp gerçek next-hop token recipient adresini çıkarmaya çalışır.
Incoming işlemlerde exchange deposit address yapıları borsadan borsaya değiştiği için previous-hop adresin gerçek kullanıcı mı yoksa yine borsaya ait bir deposit address mi olduğunu belirlemek daha zordur. Araştırmacılar bu nedenle benign adresleri yalnız exchange-wallet output'larından toplamıştır.
Aynı adres hem criminal hem benign etiketlenmişse veri kümesinden çıkarılmıştır.
Buradaki “benign” etiketi metodolojik bir sınıf tanımıdır. Exchange output'undan seçilmiş olmak, tek başına bir blockchain adresinin bütün tarihsel faaliyetlerinin hukuken veya fiilen temiz olduğunu kanıtlayan bağımsız doğrulama değildir.
Çalışmanın Yöntemi ve Bulguları
Real-CATS v1 veri kümesinin büyüklüğü
| Blockchain / veri kümesi | Criminal | Benign | Toplam | Profil özelliği |
|---|---|---|---|---|
| Bitcoin — Real-CATS | 90.612 | 90.176 | 180.788 | 32 |
| Ethereum — Real-CATS | 12.591 | 16.020 | 28.611 | 52 |
| Real-CATS toplam | 103.203 | 106.196 | 209.399 | Blockchain'e göre 32 / 52 |
| Ethereum — Sup-CATS | 3.147 | 11.058 | 14.205 | Ethereum profili |
Bu sayılar özellikle yüklenen 26 Ocak 2025 arXiv v1 sürümüne aittir. Kamu deposunun daha sonraki sürümlerinde veri sayıları değişmiştir; farklı sürümlerin sayıları tek veri setiymiş gibi birleştirilmemelidir.
İşlenen blockchain transaction hacmi
| Blockchain | İlgili transaction sayısı | İşlem ayrımı |
|---|---|---|
| Bitcoin | 39.752.469 | Full-node ledger üzerinde hedef adresleri içeren işlemler. |
| Ethereum | 23.436.690 | Internal, normal, ERC-20, ERC-721 ve ERC-1155 bölümleri. |
Sıfır bakiye örüntüsü
Kaynak, criminal adreslerin yasa dışı geliri aldıktan sonra başka adrese taşıma eğiliminin sıfır bakiye davranışıyla ilişkilendirilebileceğini önceki çalışmalar üzerinden tartışır. Ancak bu örüntü deterministik değildir: sıfır bakiye tek başına criminal etiket anlamına gelmez ve benign adreslerde de görülebilir.
| Blockchain | Criminal adreslerde sıfır bakiye | Benign adreslerde sıfır bakiye |
|---|---|---|
| Bitcoin | %90,70 | %76,56 |
| Ethereum | %50,06 | %20,77 |
Bitcoin'de iki grup arasındaki fark yaklaşık 14 yüzde-puan, Ethereum'da yaklaşık 29 yüzde-puandır. Bu farkların istatistiksel significance testi kaynakta raporlanmadığından yalnız betimleyici dağılım farkı olarak yorumlanmalıdır.
Lifetime örüntüsü
| Blockchain | Criminal adres | Benign adres | Yorum |
|---|---|---|---|
| Bitcoin | %60'ı 31,10 günden kısa | %60'ı 84,94 günden kısa | Benign dağılım daha uzun yaşam süresine kayıyor. |
| Bitcoin | %4,09'u 1.000 günden uzun | %14,43'ü 1.000 günden uzun | Uzun ömürlü adres payı benign grupta daha yüksek. |
| Ethereum | 100 gün içinde olanların oranı yaklaşık %60 | 100 gün içinde olanların oranı %34,09 | Criminal CDF daha hızlı yükseliyor. |
Kaynak bu örüntüyü Short-Life pattern olarak tartışır. Ancak criminal ve benign dağılımlar üst üste bindiğinden Lifetime tek başına kusursuz sınıflandırıcı değildir. Aslında yazarların “Comprehensiveness” savının bir bölümü de burada yatar: Real-CATS'te sınıflar mevcut daha temiz veri kümelerindeki kadar yapay biçimde ayrışmamaktadır.
Mevcut Bitcoin veri kümeleriyle davranış dağılımı karşılaştırması
Araştırmacılar Elliptic ve başka bir illicit Bitcoin address veri kümesini birleştirip duplicate kayıtları çıkardığında 21.346 criminal adres elde eder. Kaynak Figure 3'te bu mevcut veri kümelerindeki criminal adreslerin neredeyse tamamının sıfır bakiye ve kısa yaşam süresi gibi çok belirgin örüntüler taşıdığını bildirir.
Yazarların yorumu, bu kadar belirgin bir ayrımın classifier için gerçek hayattan daha kolay bir problem yaratabileceğidir. Real-CATS'in daha dağınık davranış örüntüleri içermesini bu nedenle bir kusur değil, gerçek dünya çeşitliliğini daha iyi kapsama girişimi olarak değerlendirirler.
Bu sonuç “Real-CATS bütün gerçek dünya dağılımını eksiksiz temsil ediyor” anlamına gelmez. Yalnız seçilen karşılaştırma özelliklerinde daha az aşırı ayrışmış bir dağılım sunduğunu gösterir.
t-SNE görselleştirmesi ne gösteriyor?
Kaynak, sayısal profil özelliklerini standardize ederek Bitcoin ve Ethereum için t-SNE görselleştirmesi oluşturur. Criminal örnekler kırmızı, benign örnekler mavi gösterilir ve yazarlar örneklerin büyük bölümünde görünür sınıf ayrımı bulunduğunu belirtir.
t-SNE burada classifier değildir. Yüksek boyutlu profil yapısını iki boyutta görselleştirmek için kullanılmıştır. Ayrıca kaynak PDF, iki boyutlu t-SNE koordinatlarını tablo halinde vermediği için Verianla bu dağılımı tahmini noktalarla yeniden çizmemektedir. Görsel ayrışma, tek başına out-of-sample classification accuracy değildir.
Makine öğrenmesi değerlendirme düzeni
Araştırmacılar profillerdeki sayısal özellikleri kullanarak beş klasik makine öğrenmesi yöntemi test eder:
- SVM — RBF kernel;
- k-NN — \(k=5\);
- Decision Tree;
- Random Forest — 100 estimator;
- LightGBM.
İşlem kaydı bulunmayan adresler bu classification deneyinden çıkarılır. Dataset 7:3 train/test oranıyla bölünür ve training set içinde gerçek dünyadaki class imbalance korunur. Sonuçlar 5-fold cross-validation ortalamaları olarak verilir.
First_time gibi absolute timestamp özellikleri eğitimden çıkarılmıştır. Yazarların gerekçesi, modelin belirli bir tarih aralığını criminal davranışın kendisi sanarak gelecekteki adreslere genellenemeyen bir tarih ezberlemesini engellemektir.
Precision, Recall, F1-score ve Accuracy nasıl okunmalıdır?
Aşağıdaki denklemler bu çalışmanın yeni bulgusu değil, kaynakta kullanılan sınıflandırma metriklerinin standart öğretici tanımlarıdır. Criminal adres pozitif sınıf kabul edildiğinde:
Precision, modelin criminal dediği adreslerin ne kadarının gerçekten criminal sınıfında olduğunu ölçer.
Recall, gerçek criminal adreslerin ne kadarının model tarafından yakalandığını ölçer.
F1-score precision ve recall arasındaki harmonik ortalamadır.
Accuracy bütün doğru kararların tüm örneklere oranıdır. Class imbalance bulunan problemlerde tek başına accuracy yeterli değildir; kaynak da bu nedenle precision, recall ve F1-score'u criminal sınıf için ayrıca raporlamaktadır.
Profil tabanlı beş modelin sonuçları
| Model | Ethereum | Bitcoin | ||||||
|---|---|---|---|---|---|---|---|---|
| Precision | Recall | F1 | Accuracy | Precision | Recall | F1 | Accuracy | |
| SVM | 0.8710 | 0.3522 | 0.5015 | 0.7116 | 0.6890 | 0.1750 | 0.2800 | 0.7142 |
| k-NN | 0.7854 | 0.6508 | 0.7117 | 0.7828 | 0.7672 | 0.7717 | 0.7689 | 0.7717 |
| Decision Tree | 0.7825 | 0.7834 | 0.7829 | 0.8210 | 0.6985 | 0.6997 | 0.6991 | 0.8096 |
| Random Forest | 0.9085 | 0.8237 | 0.8640 | 0.7116* | 0.8294 | 0.7234 | 0.7726 | 0.8654 |
| LightGBM | 0.9187 | 0.8520 | 0.8840 | 0.9080 | 0.8130 | 0.7712 | 0.7916 | 0.8716 |
*Kaynak tutarlılık notu: Ethereum Random Forest için 0.7116 accuracy değeri PDF Table 5'te aynen bu şekilde basılmıştır. Precision=0.9085, Recall=0.8237 ve F1=0.8640 ile aynı binary evaluation set altında standart confusion-matrix ilişkileri açısından birlikte tutarlı görünmediği için Verianla bu değeri düzeltmemiş, kaynak değeri olarak işaretlemiştir.
Kaynak değerleri üzerinden LightGBM, Ethereum'da precision, recall, F1-score ve accuracy bakımından en yüksek tablolanmış sonuçları üretir. Bitcoin'de en yüksek precision Random Forest'a, en yüksek recall, F1-score ve accuracy ise LightGBM'e aittir.
Customizability: transaction graph ve Trans2Vec
Real-CATS yalnız sabit profil tablosu olarak bırakılmamıştır. Araştırmacılar ayrıntılı işlem kayıtlarından transaction participant, timestamp ve amount bilgilerini kullanarak weighted multidigraph oluşturulabileceğini gösterir.
Demonstrasyon için 1:1 criminal/benign oranına sahip 2.500 adres rastgele örneklenmiş, birinci derece komşular eklenerek graph 47.009 adrese genişletilmiştir. Train/test oranı 7:3'tür. Trans2Vec parametrelerinin kaynak çalışmadaki orijinal ayarlarla kullanıldığı belirtilmiştir; bu PDF Trans2Vec'in bütün hiperparametrelerini yeniden listelememektedir.
| Precision | Recall | F1-score | Accuracy |
|---|---|---|---|
| 0.8976 | 0.9261 | 0.9116 | 0.9348 |
Yazarlar bu sonucu customizability için kanıt olarak kullanmaktadır: transaction records, kullanıcıların profile-based yöntemlerin ötesine geçerek graph representation veya node-embedding yöntemleri için farklı veri yapıları üretmesine izin verir.
Buna karşılık araştırmacılar node-embedding yöntemlerinin büyük transaction graph oluşturma ve training overhead'i gerektirdiğini, ayrıca transductive yöntemlerin yeni adresleri gerçek zamanlı tespit etmekte zorlanabileceğini belirtir. Bu nedenle Trans2Vec'i Sup-CATS gerçek-dünya senaryosunda test etmemişlerdir.
Sup-CATS Neden Normal Bir Rastgele Test Bölmesinden Farklıdır?
Sup-CATS, Real-CATS'ten rastgele ayrılmış aynı dönem örneklerinden oluşmaz; 12 Ağustos 2024'te Ethereum'da aktif olan adreslerden ayrıca oluşturulmuş, training verisinden zamansal olarak daha yeni bir test kümesidir. Amaç, modelin geçmiş veriden öğrendiği örüntüleri daha sonraki bir günlük blockchain snapshot'ında ne kadar koruyabildiğini değerlendirmektir; bu yapı gerçek üretim deployment'ının tam eşdeğeri değil, ona yaklaşmayı amaçlayan kontrollü bir test senaryosudur.
Sup-CATS nasıl oluşturuldu?
Araştırmacılar 12 Ağustos 2024'teki bütün 7.161 Ethereum block üzerinde tarama yapmıştır. Criminal sınıf için Etherscan tarafından etiketlenmiş 3.147 adres toplanmıştır.
Benign sınıf için aynı gün aktif olan unlabeled adreslerden %1 olasılıkla örnekleme yapılarak 11.058 adres seçilmiştir. Kaynak bu unlabeled örnekleri benign olarak kullanır.
Burada önemli bir yorum sınırı vardır: unlabeled olmak kriptografik veya hukuki olarak “kesin benign” olduğunun bağımsız kanıtı değildir. Bu, çalışmanın test veri kümesini kurmak için kullandığı operasyonel etiketleme yaklaşımıdır.
Sup-CATS confusion matrix sonuçları
Kaynak Table 6'nın basılı “Prediction / Truth” başlıkları, sayıların class-error aritmetiği ve hemen sonraki metinle ters yönde görünmektedir. Aşağıdaki tablo, kaynakta bulunan dört hücre sayısını değiştirmeden, class-error hesapları ve yazarların “Random Forest %74,9 criminal adres tespit etti” ifadesiyle tutarlı semantik yerleşimde sunar. Bu yeniden düzenleme yeni deney sonucu değildir; kaynak tablosunun anlaşılmasını sağlayan tutarlılık gösterimidir.
| Model | Gerçek sınıf | Benign tahmin | Criminal tahmin | Kaynak class error |
|---|---|---|---|---|
| Random Forest | Benign | 8.148 | 2.907 | %26,3 |
| Random Forest | Criminal | 790 | 2.357 | %25,1 |
| LGBM | Benign | 8.379 | 2.676 | %24,2 |
| LGBM | Criminal | 2.834 | 313 | %90,1 |
Random Forest için criminal-class detection rate:
Bu değer yazarların metindeki “detecting 74.9% of the criminal addresses” cümlesiyle tam olarak uyumludur.
LGBM için aynı criminal-class oran:
Bu değer standart terminolojide criminal-class recall/detection rate hesaplamasına karşılık gelir. Kaynak prose'u bunu “9.9% precision” olarak adlandırmaktadır. Verianla kaynak terimini sessizce tekrar edip yanlış metriğe dönüştürmemek için bu tutarsızlığı açık bırakmaktadır.
Tablo hücrelerinin toplamı:
olurken kaynak Sup-CATS'i:
adres olarak tanımlar. Aradaki üç kayıtlık fark kaynakta açıkça açıklanmamıştır. Section 4.1'de işlem kaydı olmayan adreslerin classification deneyinden filtrelendiği belirtilse de Section 4.3 bu üç kaydın aynı nedenle çıkarıldığını doğrudan söylemez; dolayısıyla neden tahmin edilmemelidir.
Yüksek Rastgele Test Başarısı Gerçek Dünyada Aynı Performansı Garanti Eder mi?
Hayır. Bu çalışmada LGBM Real-CATS üzerindeki standart profil değerlendirmesinde Ethereum için 0,9080 accuracy ve 0,8520 recall üretirken, zamansal olarak daha yeni Sup-CATS senaryosunda criminal sınıfın doğru yakalanma oranı yaklaşık %9,9'a düşmektedir; Random Forest ise aynı Sup-CATS senaryosunda criminal adreslerin yaklaşık %74,9'unu yakalamaktadır. Bu fark, model sıralamasının veri dağılımı ve deployment koşulu değiştiğinde değişebileceğini gösterir ve yalnız rastgele train-test bölmesinin gerçek-dünya aktarılabilirliğini garanti etmediğini ortaya koyar.
Bu bulgu Real-CATS çalışmasının en öğretici sonuçlarından biridir. Table 5'te en güçlü görünen modelin yeni dağılımda en güçlü kalmaması, dataset quality değerlendirmesinde yalnız yüksek in-sample veya random-split score'a odaklanmanın yetersiz olabileceğini gösterir.
Bununla birlikte Sup-CATS tek bir günün Ethereum verisine dayanır. Dolayısıyla sonuç “LGBM gerçek dünyada genel olarak kötü bir algoritmadır” veya “Random Forest gelecekte her zaman daha iyidir” şeklinde genellenemez.
Yüksek false-positive yükünün önemi
Random Forest criminal recall açısından LGBM'den çok daha başarılı olsa da kaynak yüksek false-positive oranının detection performance'ı ciddi biçimde etkilediğini açıkça kabul eder.
Kaynak matrisinin tutarlı okumasında Random Forest 11.055 benign test adresinin 2.907'sini criminal olarak işaretlemektedir. Bu nedenle yalnız criminal adreslerin %74,9'unu yakalamak deployment için tek başına yeterli değildir; yanlış alarm yükü de dikkate alınmalıdır.
Yazarlar daha karmaşık ve sistematik criminal-address filtering yöntemlerinin bu false positives'i azaltabileceğini öne sürmektedir. Bu ifade gelecek çalışma yorumu niteliğindedir; mevcut deney böyle bir filtering sisteminin gerçekten ne kadar iyileştirme sağlayacağını ölçmemiştir.
Çalışmanın desteklediği sonuçlar
- Yüklenen v1 sürümünde Real-CATS, Bitcoin ve Ethereum üzerinde 103.203 criminal ve 106.196 benign adres içeren geniş etiketli bir veri kümesi sunmaktadır.
- Bitcoin için 32 ve Ethereum için 52 profil özelliği çıkarılmıştır.
- Kaynak, ayrıntılı transaction records ve Ethereum token interaction verilerini de veri kümesine dahil etmektedir.
- Bitcoin ve Ethereum criminal/benign adreslerinde sıfır bakiye ve Lifetime dağılımları farklıdır.
- Real-CATS'teki criminal örnekler, karşılaştırılan mevcut Bitcoin criminal dataset'lerine göre daha az aşırı ve daha geniş davranış dağılımı göstermektedir.
- Profil özellikleri beş klasik classifier tarafından kullanılabilecek ayrım bilgisi taşımaktadır.
- Kaynak Table 5'te LightGBM Ethereum için en yüksek tablolanmış precision, recall, F1 ve accuracy değerlerini üretmektedir.
- Transaction records kullanılarak graph oluşturulabilir ve Trans2Vec gibi node-embedding yöntemleri uygulanabilir.
- Sup-CATS deneyi model performansının yeni bir temporal dağılıma geçildiğinde ciddi biçimde değişebileceğini göstermektedir.
- Random Forest, kaynak anlatımına göre Sup-CATS'teki criminal adreslerin %74,9'unu tespit etmektedir.
- Kaynak veri ve ayrıntılı transaction records'u kamuya açık biçimde paylaşmayı amaçlamaktadır.
Çalışmanın desteklemediği sonuçlar
- Real-CATS etiketi bir blockchain adresinin hukuken suçlu olduğunun kesin kanıtı değildir.
- Exchange hot-wallet output'undan seçilen bütün adreslerin mutlak biçimde benign olduğu bağımsız olarak kanıtlanmamıştır.
- Sup-CATS'teki unlabeled adreslerin tamamının kesin benign olduğu gösterilmemiştir.
- Sıfır bakiye veya kısa Lifetime tek başına criminal address kararı vermek için yeterli değildir.
- t-SNE'deki görsel ayrım gerçek-dünya classification accuracy ile aynı ölçü değildir.
- Table 5'te yüksek score alan modelin production ortamında aynı score'u koruyacağı gösterilmemiştir.
- Random Forest'ın bütün gelecekteki Ethereum adreslerinde LGBM'den üstün olacağı gösterilmemiştir.
- Sup-CATS bütün gerçek dünya deployment koşullarını temsil etmez; tek günlük Ethereum snapshot'ına dayanmaktadır.
- C3R'nin Polygon veya Solana'ya uygulanabileceği yazarların gelecek çalışma önerisidir; bu çalışma bu blockchain'lerde doğrulama yapmamıştır.
- Veri setinin büyük olması tek başına label noise veya sampling bias bulunmadığını göstermez.
Çalışmanın temel sınırlılıkları ve yeniden üretilebilirlik sınırları
Etiket kaynağı: Criminal etiketler gerçek abuse reports'tan gelir; ancak report categories farklı uzmanlık düzeyindeki kullanıcılar tarafından oluşturulduğundan manuel aggregation gerekmektedir.
Benign-selection varsayımı: Borsa müşterilerinin hot-wallet output'ları, merkezi borsaların KYC uyguladığı varsayımı altında benign sınıfa dahil edilmektedir. Bu bir label-construction yöntemidir; bağımsız hukuki temizlik doğrulaması değildir.
Sup-CATS benign sınıfı: Aynı gün aktif unlabeled adreslerin %1'i benign olarak örneklenmiştir. Unlabeled ile guaranteed-benign eş anlamlı değildir.
Blockchain kapsamı: Ana çalışma Bitcoin ve Ethereum ile sınırlıdır.
Temporal coverage: Criminal-report collection 30 Mayıs 2024'e kadar olan raporları kullanmaktadır. Yeni suç tipleri veya sonraki davranış değişimleri bu snapshot'ta bulunmayabilir.
Model kapsamı: Profil tabanlı demonstration yalnız beş klasik modelle; graph customizability demonstration ise Trans2Vec örneğiyle yapılmıştır. Bütün olası detection architectures test edilmemiştir.
Table 5 kaynak tutarsızlığı: Ethereum Random Forest accuracy değeri diğer raporlanan metriklerle içsel olarak tutarlı görünmemektedir.
Table 6 kaynak tutarsızlığı: Basılı Prediction/Truth yönü class-error arithmetic ve metindeki detection-rate yorumuyla uyuşmamaktadır.
Table 6 metrik adlandırması: LGBM için metinde “9.9% precision” denirken matris aritmetiği aynı değerin criminal recall/detection rate olduğunu göstermektedir.
Sup-CATS kayıt sayısı: Açıklanan toplam 14.205 adres ile confusion matrix'in 14.202 kayıt toplamı arasında üç kayıtlık açıklanmamış fark vardır.
Sürüm farkı: Yüklenen arXiv v1'in veri büyüklüğü daha sonraki kamu repository sürümüyle aynı değildir. Reprodüksiyon yapılacaksa kullanılan dataset snapshot/version açıkça sabitlenmelidir.
Etik çerçeve
Yazarlar Ethics Considerations bölümünde topladıkları verilerin kamuya açık blockchain ledger'larından veya veri tabanlarından geldiğini ve gerçek kişisel bilginin açığa çıkarılmadığını belirtmektedir.
Aynı bölümde araştırmanın privacy concerns'u ele almadığı da açıkça söylenir. Dolayısıyla “veriler halka açık olduğu için hiçbir etik veya mahremiyet sorunu yoktur” şeklinde daha geniş bir sonuç çalışmadan çıkarılmamalıdır.
Open Science
Kaynak sürümü bütün önerilen dataset'lerin GitHub'daki sjdseu/Real-CATS deposunda paylaşıldığını; 7 Real-CATS dosyası, 1 Sup-CATS dosyası ve adreslere ait ayrıntılı transaction records sağlandığını bildirir.
Ancak “open-sourced” kelimesi tek başına yeniden kullanım lisansını belirlemez. Kaynak PDF'de veya bu bibliyografik kontrolde bütün dataset için açık bir Creative Commons/OSI lisansı doğrulanmadığı için yeniden kullanım koşulları ayrıca kontrol edilmelidir.
En güvenli bilimsel sonuç
Real-CATS'in asıl katkısı “en iyi suç tespit algoritmasını” sunmak değildir. Çalışma, criminal ve benign blockchain adreslerini; profil özellikleri, ayrıntılı transaction records ve Ethereum token interaction verileriyle daha açık ve yeniden kullanılabilir bir değerlendirme zemini altında toplama girişimidir.
Çalışmanın özellikle güçlü mesajı, veri setinin kendisinin model değerlendirmesinin ayrılmaz bir parçası olduğudur. Temiz ve rastgele ayrılmış test verisinde güçlü görünen bir classifier, temporally newer ve daha gerçekçi bir test dağılımında aynı performansı göstermeyebilir. Sup-CATS'teki Random Forest–LGBM ayrışması bunun çalışma içindeki en belirgin örneğidir.
Bu nedenle Real-CATS en doğru biçimde bir araştırma altyapısı ve benchmark adayı olarak okunmalıdır. Adres etiketlerini adli karar, model metric'lerini üretim garantisi veya tek günlük Sup-CATS sonucunu bütün gelecekteki blockchain davranışlarının kesin temsili olarak yorumlamak çalışmanın sınırlarını aşar.
Kaynak ve Yöntem Notu
Özgün başlık: Real-CATS: A Practical Training Ground for Emerging Research on Cryptocurrency Cybercrime Detection
Türkçe yayın başlığı: Real-CATS: Kripto Para Siber Suç Tespitinde Gelişen Araştırmalar İçin Pratik Bir Çalışma ve Eğitim Ortamı
Yazarlar: Jiadong Shi; Chunyu Duan; Hao Lei; Liangmin Wang.
Yazar sırası: Kaynak PDF'deki sıra aynen korunmuştur.
Kurum: Southeast University. Yüklenen PDF ilk sayfada dört yazar için bu kurumu vermekte, daha ayrıntılı department bilgisi vermemektedir.
Corresponding author: Liangmin Wang.
Corresponding author e-posta: liangmin@seu.edu.cn.
Eş katkı: Yüklenen kaynakta eş birinci yazar/eş katkı bildirimi tespit edilmemiştir.
Yüklenen kaynak sürümü: arXiv:2501.15553v1 [cs.CR].
Yüklenen sürüm tarihi: 26 Ocak 2025.
2026 DOI ilişkisi: 10.23919/NANACPS00070.2026.00020, yüklenen dosyanın OpenAlex eşlemesinde ve OpenAlex-türevli bibliyografik indekslerde bu başlıkla ilişkilendirilmektedir. DOI, yüklenen arXiv v1 PDF'nin kendi sayfalarında basılı değildir.
Version-of-record notu: Bu incelemede resmî IEEE yayın sayfasının conference name, proceedings title, sayfa/makale numarası ve lisans metadata'sı bağımsız biçimde doğrulanamadığı için bu alanlar uydurulmamıştır. Ana bilimsel içerik yüklenen arXiv v1'e dayanır.
Kaynak türü: Veri kümesi oluşturma ve ampirik makine öğrenmesi değerlendirme çalışması; yüklenen dosya preprint sürümüdür.
Hakemlik: Yüklenen arXiv v1 kendi başına hakemli version of record değildir. 2026 DOI ile ilişkili sonraki yayın kaydının hakemlik/venue ayrıntıları bu kontrolde doğrulanamadığından kesin sınıflandırma yapılmamıştır.
Preprint–sonraki sürüm farkı: Kamuya açık daha sonraki repository ve SSRN kayıtlarında dataset büyüklüğü yüklenen v1'den farklıdır. Bu makalede v1 sayıları korunmuş ve sürümler birleştirilmemiştir.
Ana veri kümeleri: Real-CATS ve Sup-CATS.
Blockchain'ler: Bitcoin ve Ethereum.
Criminal label kaynağı: 30 Mayıs 2024'e kadar Chainabuse abuse reports.
Benign-selection kaynağı: WalletExplorer ve Etherscan üzerinden exchange hot-wallet seed'lerinin outgoing next-hop adresleri.
Benign-selection varsayımı: Popüler merkezi borsaların KYC uygulamalarının exchange customer adreslerini benign örnek için daha güvenilir aday haline getirdiği varsayımı.
Çakışan etiketler: Hem benign hem criminal olarak görülen adresler çıkarılmıştır.
Bitcoin profil işlem sayısı: 39.752.469.
Ethereum profil işlem sayısı: 23.436.690.
Bitcoin profil boyutu: 32 özellik.
Ethereum profil boyutu: 52 özellik.
Ethereum işlem bölümleri: internal, normal, ERC-20, ERC-721, ERC-1155.
Token identifier sayısı: Kaynak v1 Identifier.tsv için 910.864 identifier raporlamaktadır.
Exchange-rate kaynağı: Investing.com; günlük kur verileri USD tabanlı profil özelliklerinde kullanılmıştır.
Profil classification modelleri: SVM, k-NN, Decision Tree, Random Forest, LightGBM.
SVM ayarı: RBF kernel.
k-NN ayarı: 5 komşu.
Random Forest ayarı: 100 estimator.
Train/test ayrımı: 7:3.
Cross-validation: Kaynak Table 5 sonuçlarını 5-fold cross-validation mean metrics olarak raporlamaktadır.
Class imbalance: Training set'te korunmuştur.
Training'den çıkarılan özellik: First_time gibi absolute timestamp özellikleri geleceğe genellenmeyi bozabileceği gerekçesiyle kullanılmamıştır.
Değerlendirme metrikleri: Precision, Recall, F1-score ve Accuracy; kaynak ilk üç metriğin criminal sınıf için raporlandığını belirtmektedir.
Customizability deneyi: 2.500 başlangıç adresi, 1:1 criminal/benign; birinci derece komşularla 47.009 node'a genişletilmiş transaction graph; Trans2Vec; 7:3 train/test.
Trans2Vec sonucu: Precision 0.8976; Recall 0.9261; F1-score 0.9116; Accuracy 0.9348.
Sup-CATS tarihi: 12 Ağustos 2024.
Sup-CATS block sayısı: 7.161 Ethereum block.
Sup-CATS criminal: 3.147 Etherscan-labeled adres.
Sup-CATS benign: 11.058 unlabeled active adres; kaynak bunları %1 sampling ile benign sınıfa dahil etmektedir.
Sup-CATS önemli sonuç: Yazarların kaynak anlatımında Random Forest criminal adreslerin %74,9'unu tespit etmektedir. LGBM için verilen %9,9 değeri confusion-matrix arithmetic açısından criminal-class recall/detection rate ile uyuşmakta, ancak prose'da precision olarak adlandırılmaktadır.
Table 5 QA notu: Ethereum Random Forest Accuracy=0.7116 değeri aynı satırdaki Precision=0.9085, Recall=0.8237 ve F1=0.8640 ile standart binary metric ilişkileri açısından tutarlı görünmemektedir. Değer değiştirilmemiştir.
Table 6 QA notu: Basılı Prediction/Truth başlık düzeni class-error hesapları ve metindeki %74,9 detection açıklamasıyla ters görünmektedir. Sayılar korunmuş, tutarlı semantik okuma ayrıca açıklanmıştır.
Sup-CATS örneklem QA notu: Açıklanan 14.205 adres ile Table 6'nın 14.202 hücre toplamı arasında açıklanmamış üç kayıt farkı vardır.
Ethics: Yazarlar verilerin kamuya açık blockchain ledger/database kaynaklarından toplandığını, gerçek personal information'a maruz kalmadıklarını ve çalışmalarının privacy concerns'u ele almadığını belirtmektedir.
Open Science: Kaynak, veri dosyalarının GitHub'daki sjdseu/Real-CATS deposunda ve ayrıntılı transaction records'un kamuya açık olarak paylaşıldığını belirtmektedir.
Lisans: Yüklenen PDF'nin veya veri deposunun tamamını kapsayan exact açık yeniden kullanım lisansı bu incelemede doğrulanamamıştır. “Open-sourced” ifadesi tek başına Creative Commons/OSI lisansı olarak yorumlanmamıştır.
Finansman: Yüklenen sürümde ayrı funding/acknowledgment statement tespit edilmemiştir.
Çıkar çatışması: Yüklenen sürümde ayrı Conflict of Interest / Competing Interests bildirimi tespit edilmemiştir.
Yazar katkıları: Ayrı CRediT / Author Contributions bildirimi tespit edilmemiştir.
Görsel yeniden inşa: Kaynak Figure 1 süreç ilişkileri bağımsız inline SVG olarak yeniden oluşturuldu. Figure 2 ve Figure 4'te açıkça verilen sıfır-bakiye oranları exact source values ile özgün SVG olarak çizildi. Figure 5 t-SNE koordinatları bulunmadığından sahte dağılım üretilmedi.
Temel yorum sınırı: Dataset label'ları adli hüküm değildir; random-split model score'ları production guarantee değildir; Sup-CATS tek günlük Ethereum senaryosudur ve bütün gelecekteki blockchain dağılımlarına otomatik genellenemez.
Bir yorum bırakın
E-posta adresiniz yayınlanmayacaktır. Gerekli alanlar * ile işaretlenmiştir