Utafiti wa kitaaluma, lugha inayoeleweka

Verianla | Akademik Araştırmalardan Türkçe Ekonomi ve Bilim İçerikleri

19 Novemba 2026, Alhamisi
VERİANLA Uchapishaji huru wa sayansi
Fungua au funga menyu
...
Home / Sayansi za Jamii / Uchumi wa Kifedha / Real-CATS: Mazingira ya Kivitendo ya Kazi na Mafunzo kwa Utafiti Unaoendelea wa Kugundua Uhalifu wa Mtandaoni wa Sarafu za Kidijitali
Uchumi wa Kifedha

Real-CATS: Mazingira ya Kivitendo ya Kazi na Mafunzo kwa Utafiti Unaoendelea wa Kugundua Uhalifu wa Mtandaoni wa Sarafu za Kidijitali

Real-CATS (Real-world dataset of Cryptocurrency Addresses with Transaction profileS) ni mkusanyiko wa data za utafiti unaotegemea ulimwengu halisi, ulioundwa kutoa anwani za blockchain kwenye Bitcoin na Ethereum zinazohusishwa na uhalifu na kuwekwa lebo kama benign, pamoja na profaili zao za kitakwimu za miamala na rekodi za kina za miamala.

16/11/2026  Veri Anla  Imetazamwa mara 167
Real-CATS: Mazingira ya Kivitendo ya Kazi na Mafunzo kwa Utafiti Unaoendelea wa Kugundua Uhalifu wa Mtandaoni wa Sarafu za Kidijitali

Real-CATS (Real-world dataset of Cryptocurrency Addresses with Transaction profileS), ni mkusanyiko wa data za utafiti unaotegemea mazingira ya ulimwengu halisi, ulioundwa ili kutoa anwani za blockchain kwenye Bitcoin na Ethereum ambazo zimehusishwa na uhalifu na kuwekwa lebo kama benign, pamoja na profaili zao za kitakwimu za miamala na rekodi za kina za miamala. Katika toleo la arXiv v1 lililopakiwa, Real-CATS ina anwani 103.203 za criminal na anwani 106.196 za benign. Lebo za criminal zimetokana na ripoti halisi za waathiriwa watumiaji, huku anwani za benign zikitokana na miamala inayotoka kwenye hot-wallet za masoko ya kubadilishia fedha yaliyo kati. Watafiti hutathmini mkusanyiko huu wa data kwa kutumia sifa nne za C3R: Comprehensiveness, Classifiability, Customizability na Real-world Transferability. Mpaka muhimu zaidi wa tafsiri ya utafiti huu ni huu: Real-CATS si algoriti ya kugundua uhalifu wala mfumo unaothibitisha kisheria kwamba anwani fulani ni ya mhalifu; ni miundombinu ya data yenye lebo iliyoundwa kwa ajili ya kuendeleza, kulinganisha na kupima mbinu mbalimbali za ugunduzi katika hali za majaribio zilizo karibu zaidi na uhalisia.

Katika toleo lililopakiwa, anwani 90.612 za criminal ziko kwenye Bitcoin na 12.591 ziko kwenye Ethereum. Kati ya anwani za benign, 90.176 ziko kwenye Bitcoin na 16.020 ziko kwenye Ethereum. Anwani za Bitcoin zinawakilishwa kwa sifa 32, huku anwani za Ethereum zikiwakilishwa kwa sifa 52. Watafiti walichakata miamala 39.752.469 ya blockchain inayohusiana na Bitcoin na 23.436.690 ya Ethereum ili kutoa sifa za profaili. Profaili za Ethereum pia zinajumuisha mwingiliano wa token za ERC-20, ERC-721 na ERC-1155.

Katika uchunguzi wa Classifiability, tofauti zilionekana katika tabia za salio sifuri na muda wa uhai wa anwani za criminal na benign. Kwenye Bitcoin, %90,70 ya anwani za criminal zilizo na miamala zina salio sifuri, ilhali kiwango hicho ni %76,56 kwa anwani za benign. Muda wa uhai wa %60 ya anwani za criminal za Bitcoin ni chini ya siku 31,10, huku muda wa uhai wa %60 ya anwani za benign ukiwa chini ya siku 84,94. Sehemu ya anwani za Bitcoin zinazoishi zaidi ya siku 1.000 ni %4,09 katika kundi la criminal na %14,43 katika kundi la benign. Kwenye Ethereum, kiwango cha salio sifuri kiliripotiwa kuwa %50,06 kwa anwani za criminal na %20,77 kwa anwani za benign.

SVM, k-NN, Decision Tree, Random Forest na LightGBM zilitumika kutathmini uwezo wa sifa za profaili kutenganisha madarasa. Katika chanzo kilichopakiwa, LightGBM ilitoa kwa Ethereum 0,9187 precision, 0,8520 recall, 0,8840 F1-score na 0,9080 accuracy; na kwa Bitcoin 0,8130 precision, 0,7712 recall, 0,7916 F1-score na 0,8716 accuracy. Hata hivyo, kwa kuwa thamani ya 0,7116 accuracy katika mstari wa Ethereum Random Forest kwenye Table 5 hailingani kwa ndani na metriki nyingine katika mstari huo, inapaswa kuwasilishwa bila kubadilishwa lakini pamoja na onyo.

Katika jaribio la Customizability, watafiti walitumia majirani wa daraja la kwanza kutoka kwenye sampuli ndogo iliyosawazishwa ya anwani 2.500 ili kuunda transaction graph iliyopanuliwa yenye nodi 47.009 na kujaribu Trans2Vec. Trans2Vec iliripoti 0,8976 precision, 0,9261 recall, 0,9116 F1-score na 0,9348 accuracy. Jaribio hili linalenga kuonyesha kwamba kwa kutumia transaction records za kina, Real-CATS inaweza kutumiwa si tu kama feature table isiyobadilika, bali pia kama rasilimali inayoweza kubinafsishwa inayowezesha matumizi ya mbinu zinazotegemea graph.

Kwa tathmini ya Real-world Transferability, watafiti walichanganua block 7.161 za Ethereum tarehe 12 Agosti 2024 na kuunda mkusanyiko tofauti wa majaribio unaoitwa Sup-CATS. Chanzo kinataja anwani 3.147 za criminal na 11.058 za benign kwa Sup-CATS. Random Forest iliyofunzwa kwenye Real-CATS, kulingana na ripoti ya waandishi, iligundua %74,9 ya anwani mpya za criminal, huku LGBM ikipata upungufu mkubwa sana wa utendaji. Matokeo haya ni muhimu hasa: ukweli kwamba modeli ileile inaonyesha utendaji wa juu katika mgawanyo wa nasibu wa train-test hauhakikishi kwamba itaendelea kuwa na mafanikio yale yale kwenye anwani mpya zaidi zenye mgawanyo tofauti.

Tatizo kuu ambalo utafiti unajaribu kutatua

Katika ugunduzi wa uhalifu wa mtandaoni unaohusisha sarafu za kidijitali, kuwa na algoriti nzuri ya machine learning pekee haitoshi. Ili modeli itathminiwe kisayansi, lazima pia ijulikane ilifundishwa na kupimwa kwenye anwani zipi za criminal na benign na ililinganishwa vipi na tafiti nyingine. Hoja ya kuanzia ya watafiti ni kwamba, hasa katika tafiti za Ethereum, makusanyo mengi ya data hukusanywa kwa njia ya faragha, anwani zote hazishirikishwi, na namna ya kuchagua sampuli za benign hutofautiana kati ya tafiti.

Tatizo hili lina matokeo mawili. Kwanza, hata tafiti mbili tofauti zikatumia modeli ileile au modeli zinazofanana, viwango vya mafanikio vinaweza kutolinganishwa moja kwa moja kwa sababu ya makusanyo tofauti ya data. Pili, mbinu inayofanikiwa kwenye data yenye lebo chache au zilizo safi sana inaweza kupoteza utendaji inapohamishwa kwenye mgawanyo changamano zaidi wa ulimwengu halisi.

Kwa hiyo lengo kuu la Real-CATS si sana kubuni classifier mpya, bali kuunda mazingira ya kazi ambamo watafiti wanaweza kutathmini classifier tofauti na mbinu za graph-learning juu ya miundombinu ileile ya data inayotegemea ulimwengu halisi.

C3R ni nini na ina maana gani kwa Real-CATS?

C3R ni jina la pamoja la sifa nne ambazo waandishi hutumia kutathmini Real-CATS: Comprehensiveness humaanisha mgawanyo wa data kujumuisha tabia tofauti za criminal na benign; Classifiability humaanisha kuwepo kwa taarifa katika profaili za anwani zinazosaidia kutenganisha madarasa; Customizability humaanisha uwezekano wa kuunda sifa mpya au miundo ya graph kutoka kwenye rekodi ghafi za miamala; na Real-world Transferability humaanisha uwezo wa kujaribu modeli si tu kwenye sampuli za zamani zilizogawanywa kwa nasibu, bali pia kwenye data inayofanana na hali ya baadaye iliyo karibu na deployment halisi.

SifaMaelezo ya KiswahiliInatathminiwaje katika chanzo?Mpaka wa tafsiri
ComprehensivenessUjumuishaji mpanaLengo la kujumuisha mgawanyo mpana na usio wa bandia sana wa tabia za criminal na benign; kulinganisha mgawanyo wa tabia na existing datasets.Haimaanishi kwamba kila aina inayowezekana ya uhalifu wa sarafu za kidijitali imejumuishwa kikamilifu.
ClassifiabilityUwezo wa kutenganishwa kwa madarasaNguvu ya kutenganisha ya sifa za profaili inachunguzwa kwa kutumia salio sifuri, Lifetime, taswira ya t-SNE na classifier tano.Uwezo wa kutenganishwa kwa madarasa haumaanishi kwamba kila anwani itaainishwa bila makosa.
CustomizabilityUwezo wa kubinafsishwaMbali na majedwali ya profaili, rekodi za kina za miamala hushirikishwa; transaction graph huundwa na Trans2Vec hujaribiwa.Haithibitishwi kwamba kila modeli ya graph itaonyesha mafanikio yale yale.
Real-world TransferabilityUwezo wa kuhamishwa kwenda ulimwengu halisiUgunduzi wa anwani mpya zaidi za criminal hujaribiwa kwenye Sup-CATS ya tarehe 12 Agosti 2024.Hili si hakikisho la utendaji katika migawanyo yote ya data ya baadaye kwenye mazingira ya uzalishaji.

Kwa nini Bitcoin na Ethereum hazimodeliwi kwa njia ileile?

Bitcoin na Ethereum zina modeli tofauti za miamala. Bitcoin kwa kiasi kikubwa hutegemea modeli ya UTXO — Unspent Transaction Output, ilhali Ethereum ni mfumo unaotegemea akaunti. Tofauti hii huathiri moja kwa moja ni sifa zipi zina maana katika kuwakilisha tabia ya anwani.

Katika Bitcoin, UTXO ni output ya muamala uliopita ambayo bado haijatumika. Muamala mpya wa Bitcoin hutumia UTXO moja au zaidi kama input na kuunda output mpya. Ikiwa kiasi fulani kinabaki baada ya uhamisho unaohitajika, hurudishwa kama change output. Kwa sababu ya muundo huu, mara ngapi anwani ya Bitcoin inaonekana kwenye input/output slots au ina uhusiano wa kuingia/kutoka na anwani ngapi tofauti huwa sifa zenye maana za profaili.

Ethereum, kwa upande mwingine, hutegemea dhana za Externally Owned Account (EOA) na Contract Account (CA). EOA hudhibitiwa na private key; Contract Account hudhibitiwa na msimbo wa smart contract. Miamala ya Ethereum inaweza kuhamisha ETH, kuita function ya smart contract au kufanya contract deploy. Aidha, kwa kuwa kuna sifa kama matumizi ya Gas, Gas Limit na Gas Price, profaili ya Ethereum hujumuisha sifa za ziada za miamala ambazo hazipo kwenye Bitcoin.

Katika mfumo ikolojia wa Ethereum, mwingiliano na ERC-20 fungible token pamoja na viwango vya NFT/multi-token kama ERC-721 na ERC-1155 unaweza pia kuwa sehemu ya tabia ya anwani. Kwa hiyo watafiti hujumuisha pia taarifa za token interactions kwenye mkusanyiko wa data.

Kwa nini anwani za Bitcoin na Ethereum hutumia sifa 32 na 52?

Chanzo kinaonyesha kwamba profaili ya Bitcoin hufikia sifa 32 kwa kuwa na sifa 28 za msingi za pamoja za miamala pamoja na sifa 4 za ziada mahususi kwa Bitcoin; profaili ya Ethereum hufikia sifa 52 kwa kuongeza sifa 8 za Gas/contract na sifa 16 za interaction zinazotokana na mchanganyiko wa vipimo vinne vya jozi kwenye toleo la sifa zilezile za msingi lililobadilishwa kwenda kwenye vitengo vya Wei.

Sifa za msingi zinazoshirikiwa na profaili za Bitcoin na Ethereum

SifaInaeleza nini?
BalanceSalio lililobaki kwenye anwani.
Total_received_BTCJumla ya kiasi cha Bitcoin kilichopokelewa; katika chanzo huhifadhiwa kwa kitengo cha Sat.
Total_sent_BTCJumla ya kiasi cha Bitcoin kilichotumwa; Sat.
Total_received_USDThamani ya USD ya mali zilizopokelewa kwa kutumia kiwango cha ubadilishaji cha kila siku.
Total_sent_USDThamani ya USD ya mali zilizotumwa kwa kutumia kiwango cha ubadilishaji cha kila siku.
Transaction_feeJumla ya transaction fee.
Transaction_fee_varianceVariance ya transaction fee.
Transaction_numberJumla ya idadi ya miamala.
Payment_transactionsIdadi ya outgoing transaction.
Receipt_transactionsIdadi ya incoming transaction.
First_timeTimestamp ya muamala wa kwanza.
Last_timeTimestamp ya muamala wa mwisho.
LifetimeMuda kati ya muamala wa kwanza na wa mwisho; katika chanzo umefafanuliwa kwa sekunde.
Activity_wIdadi ya siku zilizo na angalau withdrawal transaction moja.
Activity_dIdadi ya siku zilizo na angalau deposit transaction moja.
Activity_timeIdadi ya siku zilizo na shughuli yoyote.
Max_sent_amountKiasi kikubwa zaidi kilichotumwa.
Min_sent_amountKiasi kidogo zaidi kilichotumwa.
Max_received_amountKiasi kikubwa zaidi kilichopokelewa.
Min_received_amountKiasi kidogo zaidi kilichopokelewa.
Max_sent_transaction_idTransaction hash inayohusishwa na utumaji mkubwa zaidi.
Min_sent_transaction_idTransaction hash inayohusishwa na utumaji mdogo zaidi.
Max_received_transaction_idTransaction hash inayohusishwa na upokeaji mkubwa zaidi.
Min_received_transaction_idTransaction hash inayohusishwa na upokeaji mdogo zaidi.
Received_variance_BTCVariance ya kiasi kilichopokelewa.
Sent_variance_BTCVariance ya kiasi kilichotumwa.
Received_variance_USDVariance ya kiasi kilichopokelewa kwa USD.
Sent_variance_USDVariance ya kiasi kilichotumwa kwa USD.

Chanzo kinaeleza kwamba Ethereum hutumia sifa zilezile za msingi, lakini kitengo cha sarafu ya kidijitali hubadilika kutoka Sat ya Bitcoin kwenda Wei. Ether moja:

\[ 1\ \mathrm{ETH}=10^{18}\ \mathrm{Wei} \]

huelezwa kwa namna hiyo.

Fomula ya uthamini wa USD iliyotolewa katika chanzo

\[ \mathrm{Total\_received\_USD} = \sum_{\mathrm{First\_time}\le d\le \mathrm{Last\_time}} Rec_d \times ER_d \tag{1} \]

Fomula inahesabu nini? Inalenga kupata jumla ya thamani ya USD kwa kuzidisha kiasi cha sarafu ya kidijitali kilichopokelewa na anwani katika siku tofauti kwa exchange rate ya siku husika.

\(d\) ni nini? Ni siku iliyo kati ya tarehe ya muamala wa kwanza na tarehe ya muamala wa mwisho.

\(Rec_d\) ni nini? Kwa maneno ya chanzo, ni received amount katika siku ya \(d\).

\(ER_d\) ni nini? Ni thamani ya exchange rate katika siku ya \(d\). Utafiti unaeleza kuwa data ya viwango vya ubadilishaji ilitolewa kutoka Investing.com.

Jukumu la kihisabati ni nini? Ni jumla ya muda ya bidhaa za kiasi cha kila siku × bei ya kila siku. Mbinu hii inalenga kuhusisha kiasi cha kihistoria cha coin na bei ya siku kilipotokea, badala ya kuthamini kiasi chote cha kihistoria kwa kiwango cha ubadilishaji cha siku moja.

Kitengo ni nini? Matokeo ni thamani ya USD. Kwa kuwa chanzo hakionyeshi kando ndani ya mlinganyo maelezo ya kubadilisha \(Rec_d\) kutoka Sat/Wei kwenda kitengo cha whole-coin, uongezaji huu wa mizani haujakisiwa na Verianla.

Waandishi pia wanaeleza kuwa mabadiliko ya kila siku ya exchange rate yanaweza kusababisha tofauti ndogo katika matokeo.

Sifa nne za ziada mahususi kwa Bitcoin

SifaMaelezo
Total_input_slotsJumla ya mara ambazo anwani imeonekana kama input slot.
Total_output_slotsJumla ya mara ambazo anwani imeonekana kama output slot.
Sent_countersKatika ufafanuzi wa chanzo, hufupisha idadi ya anwani zilizotumika katika input slots wakati wa interaction.
Received_countersKatika ufafanuzi wa chanzo, hufupisha idadi ya anwani zilizotumika katika output slots wakati wa interaction.

Maelezo ya mbinu ya chanzo yanaeleza kwamba kwa Sent_counters, wakati anwani lengwa ni recipient katika confirmed transaction, huhesabiwa idadi ya sender bila kujumuisha anwani yenyewe; kwa Received_counters, huhesabiwa idadi ya recipient zinazohusiana na anwani lengwa. Kwa kuwa maandishi mafupi ya Table 2 na istilahi za mwelekeo katika aya ya mbinu zimeandikwa tofauti, maelezo ya kiutendaji ya aya ya mbinu yamehifadhiwa pia hapa.

Sifa za ziada mahususi kwa Ethereum

SifaMaelezo
Create_contractIdadi ya Contract creation.
Error_countIdadi ya miamala yenye hitilafu.
Total_gas_usedJumla ya Gas iliyotumika.
Total_gas_limitJumla ya Gas Limit iliyowekwa katika miamala.
Total_gasP_setJumla ya Gas Price iliyowekwa.
Gas_limit_VarianceVariance ya Gas Limit iliyowekwa.
GasP_set_VarianceVariance ya Gas Price iliyowekwa.
Gas_weight_blockKatika ufafanuzi wa chanzo, uzito wa average transaction cost kwa kila block.
ERC InteractionsSifa 16 za ziada za kupima tabia ya interaction ya Ethereum.

Sifa 16 za interaction za Ethereum zinaundwaje?

Chanzo kinafafanua tuple yenye vipimo vinne vya jozi:

\[ (\mathrm{action},\ \mathrm{with\_contract},\ \mathrm{with\_data},\ \mathrm{transaction\_type}) \]

Kwa kuwa kila kipimo kina hali mbili zinazowezekana, idadi ya mchanganyiko ni:

\[ 2\times2\times2\times2=16 \]

. action, huonyesha kama anwani ni sender au recipient; with_contract, huonyesha kama muamala umeingiliana na contract; with_data, huonyesha kama input data ipo; transaction_type huonyesha kama muamala ni internal au normal transaction.

Katika mfano uliotolewa na chanzo, From_contract_wod_internal, huhesabu miamala ambamo anwani lengwa ni sender, kuna interaction na smart contract, hakuna input data, na aina ya muamala ni internal.

Data za token interaction

Kwa Ethereum, mwingiliano na ERC-20, ERC-721 na ERC-1155 pia hurekodiwa kando. Faili ya token interaction ya anwani za criminal katika toleo la chanzo inaitwa TI_C, na kwa anwani za benign inaitwa TI_B.

Badala ya kurudia maandishi marefu ya anwani za token contract katika kila mstari, utafiti ulitumia faili ya faharasa iitwayo Identifier.tsv. Chanzo Table 4 kinaonyesha kuwa faili hii ina token identifier 910.864. Ikiwa token ID inahitajika katika ERC-721 au ERC-1155, identifier tofauti huundwa kwa kuongeza token ID kwenye contract address.

Mlolongo wa ukusanyaji wa anwani na utoaji wa profaili

Ni mchoro wa mbinu ulioundwa upya kwa ajili ya Verianla kwa kutegemea Figure 1 ya chanzo. Muundo wa kuona wa mchoro wa asili haukunakiliwa; ni mtiririko wa data uliotolewa wazi katika chanzo pekee ulihifadhiwa.

Anwani za criminal huwekewaje lebo?

Watafiti walikusanya ripoti kwenye Chainabuse.com kwa kutumia crawler hadi tarehe 30 Mei 2024. Katika kila ripoti, suspect address na taarifa ya cybercrime category iliyotolewa na mtumiaji zilichukuliwa.

Chanzo kinakiri wazi tatizo muhimu la ubora wa lebo: kwa sababu waathiriwa wanaoripoti wana viwango tofauti vya utaalamu, makundi hayana uthabiti. Kwa mfano, kauli “Other: Disguise as my friend” inaweza kuwekwa chini ya Impersonation Scam; blackmail, mail scam, spam na kauli zinazofanana zenye makosa ya tahajia huunganishwa chini ya Blackmail Scam.

Kauli kama “2x”, “3x” au “multiplier” zinazotoa ahadi ya faida ya uwekezaji ya mara nyingi huwekwa chini ya Investment Scam. Chanzo kinaeleza kwamba kundi hili pana linaweza kujumuisha tabia ndogo kama Ponzi Scheme, Rug Pull, Airdrop Scam na Giveaway Scam. Marejeo ya celebrity kama “Elon Musk” huainishwa kama Impersonation Scam; marejeo ya mitandao ya kijamii kama YouTube/Twitter huainishwa kama Social Media Scam. Baadhi ya ripoti zenye maelezo yasiyotosha huwekwa chini ya Other; ripoti zisizo scam kama “Other: Sent by mistake” huondolewa.

Mchakato huu unamaanisha kwamba ground-truth si wa kiotomatiki kabisa wala usio na makosa. Lebo hutoka kwenye ripoti halisi za waathiriwa, lakini sehemu ya kusawazisha makundi inategemea manual aggregation na maamuzi ya keyword ya watafiti.

Anwani za benign huchaguliwaje?

Mbinu ya benign-selection ya waandishi inategemea dhana kwamba masoko maarufu ya kubadilishia fedha yaliyo kati hutumia KYC kali kwa madhumuni ya anti-money-laundering. Baadhi ya anwani za exchange hot-wallet kutoka WalletExplorer na Etherscan huchaguliwa kama seed.

Katika outgoing transactions za hot-wallet, anwani za next-hop zilizo tofauti na sender address huchukuliwa kuwa benign. Kwenye Ethereum, kwa kuwa token transfer inaweza kufanyika kupitia smart contract, kuchukulia moja kwa moja contract address kuwa recipient halisi kunaweza kuwa kosa. Katika hali hii, ikiwa transaction input data inaanza na `0xa9059cbb`, chanzo hujaribu ku-parse function ya ERC-20 transfer na kutoa anwani halisi ya next-hop token recipient.

Katika incoming transactions, miundo ya exchange deposit address hutofautiana kati ya masoko ya kubadilishia fedha, hivyo ni vigumu zaidi kubaini kama previous-hop address ni mtumiaji halisi au deposit address inayomilikiwa na soko hilo. Kwa hiyo watafiti walikusanya anwani za benign kutoka kwenye exchange-wallet output pekee.

Ikiwa anwani ileile ilikuwa imewekewa lebo ya criminal na benign, iliondolewa kwenye mkusanyiko wa data.

Lebo ya “benign” hapa ni ufafanuzi wa darasa la kimetodolojia. Kuchaguliwa kutoka exchange output pekee si uthibitisho huru kwamba shughuli zote za kihistoria za blockchain address ni safi kisheria au kiuhalisia.

Mbinu na Matokeo ya Utafiti

Ukubwa wa mkusanyiko wa data wa Real-CATS v1

Blockchain / mkusanyiko wa dataCriminalBenignJumlaSifa za profaili
Bitcoin — Real-CATS90.61290.176180.78832
Ethereum — Real-CATS12.59116.02028.61152
Jumla ya Real-CATS103.203106.196209.39932 / 52 kulingana na Blockchain
Ethereum — Sup-CATS3.14711.05814.205Profaili ya Ethereum

Nambari hizi zinahusu hasa toleo la arXiv v1 la tarehe 26 Januari 2025 lililopakiwa. Katika matoleo ya baadaye ya repository ya umma idadi za data zimebadilika; idadi kutoka matoleo tofauti hazipaswi kuunganishwa kana kwamba zinatokana na mkusanyiko mmoja wa data.

Kiasi cha blockchain transaction kilichochakatwa

BlockchainIdadi ya transaction husikaMgawanyo wa miamala
Bitcoin39.752.469Miamala kwenye Full-node ledger inayojumuisha anwani lengwa.
Ethereum23.436.690Sehemu za Internal, normal, ERC-20, ERC-721 na ERC-1155.

Muundo wa salio sifuri

Chanzo, kwa kutegemea tafiti za awali, kinajadili kwamba mwelekeo wa anwani za criminal kuhamisha mapato haramu kwenda kwenye anwani nyingine baada ya kuyapokea unaweza kuhusishwa na tabia ya salio sifuri. Hata hivyo, muundo huu si wa kudeterminisha: salio sifuri pekee halimaanishi lebo ya criminal na linaweza pia kuonekana kwenye anwani za benign.

BlockchainSalio sifuri katika anwani za criminalSalio sifuri katika anwani za benign
Bitcoin%90,70%76,56
Ethereum%50,06%20,77
Imechorwa upya kwa ajili ya Verianla kutokana na asilimia za salio sifuri zilizoripotiwa wazi kwenye Figure 2 na Figure 4 za chanzo. Nguzo zinategemea exact asilimia za chanzo; scatterplot za chanzo hazikunakiliwa.

Katika Bitcoin tofauti kati ya makundi mawili ni takribani pointi 14 za asilimia, na katika Ethereum ni takribani pointi 29 za asilimia. Kwa kuwa jaribio la kitakwimu la significance la tofauti hizi halijaripotiwa kwenye chanzo, zinapaswa kufasiriwa kama tofauti za maelezo ya mgawanyo pekee.

Muundo wa Lifetime

BlockchainAnwani ya CriminalAnwani ya BenignTafsiri
Bitcoin%60 ni chini ya siku 31,10%60 ni chini ya siku 84,94Mgawanyo wa benign unaelekea kwenye muda mrefu zaidi wa uhai.
Bitcoin%4,09 ni zaidi ya siku 1.000%14,43 ni zaidi ya siku 1.000Sehemu ya anwani zenye maisha marefu ni kubwa zaidi katika kundi la benign.
EthereumSehemu ya zilizo ndani ya siku 100 ni takribani %60Sehemu ya zilizo ndani ya siku 100 ni %34,09Criminal CDF hupanda kwa kasi zaidi.

Chanzo kinajadili muundo huu kama Short-Life pattern. Hata hivyo, kwa kuwa migawanyo ya criminal na benign inaingiliana, Lifetime pekee si classifier kamili. Kwa kweli, sehemu ya hoja ya “Comprehensiveness” ya waandishi iko hapa pia: katika Real-CATS madarasa hayatengani kwa njia ya bandia kama ilivyo katika baadhi ya makusanyo safi zaidi ya data yaliyopo.

Ulinganisho wa mgawanyo wa tabia na makusanyo yaliyopo ya data ya Bitcoin

Watafiti walipounganisha Elliptic na mkusanyiko mwingine wa illicit Bitcoin address na kuondoa rekodi duplicate, walipata anwani 21.346 za criminal. Chanzo kinaeleza katika Figure 3 kwamba karibu anwani zote za criminal katika makusanyo hayo yaliyopo zina mifumo iliyo wazi sana kama salio sifuri na Lifetime fupi.

Tafsiri ya waandishi ni kwamba utengano ulio wazi kiasi hiki unaweza kuunda tatizo rahisi zaidi kwa classifier kuliko hali ya ulimwengu halisi. Kwa hiyo wanaona uwepo wa mifumo ya tabia iliyotawanyika zaidi katika Real-CATS si kasoro, bali jaribio la kujumuisha vizuri zaidi utofauti wa ulimwengu halisi.

Matokeo haya hayamaanishi kwamba “Real-CATS inawakilisha kikamilifu mgawanyo wote wa ulimwengu halisi”. Yanaonyesha tu kwamba katika sifa zilizochaguliwa kwa ulinganisho, inatoa mgawanyo usiotengana kwa ukali sana.

Taswira ya t-SNE inaonyesha nini?

Chanzo husawazisha sifa za nambari za profaili na kuunda taswira ya t-SNE kwa Bitcoin na Ethereum. Sampuli za criminal huonyeshwa kwa nyekundu na za benign kwa buluu, na waandishi wanaeleza kuwa kuna utengano wa madarasa unaoonekana katika sehemu kubwa ya sampuli.

t-SNE hapa si classifier. Imetumika kuonyesha muundo wa profaili wenye vipimo vingi katika vipimo viwili. Aidha, kwa kuwa PDF ya chanzo haitoi koordinati za t-SNE za vipimo viwili katika jedwali, Verianla haichori tena mgawanyo huu kwa kutumia pointi za kukadiria. Utengano wa kuona pekee si out-of-sample classification accuracy.

Mpangilio wa tathmini ya machine learning

Watafiti hujaribu mbinu tano za kawaida za machine learning kwa kutumia sifa za nambari katika profaili:

  • SVM — RBF kernel;
  • k-NN — \(k=5\);
  • Decision Tree;
  • Random Forest — 100 estimator;
  • LightGBM.

Anwani zisizo na rekodi za miamala huondolewa kwenye jaribio hili la classification. Dataset hugawanywa kwa uwiano wa 7:3 train/test na class imbalance ya ulimwengu halisi huhifadhiwa ndani ya training set. Matokeo hutolewa kama wastani wa 5-fold cross-validation.

Sifa za absolute timestamp kama First_time zimeondolewa kwenye mafunzo. Hoja ya waandishi ni kuzuia modeli isichukulie kipindi fulani cha tarehe kuwa ndiyo tabia yenyewe ya criminal na hivyo kukariri tarehe ambayo haiwezi kujumlishwa kwa anwani za baadaye.

Precision, Recall, F1-score na Accuracy zinapaswa kusomwaje?

Milinganyo ifuatayo si matokeo mapya ya utafiti huu, bali ni ufafanuzi wa kawaida wa kielimu wa metriki za uainishaji zilizotumika katika chanzo. Ikiwa anwani ya Criminal inachukuliwa kuwa darasa chanya:

\[ \mathrm{Precision} = \frac{TP}{TP+FP} \]

Precision hupima ni sehemu gani ya anwani ambazo modeli imesema ni criminal kweli ziko katika darasa la criminal.

\[ \mathrm{Recall} = \frac{TP}{TP+FN} \]

Recall hupima ni sehemu gani ya anwani halisi za criminal iliyopatikana na modeli.

\[ F_1 = 2 \frac{ \mathrm{Precision}\times\mathrm{Recall} }{ \mathrm{Precision}+\mathrm{Recall} } \]

F1-score ni wastani wa harmonic kati ya precision na recall.

\[ \mathrm{Accuracy} = \frac{TP+TN}{TP+TN+FP+FN}. \]

Accuracy ni uwiano wa maamuzi yote sahihi dhidi ya sampuli zote. Katika matatizo yenye class imbalance, accuracy pekee haitoshi; ndiyo maana chanzo pia kinaripoti precision, recall na F1-score kwa darasa la criminal.

Matokeo ya modeli tano zinazotegemea profaili

ModeliEthereumBitcoin
PrecisionRecallF1AccuracyPrecisionRecallF1Accuracy
SVM0.87100.35220.50150.71160.68900.17500.28000.7142
k-NN0.78540.65080.71170.78280.76720.77170.76890.7717
Decision Tree0.78250.78340.78290.82100.69850.69970.69910.8096
Random Forest0.90850.82370.86400.7116*0.82940.72340.77260.8654
LightGBM0.91870.85200.88400.90800.81300.77120.79160.8716

*Dokezo la uthabiti wa chanzo: Thamani ya 0.7116 accuracy kwa Ethereum Random Forest imechapishwa hivyo hivyo katika PDF Table 5. Kwa kuwa haionekani kuwa na uthabiti wa ndani pamoja na Precision=0.9085, Recall=0.8237 na F1=0.8640 chini ya mahusiano ya kawaida ya confusion-matrix katika binary evaluation set ileile, Verianla haijarekebisha thamani hii na imeiweka alama kama thamani ya chanzo.

Kwa kutumia thamani za chanzo, LightGBM hutoa matokeo ya juu zaidi yaliyo kwenye jedwali kwa Ethereum katika precision, recall, F1-score na accuracy. Kwa Bitcoin, precision ya juu zaidi ni ya Random Forest, huku recall, F1-score na accuracy za juu zaidi zikiwa za LightGBM.

Customizability: transaction graph na Trans2Vec

Real-CATS haikuachwa kama jedwali la profaili lisilobadilika pekee. Watafiti wanaonyesha kuwa weighted multidigraph inaweza kuundwa kutoka kwenye rekodi za kina za miamala kwa kutumia taarifa za transaction participant, timestamp na amount.

Kwa maonyesho, anwani 2.500 zenye uwiano wa 1:1 criminal/benign zilichaguliwa kwa nasibu, na kwa kuongeza majirani wa daraja la kwanza graph ilipanuliwa hadi anwani 47.009. Uwiano wa train/test ni 7:3. Imeelezwa kuwa vigezo vya Trans2Vec vilitumika kwa mipangilio ya asili ya utafiti wa chanzo; PDF hii haijiorodheshi upya hyperparameter zote za Trans2Vec.

PrecisionRecallF1-scoreAccuracy
0.89760.92610.91160.9348

Waandishi hutumia matokeo haya kama ushahidi wa customizability: transaction records huruhusu watumiaji kwenda zaidi ya mbinu za profile-based na kuunda miundo tofauti ya data kwa ajili ya graph representation au mbinu za node-embedding.

Kwa upande mwingine, watafiti wanaeleza kuwa mbinu za node-embedding zinahitaji kuunda transaction graph kubwa na training overhead, na pia kwamba mbinu za transductive zinaweza kuwa na ugumu wa kugundua anwani mpya kwa wakati halisi. Kwa hiyo hawakujaribu Trans2Vec katika hali ya ulimwengu halisi ya Sup-CATS.

Kwa nini Sup-CATS ni tofauti na mgawanyo wa kawaida wa majaribio wa nasibu?

Sup-CATS haijaundwa na sampuli za kipindi kilekile zilizotenganishwa kwa nasibu kutoka Real-CATS; iliundwa kando kutokana na anwani zilizokuwa hai kwenye Ethereum tarehe 12 Agosti 2024 na ni mkusanyiko wa majaribio ulio mpya zaidi kwa wakati kuliko data za training. Lengo ni kutathmini ni kwa kiwango gani modeli inaweza kuhifadhi mifumo iliyoifunza kutoka data za zamani katika blockchain snapshot ya siku moja ya baadaye; muundo huu si sawa kikamilifu na deployment halisi ya uzalishaji, bali ni hali ya majaribio inayodhibitiwa inayolenga kuikaribia.

Sup-CATS iliundwaje?

Watafiti walichanganua 7.161 Ethereum block zote za tarehe 12 Agosti 2024. Kwa darasa la Criminal, anwani 3.147 zilizowekewa lebo na Etherscan zilikusanywa.

Kwa darasa la Benign, anwani 11.058 zilichaguliwa kwa sampling ya uwezekano wa %1 kutoka kwenye anwani unlabeled zilizokuwa hai siku hiyo. Chanzo hutumia sampuli hizi unlabeled kama benign.

Kuna mpaka muhimu wa tafsiri hapa: unlabeled haimaanishi uthibitisho huru wa kisiri au wa kisheria kwamba anwani ni “benign kwa uhakika”. Hii ni mbinu ya kiutendaji ya uwekaji lebo iliyotumiwa na utafiti kujenga mkusanyiko wake wa majaribio.

Matokeo ya confusion matrix ya Sup-CATS

Vichwa vilivyochapishwa vya “Prediction / Truth” katika Table 6 ya chanzo vinaonekana kuwa katika mwelekeo unaopingana na hesabu ya class-error na maandishi yanayofuata mara moja. Jedwali lifuatalo linaonyesha bila kubadilisha nambari nne za seli zilizomo kwenye chanzo, mpangilio wa kimaana unaolingana na hesabu za class-error na kauli ya waandishi kwamba “Random Forest iligundua %74,9 ya anwani za criminal”. Upangaji huu upya si matokeo mapya ya jaribio; ni uwasilishaji wa uthabiti unaosaidia kuelewa jedwali la chanzo.

ModeliDarasa halisiUtabiri wa BenignUtabiri wa CriminalClass error ya chanzo
Random ForestBenign8.1482.907%26,3
Random ForestCriminal7902.357%25,1
LGBMBenign8.3792.676%24,2
LGBMCriminal2.834313%90,1

Criminal-class detection rate ya Random Forest:

\[ \frac{2357}{790+2357} = 0.74897 \approx 74.9\%. \]

Thamani hii inalingana kikamilifu na sentensi ya waandishi “detecting 74.9% of the criminal addresses” katika maandishi.

Uwiano huo huo wa criminal-class kwa LGBM:

\[ \frac{313}{2834+313} = 0.09946 \approx 9.9\%. \]

Katika istilahi za kawaida, thamani hii inalingana na hesabu ya criminal-class recall/detection rate. Prose ya chanzo huiita “9.9% precision”. Ili Verianla isirudie istilahi ya chanzo kimya kimya na kuigeuza kuwa metriki isiyo sahihi, kutokulingana huku kumeachwa wazi.

Jumla ya seli za jedwali:

\[ 8148+2907+790+2357=14202 \]

wakati chanzo kinafafanua Sup-CATS kuwa:

\[ 3147+11058=14205 \]

anwani. Tofauti ya rekodi tatu haijaelezwa wazi kwenye chanzo. Ingawa Section 4.1 inasema anwani zisizo na rekodi za miamala zilichujwa kutoka jaribio la classification, Section 4.3 haisemi moja kwa moja kwamba rekodi hizi tatu ziliondolewa kwa sababu hiyo hiyo; kwa hiyo sababu haipaswi kukisiwa.

Je, mafanikio ya juu katika majaribio ya nasibu yanahakikisha utendaji uleule katika ulimwengu halisi?

Hapana. Katika utafiti huu, LGBM ilitoa 0,9080 accuracy na 0,8520 recall kwa Ethereum katika tathmini ya kawaida ya profaili kwenye Real-CATS, lakini katika hali ya Sup-CATS iliyo mpya zaidi kwa wakati, kiwango cha kunasa kwa usahihi darasa la criminal hushuka hadi takribani %9,9; Random Forest, kwa upande mwingine, hunasa takribani %74,9 ya anwani za criminal katika hali ileile ya Sup-CATS. Tofauti hii inaonyesha kwamba nafasi ya modeli inaweza kubadilika wakati mgawanyo wa data na hali ya deployment vinabadilika, na kwamba mgawanyo wa nasibu wa train-test pekee hauhakikishi uhamishikaji wa utendaji kwenda ulimwengu halisi.

Ugunduzi huu ni miongoni mwa matokeo yenye mafunzo zaidi ya utafiti wa Real-CATS. Ukweli kwamba modeli inayoonekana kuwa yenye nguvu zaidi katika Table 5 haibaki kuwa yenye nguvu zaidi kwenye mgawanyo mpya unaonyesha kwamba katika tathmini ya dataset quality, kuzingatia pekee in-sample au random-split score ya juu kunaweza kutotosha.

Hata hivyo, Sup-CATS inategemea data za siku moja tu za Ethereum. Kwa hiyo matokeo haya hayawezi kujumlishwa kuwa “LGBM kwa ujumla ni algoriti mbaya katika ulimwengu halisi” au “Random Forest itakuwa bora kila wakati katika siku zijazo”.

Umuhimu wa mzigo mkubwa wa false-positive

Ingawa Random Forest imefanikiwa zaidi sana kuliko LGBM kwa upande wa criminal recall, chanzo kinakiri wazi kwamba kiwango kikubwa cha false-positive huathiri sana detection performance.

Katika usomaji thabiti wa matrix ya chanzo, Random Forest inaweka lebo ya criminal kwa anwani 2.907 kati ya anwani 11.055 za benign za majaribio. Kwa hiyo, kunasa %74,9 ya anwani za criminal pekee hakutoshi kwa deployment; mzigo wa tahadhari za uongo lazima pia uzingatiwe.

Waandishi wanapendekeza kwamba mbinu ngumu zaidi na za kimfumo za criminal-address filtering zinaweza kupunguza false positives hizi. Kauli hii ni maoni kuhusu kazi ya baadaye; jaribio la sasa halijapima kwa kiasi gani mfumo kama huo wa filtering ungeleta uboreshaji.

Matokeo yanayoungwa mkono na utafiti

  • Katika toleo la v1 lililopakiwa, Real-CATS inatoa mkusanyiko mkubwa wa data wenye lebo unaojumuisha anwani 103.203 za criminal na 106.196 za benign kwenye Bitcoin na Ethereum.
  • Sifa 32 za profaili zilitolewa kwa Bitcoin na 52 kwa Ethereum.
  • Chanzo pia kinajumuisha transaction records za kina na data za Ethereum token interaction katika mkusanyiko wa data.
  • Migawanyo ya salio sifuri na Lifetime hutofautiana kati ya anwani za criminal/benign za Bitcoin na Ethereum.
  • Sampuli za criminal katika Real-CATS zinaonyesha mgawanyo wa tabia usio mkali sana na mpana zaidi kuliko Bitcoin criminal dataset zilizopo zilizolinganishwa.
  • Sifa za profaili zina taarifa za kutenganisha ambazo zinaweza kutumiwa na classifier tano za kawaida.
  • Katika Table 5 ya chanzo, LightGBM hutoa kwa Ethereum thamani za juu zaidi zilizo kwenye jedwali za precision, recall, F1 na accuracy.
  • Transaction records zinaweza kutumiwa kuunda graph na kutumia mbinu za node-embedding kama Trans2Vec.
  • Jaribio la Sup-CATS linaonyesha kwamba utendaji wa modeli unaweza kubadilika kwa kiasi kikubwa unapohamia kwenye mgawanyo mpya wa temporal.
  • Random Forest, kulingana na maelezo ya chanzo, hugundua %74,9 ya anwani za criminal katika Sup-CATS.
  • Chanzo kinalenga kushiriki data na transaction records za kina kwa njia ya wazi kwa umma.

Matokeo ambayo utafiti hauungi mkono

  • Lebo ya Real-CATS si uthibitisho wa mwisho wa kisheria kwamba blockchain address ni ya mhalifu.
  • Haijathibitishwa kwa kujitegemea kwamba anwani zote zilizochaguliwa kutoka exchange hot-wallet output ni benign kabisa.
  • Haijaonyeshwa kwamba anwani zote unlabeled katika Sup-CATS ni benign kwa uhakika.
  • Salio sifuri au Lifetime fupi pekee haitoshi kutoa uamuzi wa criminal address.
  • Utengano wa kuona katika t-SNE si kipimo kilekile na real-world classification accuracy.
  • Haijaonyeshwa kwamba modeli yenye score ya juu katika Table 5 itadumisha score hiyo katika mazingira ya production.
  • Haijaonyeshwa kwamba Random Forest itakuwa bora kuliko LGBM kwa anwani zote za Ethereum za baadaye.
  • Sup-CATS haiwakilishi hali zote za deployment za ulimwengu halisi; inategemea Ethereum snapshot ya siku moja.
  • Uwezekano wa kutumia C3R kwa Polygon au Solana ni pendekezo la kazi ya baadaye la waandishi; utafiti huu haujafanya uthibitishaji kwenye blockchain hizo.
  • Ukubwa wa mkusanyiko wa data pekee hauonyeshi kutokuwepo kwa label noise au sampling bias.

Mipaka mikuu ya utafiti na mipaka ya uwezo wa kurudiwa

Chanzo cha lebo: Lebo za Criminal hutoka kwenye abuse reports halisi; lakini kwa kuwa report categories huundwa na watumiaji wenye viwango tofauti vya utaalamu, manual aggregation inahitajika.

Dhana ya benign-selection: Hot-wallet output za wateja wa soko la kubadilishia fedha hujumuishwa katika darasa la benign chini ya dhana kwamba masoko yaliyo kati hutumia KYC. Hii ni mbinu ya label-construction; si uthibitisho huru wa usafi wa kisheria.

Darasa la benign la Sup-CATS: %1 ya anwani unlabeled zilizokuwa hai siku hiyo zilitolewa kama sampuli za benign. Unlabeled si sawa na guaranteed-benign.

Upeo wa Blockchain: Utafiti mkuu umewekewa mipaka ya Bitcoin na Ethereum.

Temporal coverage: Criminal-report collection hutumia ripoti hadi 30 Mei 2024. Aina mpya za uhalifu au mabadiliko ya baadaye ya tabia huenda yasiwepo kwenye snapshot hii.

Upeo wa modeli: Profile-based demonstration ilifanywa kwa modeli tano za kawaida pekee; graph customizability demonstration ilifanywa kwa mfano wa Trans2Vec. Detection architectures zote zinazowezekana hazijajaribiwa.

Kutokulingana kwa chanzo katika Table 5: Thamani ya Ethereum Random Forest accuracy haionekani kuwa na uthabiti wa ndani na metriki nyingine zilizoripotiwa.

Kutokulingana kwa chanzo katika Table 6: Mwelekeo uliochapishwa wa Prediction/Truth haulingani na class-error arithmetic na tafsiri ya detection-rate katika maandishi.

Utoaji jina wa metriki katika Table 6: Kwa LGBM, maandishi yanasema “9.9% precision”, lakini hesabu ya matrix inaonyesha kwamba thamani hiyo ni criminal recall/detection rate.

Idadi ya rekodi za Sup-CATS: Kuna tofauti isiyoelezwa ya rekodi tatu kati ya jumla iliyotajwa ya anwani 14.205 na jumla ya rekodi 14.202 za confusion matrix.

Tofauti ya toleo: Ukubwa wa data wa arXiv v1 iliyopakiwa si sawa na toleo la baadaye la repository ya umma. Ikiwa reproduction itafanywa, dataset snapshot/version iliyotumiwa lazima iwekwe wazi na thabiti.

Mfumo wa kimaadili

Katika sehemu ya Ethics Considerations, waandishi wanaeleza kwamba data walizokusanya zilitoka kwenye blockchain ledger au hifadhidata za umma na kwamba taarifa halisi za kibinafsi hazikufichuliwa.

Katika sehemu hiyo hiyo pia inaelezwa wazi kwamba utafiti haujashughulikia privacy concerns. Kwa hiyo, hitimisho pana zaidi kwamba “kwa kuwa data ni za umma, hakuna tatizo lolote la kimaadili au faragha” halipaswi kutolewa kutokana na utafiti huu.

Open Science

Toleo la chanzo linaeleza kwamba dataset zote zilizopendekezwa zimeshirikiwa katika repository ya GitHub ya sjdseu/Real-CATS; faili 7 za Real-CATS, faili 1 ya Sup-CATS na transaction records za kina za anwani zimetolewa.

Hata hivyo, neno “open-sourced” pekee halibainishi leseni ya matumizi tena. Kwa kuwa leseni wazi ya Creative Commons/OSI inayohusu dataset nzima haikuthibitishwa katika PDF ya chanzo au katika ukaguzi huu wa bibliografia, masharti ya matumizi tena yanapaswa kukaguliwa kando.

Hitimisho salama zaidi la kisayansi

Mchango mkuu wa Real-CATS si kutoa “algoriti bora zaidi ya kugundua uhalifu”. Utafiti ni jaribio la kukusanya anwani za blockchain za criminal na benign pamoja na sifa za profaili, transaction records za kina na data za Ethereum token interaction katika msingi wa tathmini ulio wazi zaidi na unaoweza kutumiwa tena.

Ujumbe wenye nguvu hasa wa utafiti ni kwamba mkusanyiko wa data wenyewe ni sehemu isiyotenganishwa ya tathmini ya modeli. Classifier inayoonekana kuwa na nguvu kwenye data safi za majaribio zilizogawanywa kwa nasibu huenda isionyeshe utendaji uleule kwenye mgawanyo wa majaribio ambao ni temporally newer na halisi zaidi. Kutengana kwa Random Forest–LGBM katika Sup-CATS ni mojawapo ya mifano iliyo wazi zaidi ya hili ndani ya utafiti.

Kwa hiyo Real-CATS inapaswa kusomwa kwa usahihi zaidi kama miundombinu ya utafiti na mgombea wa benchmark. Kutafsiri lebo za anwani kama hukumu ya kimahakama, model metric kama hakikisho la uzalishaji, au matokeo ya Sup-CATS ya siku moja kama uwakilishi wa uhakika wa tabia zote za blockchain za baadaye kunavuka mipaka ya utafiti.

Maelezo ya Chanzo na Mbinu

Kichwa asili: Real-CATS: A Practical Training Ground for Emerging Research on Cryptocurrency Cybercrime Detection

Kichwa cha uchapishaji wa Kituruki: Real-CATS: Kripto Para Siber Suç Tespitinde Gelişen Araştırmalar İçin Pratik Bir Çalışma ve Eğitim Ortamı

Waandishi: Jiadong Shi; Chunyu Duan; Hao Lei; Liangmin Wang.

Mpangilio wa waandishi: Mpangilio katika PDF ya chanzo umehifadhiwa bila kubadilishwa.

Taasisi: Southeast University. PDF iliyopakiwa inaonyesha taasisi hii kwa waandishi wote wanne katika ukurasa wa kwanza na haitoi maelezo ya kina zaidi ya department.

Corresponding author: Liangmin Wang.

Barua pepe ya Corresponding author: liangmin@seu.edu.cn.

Mchango sawa: Hakuna tamko la mwandishi mwenza wa kwanza/mchango sawa lililogunduliwa katika chanzo kilichopakiwa.

Toleo la chanzo lililopakiwa: arXiv:2501.15553v1 [cs.CR].

Tarehe ya toleo lililopakiwa: 26 Januari 2025.

Uhusiano wa DOI wa 2026: 10.23919/NANACPS00070.2026.00020 umehusishwa na kichwa hiki katika ulinganishaji wa OpenAlex wa faili iliyopakiwa na katika faharasa za bibliografia zinazotokana na OpenAlex. DOI haijachapishwa katika kurasa za PDF ya arXiv v1 iliyopakiwa yenyewe.

Dokezo la Version-of-record: Katika ukaguzi huu, conference name, proceedings title, nambari ya ukurasa/makala na metadata ya leseni ya ukurasa rasmi wa uchapishaji wa IEEE hazikuweza kuthibitishwa kwa kujitegemea, kwa hiyo sehemu hizi hazikubuniwa. Maudhui makuu ya kisayansi yanategemea arXiv v1 iliyopakiwa.

Aina ya chanzo: Utafiti wa uundaji wa mkusanyiko wa data na tathmini ya kimajaribio ya machine learning; faili iliyopakiwa ni toleo la preprint.

Mapitio ya kitaalamu: arXiv v1 iliyopakiwa yenyewe si version of record iliyopitiwa na wataalamu. Kwa kuwa maelezo ya peer-review/venue ya rekodi ya uchapishaji ya baadaye inayohusishwa na DOI ya 2026 hayakuthibitishwa katika ukaguzi huu, uainishaji wa uhakika haukufanywa.

Tofauti ya preprint–toleo la baadaye: Katika repository na rekodi za baadaye za umma za SSRN, ukubwa wa dataset ni tofauti na v1 iliyopakiwa. Katika makala hii nambari za v1 zimehifadhiwa na matoleo hayajaunganishwa.

Makusanyo makuu ya data: Real-CATS na Sup-CATS.

Blockchain: Bitcoin na Ethereum.

Chanzo cha criminal label: Chainabuse abuse reports hadi 30 Mei 2024.

Chanzo cha benign-selection: Anwani za outgoing next-hop za exchange hot-wallet seed kupitia WalletExplorer na Etherscan.

Dhana ya benign-selection: Dhana kwamba matumizi ya KYC na masoko maarufu ya kubadilishia fedha yaliyo kati hufanya anwani za exchange customer kuwa wagombea wa kuaminika zaidi kwa sampuli za benign.

Lebo zinazokinzana: Anwani zilizoonekana kama benign na criminal kwa pamoja ziliondolewa.

Idadi ya miamala ya profaili ya Bitcoin: 39.752.469.

Idadi ya miamala ya profaili ya Ethereum: 23.436.690.

Ukubwa wa profaili ya Bitcoin: sifa 32.

Ukubwa wa profaili ya Ethereum: sifa 52.

Sehemu za miamala ya Ethereum: internal, normal, ERC-20, ERC-721, ERC-1155.

Idadi ya token identifier: Chanzo v1 kinaripoti identifier 910.864 katika Identifier.tsv.

Chanzo cha Exchange-rate: Investing.com; data za viwango vya kila siku zilitumika katika sifa za profaili zinazotegemea USD.

Modeli za profile classification: SVM, k-NN, Decision Tree, Random Forest, LightGBM.

Mpangilio wa SVM: RBF kernel.

Mpangilio wa k-NN: majirani 5.

Mpangilio wa Random Forest: 100 estimator.

Mgawanyo wa Train/test: 7:3.

Cross-validation: Chanzo kinaripoti matokeo ya Table 5 kama 5-fold cross-validation mean metrics.

Class imbalance: Imehifadhiwa katika training set.

Sifa iliyoondolewa kwenye Training: Sifa za absolute timestamp kama First_time hazikutumika kwa sababu zinaweza kudhoofisha ujanibishaji wa matokeo kwa siku zijazo.

Metriki za tathmini: Precision, Recall, F1-score na Accuracy; chanzo kinaeleza kwamba metriki tatu za kwanza zimeripotiwa kwa darasa la criminal.

Jaribio la Customizability: Anwani 2.500 za kuanzia, 1:1 criminal/benign; transaction graph iliyopanuliwa hadi node 47.009 kwa majirani wa daraja la kwanza; Trans2Vec; 7:3 train/test.

Matokeo ya Trans2Vec: Precision 0.8976; Recall 0.9261; F1-score 0.9116; Accuracy 0.9348.

Tarehe ya Sup-CATS: 12 Agosti 2024.

Idadi ya block za Sup-CATS: 7.161 Ethereum block.

Sup-CATS criminal: Anwani 3.147 za Etherscan-labeled.

Sup-CATS benign: Anwani 11.058 unlabeled active; chanzo kinazijumuisha katika darasa la benign kwa %1 sampling.

Matokeo muhimu ya Sup-CATS: Katika maelezo ya chanzo ya waandishi, Random Forest hugundua %74,9 ya anwani za criminal. Thamani ya %9,9 iliyotolewa kwa LGBM inalingana na criminal-class recall/detection rate kwa mujibu wa confusion-matrix arithmetic, lakini katika prose imeitwa precision.

Dokezo la QA la Table 5: Thamani ya Ethereum Random Forest Accuracy=0.7116 haionekani kuwa na uthabiti na Precision=0.9085, Recall=0.8237 na F1=0.8640 katika mstari huohuo kwa mujibu wa mahusiano ya kawaida ya binary metric. Thamani haijabadilishwa.

Dokezo la QA la Table 6: Mpangilio uliochapishwa wa vichwa vya Prediction/Truth unaonekana kuwa kinyume na hesabu za class-error na maelezo ya %74,9 detection katika maandishi. Nambari zimehifadhiwa na usomaji thabiti wa kimaana umeelezwa kando.

Dokezo la QA la sampuli ya Sup-CATS: Kuna tofauti isiyoelezwa ya rekodi tatu kati ya anwani 14.205 zilizotajwa na jumla ya seli 14.202 za Table 6.

Ethics: Waandishi wanaeleza kwamba data zilikusanywa kutoka kwenye vyanzo vya umma vya blockchain ledger/database, hawakufichua personal information halisi, na utafiti wao haujashughulikia privacy concerns.

Open Science: Chanzo kinaeleza kwamba faili za data zimeshirikiwa katika repository ya sjdseu/Real-CATS kwenye GitHub na transaction records za kina zimeshirikiwa kwa umma.

Leseni: Exact leseni wazi ya matumizi tena inayohusu PDF yote iliyopakiwa au repository nzima ya data haikuthibitishwa katika ukaguzi huu. Kauli “Open-sourced” haikutafsiriwa yenyewe kuwa leseni ya Creative Commons/OSI.

Ufadhili: Hakuna funding/acknowledgment statement tofauti iliyogunduliwa katika toleo lililopakiwa.

Mgongano wa maslahi: Hakuna tamko tofauti la Conflict of Interest / Competing Interests lililogunduliwa katika toleo lililopakiwa.

Michango ya waandishi: Hakuna tamko tofauti la CRediT / Author Contributions lililogunduliwa.

Uundaji upya wa taswira:Mahusiano ya mchakato katika Figure 1 ya chanzo yaliundwa upya kama inline SVG huru. Viwango vya salio sifuri vilivyotolewa wazi katika Figure 2 na Figure 4 vilichorwa kama SVG asilia kwa exact source values. Kwa kuwa koordinati za t-SNE za Figure 5 hazikupatikana, hakuna mgawanyo wa kubuniwa uliotengenezwa.

Mpaka mkuu wa tafsiri: Dataset label si hukumu za kimahakama; random-split model score si production guarantee; Sup-CATS ni hali ya Ethereum ya siku moja na haiwezi kujumlishwa moja kwa moja kwa migawanyo yote ya blockchain ya baadaye.


Shiriki:

Maoni huchapishwa baada ya kukaguliwa. Maoni yako yatapitia mchakato wa idhini na yataonekana yakikubaliwa.

Acha maoni

Anwani yako ya barua pepe haitachapishwa. Sehemu za lazima zimewekewa alama ya *