Чаҳорчӯбаи Мутобиқшавандаи Нейро-Норавшани Блокчейн–Зеҳни Сунъӣ (Adaptive Neuro-Fuzzy Blockchain–AI Framework; ANFB-AI), чаҳорчӯбаи амниятӣ аст, ки барои арзёбии хавфи қаллобӣ ва таҳдидҳои киберӣ дар амалиёти FinTech блокчейни иҷозатдор, омӯзиши мошинӣ ва хулосабарории нейро-норавшанро дар як меъмории ягонаи хавф-қабули қарор муттаҳид мекунад. Модел эҳтимолияти қаллобиро, ки омӯзиши мошинӣ барои амалиёт тавлид мекунад, бо холҳои хавфи нейро-норавшан, ки аз хусусиятҳои рафторӣ ва ҷуғрофию-замонӣ гирифта мешаванд, якҷо мекунад; мувофиқи холҳои умумии хавф қарор медиҳад, ки амалиёт қабул, таҳти назорат ё рад карда шавад. Бутунии сабтҳои амалиёт бошад, тавассути hash-и криптографӣ, имзои validator, консенсус ва қабати permissioned blockchain ҳифз карда мешавад.

Таҳқиқоти боршуда озмоиши саҳроӣ дар шабакаи зиндаи истеҳсолии бонки воқеӣ нест. Муаллифон бо ишора ба душвории гузаронидани санҷиши такроршаванда ва назоратшаванда дар муҳити воқеӣ арзёбии бар асоси симулятсия/implementation-ро истифода мебаранд. Дар муҳити симулятсия Python 3.11, TensorFlow 2.12, PyTorch 2.1, Hyperledger Fabric 2.4, Ethereum Testnet ва NetworkX; ҳамчун сахтафзор Intel Core i9, 32 GB RAM ва NVIDIA RTX 4090 истифода шудаанд. Шабакаи permissioned blockchain аз панҷ гиреҳи маҷозии бонкӣ иборат буда, консенсуси Proof-of-Authority (PoA) истифода мешавад.

Сарбории таҷрибавӣ аз се манбаъ сохта шудааст: маҷмӯи додаҳои Credit Card Fraud Detection бо 284.807 амалиёт ва 492 ҳолати тасдиқшудаи қаллобӣ; 100.000 амалиёти симулятсияшудаи крипто/блокчейн; ҳамчунин 50.000 амалиёти синтетикии бонкӣ, ки сенарияҳои ниҳоии қаллобии бисёрмарҳилавӣ, байналмилалӣ ва басомади баландро фаро мегиранд. Модел дар се сенарияи стресс бо сатҳи қаллобии %0,1, %1 ва %5, ки ҳар кадом 50.000 амалиёт доранд, санҷида шудааст.

Дар графикҳои манбаъ ANFB-AI дар муқоиса бо Hybrid Deep Learning ва Dynamic Feature Fusion accuracy ва precision-и баландтар ва transaction confirmation time, block propagation delay ва end-to-end latency-и пасттар нишон медиҳад. Бо вуҷуди ин, дар версияи боршуда ин натиҷаҳо аз симулятсияҳои назоратшаванда ба даст омадаанд; дар шабакаҳои воқеии молиявии корпоративӣ санҷиши зиндаи амалиётӣ, озмоиши миқёспазирӣ дар шабакаҳои калони validator ва арзёбии амнияти production-grade гузаронида нашудааст. Аз ин рӯ, натиҷаҳо набояд бевосита ҳамчун “самаранокии исботшуда дар низоми воқеии бонкӣ” тафсир шаванд.

Масъалаи таҳқиқот

Ҳангоми табдил ёфтани низомҳои молияи рақамӣ ба инфрасохторҳои амалиётии ҳаҷми баланд, таъхири паст ва ҳамеша дастрас, масъалаи амният аз танҳо муайян кардани он ки “амалиёт қалбакӣ ҳаст ё не” мураккабтар мегардад. Низоми амниятӣ бояд ҳамзамон бутунии амалиётро ҳифз кунад, намунаҳои номаълум ё бо мурури замон тағйирёбандаи қаллобиро ошкор намояд, ҳушдорҳои бардурӯғро маҳдуд созад, сабаби қарорҳоро тавзеҳ дода тавонад ва ҳамаи инро бидуни суст кардани ҷараёни амалиёти молиявӣ то сатҳи ғайриқобили қабул анҷом диҳад.

Дар баррасии адабиёти манбаъ гуфта мешавад, ки моделҳои анъанавии омӯзиши мошинӣ ҳарчанд метавонанд fraud-detection-и баланд дошта бошанд, метавонанд коркарди мутамаркази додаҳо ва як нуқтаи ягонаи нокомиро ба вуҷуд оранд; барномаҳои блокчейн ҳангоми таъмин кардани бутунии амалиёт ва auditability бештар ба санҷиши post-hoc тамаркуз мекунанд; равишҳои federated learning махфиятро дастгирӣ мекунанд, вале арзёбии динамикии таҳдидро на ҳамеша дар бар мегиранд; усулҳои нейро-норавшан, ҳарчанд номуайяниро модел карда метавонанд, дар дохили меъмории пурраи blockchain–AI FinTech истифодаи маҳдуд доранд.

Холигии таҳқиқотие, ки кор ҳадаф қарор медиҳад, муттаҳид кардани бутунии амалиёт, fraud detection-и наздик ба вақти воқеӣ, арзёбии шарҳпазири хавф дар шароити номуайянӣ ва механизми эътимоди тақсимшуда дар як меъмории ягонаи аз оғоз то анҷом аст.

ANFB-AI чӣ гуна кор мекунад?

ANFB-AI ҳар як амалиёти молиявиро ба хусусиятҳои рафторӣ ва контекстӣ табдил медиҳад; эҳтимолияти қаллобиро, ки аз классификатори бар асоси омӯзиши мошинӣ гирифта мешавад, бо хулосабарории хавфи нейро-норавшан муттаҳид мекунад, холҳои якҷояшудаи хавфро ба қарори сесатҳии Accept–Monitor–Reject табдил медиҳад ва қабати блокчейнро барои бутунии амалиёт, санҷишпазирӣ ва муқовимат ба тағйирот истифода мебарад.

Қабатҳои меъмории система

Намоиши математикии экосистемаи FinTech

Манбаъ низоми FinTech-ро ҳамчун низоми тақсимшудаи кибер-физикӣ:

\[ S=(U,T,N,B) \]

таъриф мекунад. Дар ин ҷо \(U\) корбарони сабтиномшуда, \(T\) амалиёти молиявӣ, \(N\) гиреҳҳои blockchain ва \(B\) ledger-и тақсимшударо ифода мекунанд.

Ҳар амалиёт бошад:

\[ t_i=(x_i,y_i,\tau_i,\ell_i,\psi_i) \]

бо вектори хусусиятҳо нишон дода мешавад. \(x_i\) шахсияти беномшудаи фиристанда–қабулкунандаро бо ҳифзи махфият; \(y_i\) маблағи амалиётро; \(\tau_i\) маълумоти вақтро; \(\ell_i\) макон ва контексти ҷуғрофию-замониро; \(\psi_i\) бошад, хусусиятҳои рафториро, ки аз рафтори истифодаи қаблӣ ҳосил шудаанд, ифода мекунад.

Истифодаи якҷояи ин хусусиятҳо ҳадаф дорад, ки на танҳо маблағҳои ғайриоддии амалиёт, балки вақти ғайримунтазираи амалиёт, тағйири ғайриодӣ дар макон, микроамалиётҳои такрорӣ, рафтори дастгоҳ ва дуршавӣ аз намунаҳои ҳамкории қаблӣ низ ба арзёбии хавф дохил карда шаванд.

Сохтори блоки Blockchain

Дар манбаъ ҳар блок:

\[ b_k=\{t_1,t_2,\ldots,t_{n_k},h_{k-1},\sigma_k\} \]

ба ин шакл модел карда мешавад. Дар ин ҷо \(t_1,\ldots,t_{n_k}\) амалиётҳои дохили блок, \(h_{k-1}\) арзиши hash-и криптографии блоки қаблӣ ва \(\sigma_k\) имзои validator-ро ифода мекунанд.

Hash-и блоки ҷорӣ:

\[ h_k=H(b_k\,\|\,h_{k-1}) \]

ҳисоб карда мешавад. \(H(\cdot)\) функсияи hash-и collision-resistant аст; \(\|\) амали пайвасткуниро нишон медиҳад. Азбаски тағйир додани блоки қаблӣ ё додаҳои амалиёт арзишҳои hash-и минбаъдаро тағйир медиҳад, сохтор барои ошкор кардани тағйирот пешбинӣ шудааст.

Шарти консенсус

Барои қабули блок манбаъ:

\[ \sum_{v_j\in N} I(v_j(b_k))\geq\theta \]

шартро истифода мебарад. \(v_j(b_k)\) қарори гиреҳи validator дар бораи блокро; \(I(\cdot)\) функсияи нишондиҳандаро, ки барои тасдиқ 1 ва дар акси ҳол 0 бармегардонад; \(\theta\) бошад, шумораи ҳадди ақали зарурии тасдиқҳои validator-ро ифода мекунад.

Азбаски дар конфигуратсияи асосии blockchain-и симулятсия Proof-of-Authority истифода мешавад, фарз карда мешавад, ки validator-ҳо гиреҳҳои иҷозатдори муассисаҳои молиявиро намояндагӣ мекунанд.

Ошкорсозии таҳдид ҳамчун масъалаи классификатсия чӣ гуна сохта мешавад?

Функсияи қарори қабати AI:

\[ f:\mathbb{R}^{d}\rightarrow\{0,1\} \]

таъриф мешавад. Агар натиҷа 0 бошад, амалиёт қонунӣ ва агар 1 бошад, зараровар нишонагузорӣ мешавад.

Маҷмӯи амалиёти таърихии нишонагузорӣшуда:

\[ D=\{(t_i,c_i)\}_{i=1}^{M},\qquad c_i\in\{0,1\} \]

ва масъалаи омӯзиш:

\[ \min_f\sum_{i=1}^{M}L(f(t_i),c_i) \]

ба ин шакл навишта мешавад. \(L\) функсияи талафот аст, ки хатои классификатсияро ифода мекунад. Аммо манбаи боршуда дар доираи ин модели абстрактӣ барои ҳамаи моделҳо муфассал гузориш намедиҳад, ки кадом loss function мушаххас истифода шудааст.

Нақши хулосабарории нейро-норавшан

Дар ҳоле ки binary classifier-и классикӣ кӯшиш мекунад амалиётро қонунӣ ё fraud ҷудо кунад, қабати нейро-норавшан ҳадаф дорад, махсусан ба амалиётҳои наздик ба марзи қарор ва номуайян узвияти тадриҷии хавф диҳад.

Манбаъ маҷмӯи вуруди fuzzy-ро:

\[ Z_i=\{y_i,\psi_i,\ell_i\} \]

таъриф мекунад. Маблағи амалиёт, профили рафторӣ ва контексти ҷуғрофию-замонӣ бо синфҳои забонӣ ба монанди Low, Medium ва High ифода мешаванд.

Намунаи fuzzy rule:

\[ R_k: \text{IF }y_i\text{ is }A_1^k \text{ AND }\psi_i\text{ is }A_2^k \text{ THEN Risk is }B_k \]

ба ин шакл аст.

Аз якҷояшавии қоидаҳо холи хавфи нейро-норавшан:

\[ R_f(t_i)= \frac{ \sum_{k=1}^{K} w_k \prod_j \mu_{A_j^k}(z_{ij}) }{ \sum_{k=1}^{K} \prod_j \mu_{A_j^k}(z_{ij}) } \]

сохта мешавад. \(w_k\) вазни қоидаи \(k\)-умро; \(\mu_{A_j^k}(z_{ij})\) дараҷаи узвияти вуруди дахлдорро нишон медиҳад. Нормализатсия миқёспазирии холи хавфро таъмин мекунад, дар ҳоле ки тағйирпазирии вазнҳо бо омӯзиш ҳадаф дорад системаро ба намунаҳои тағйирёбандаи амалиёт мутобиқ кунад.

Холи якҷояшудаи хавф чиро ифода мекунад?

Холи якҷояшудаи хавф \(R(t_i)\) натиҷаи омӯзиши мошиниро дар бораи эҳтимолияти зараровар будани амалиёт бо арзёбии хавф дар асоси номуайянӣ ва рафтори модели нейро-норавшан ба таври вазннок муттаҳид мекунад; параметри \(\lambda\) вазни нисбиро байни арзёбии омории AI ва fuzzy reasoning-и шарҳпазир муайян мекунад.

Муодилаи якҷояшудаи хавф дар манбаъ:

\[ R(t_i)= \lambda R_{ML}(t_i) + (1-\lambda)R_f(t_i), \qquad \lambda\in[0,1] \]

ба ин шакл аст.

\(R_{ML}(t_i)\) эҳтимолияти fraud дар асоси омӯзиши мошинӣ; \(R_f(t_i)\) холи хавфи нейро-норавшан аст. Бо зиёд шудани \(\lambda\), ба AI classifier ва бо кам шудани он ба қабати fuzzy reasoning дар қарор вазни бештар дода мешавад.

Манбаъ арзиши мушаххаси таҷрибавии \(\lambda\)-ро дар версияи боршуда ошкоро гузориш намедиҳад. Аз ин рӯ, дар матни Verianla арзиши фарзии \(\lambda\) истифода нашудааст.

Қарори Accept–Monitor–Reject

Манбаъ Муодилаи 12-ро бо сохтори зерини қарори сесатҳӣ медиҳад:

\[ \delta(t_i)= \begin{cases} Accept, & R(t_i)<\eta_1\\ Monitor, & \eta_1\leq R(t_i)\\ Reject, & R(t_i)\geq\eta_2 \end{cases} \]

Ёддошти техникии дохили манбаъ: Дар сатри Monitor-и муодила ҳадди боло чоп нашудааст. Аммо матни баъдӣ ошкоро мегӯяд, ки амалиётҳои хавфи миёна дар байни \(\eta_1\) ва \(\eta_2\) қарор доранд. Аз ин рӯ, дар сатҳи тавзеҳ фосилаи миёнаи пешбинишуда \( \eta_1\leq R(t_i)<\eta_2 \) ба назар мерасад; ин ифода ислоҳи хомӯшонаи муодила нест, балки мантиқи қарорест, ки матни тавзеҳии манбаъ баён мекунад.

Амалиётҳои хавфи паст ба таври худкор қабул мешаванд. Амалиётҳои хавфи миёна барои санҷиши иловагӣ ё баррасии дастӣ таҳти назорат гирифта мешаванд. Амалиётҳои хавфи баланд рад карда мешаванд.

Нақши smart contract ва назорати инсон

Дар чаҳорчӯба пешбинӣ шудааст, ки smart contract-ҳо лимитҳои амалиёт, санҷиши шахсият, назоратҳои AML/KYC ва сиёсатҳои амниятии бар асоси хавфро ба таври худкор татбиқ кунанд. Дар ҳолатҳои хавфи миёна таҳлилгари инсон ё санҷиши иловагӣ метавонад ворид шавад.

Ҳамин тавр, ҳадафи модел танҳо fraud blocking-и худкор нест; балки муттаҳид кардани автоматизатсия ва назорати human-in-the-loop дар як занҷири ягонаи хавф аст.

Чаро тартиби амалиёт дар манбаъ бояд бодиққат хонда шавад?

Манбаъ дар Шакли 2 ҷараёнеро нишон медиҳад, ки амалиётро аз қабати preprocessing ба қабати blockchain ва аз он ҷо ба adaptive threat detection ва decision module мебарад. Баръакс, дар модели татбиқӣ гуфта мешавад, ки амалиёт аввал ба AI-based threat detection фиристода шуда, танҳо амалиёти қонунӣ ба blockchain интиқол меёбад. Дар бахши operational workflow бошад, гуфта мешавад, ки санҷиши blockchain ва таҳлили хавфи AI параллелӣ пеш мераванд.

Аз ин рӯ, версияи боршуда тартиби дақиқи кори байни blockchain ва AI-ро бо як модели ягонаи вақтбандӣ қатъӣ намекунад. Нуқтаи умумие, ки дар меҳвари илмӣ боэътимод гуфтан мумкин аст, ин аст, ки санҷиши blockchain ва таҳлили хавфи AI/нейро-норавшан дар ҳамон transaction lifecycle бо ҳам пайвастанд.

Усул ва Натиҷаҳои Таҳқиқот

Муҳити симулятсия

Конфигуратсияи Blockchain

Додаҳои амалиётии истифодашуда

Манбаъ иддао мекунад, ки ин се гурӯҳи додаҳо рафтори амалиётҳои воқеӣ, бар асоси blockchain ва синтетикиро якҷо ифода мекунанд. Аммо дар версияи боршуда муфассал гуфта намешавад, ки ин се гурӯҳи додаҳо дар як training/evaluation pipeline чӣ гуна тақсим шудаанд, таносубҳои дақиқи train/validation/test чӣ гунаанд ва ҳар модел дар якхел намунаҳо чӣ гуна омӯзонда шудааст.

Се сенарияи fraud

Метрикаҳои арзёбӣ

Accuracy:

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

TP — ошкорсозии дурусти fraud, TN — ошкорсозии дурусти амалиёти legitimate, FP — ҳушдори бардурӯғи fraud ва FN — намунаи fraud-и аз дастрафта мебошад.

Манбаъ эътироф мекунад, ки азбаски ҳолатҳои fraud каманд, accuracy ба танҳоӣ метавонад гумроҳкунанда бошад ва аз метрикаи precision низ истифода мекунад:

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

Precision махсусан барои арзёбии ҳолатҳое муҳим аст, ки амалиёти муқаррарӣ иштибоҳан ҳамчун fraud масдуд карда мешаванд.

Метрикаҳои вақти Blockchain

Вақти тасдиқи амалиёт:

\[ T_c= t_{confirmed}-t_{submitted} \]

Фосилаи байни фиристодани амалиёт ба шабака ва ниҳоӣ шудани он дар blockchain ledger-ро чен мекунад.

Таъхири паҳншавии блок:

\[ D_b= \max_{n\in N}(t_n^{receive}) - t^{broadcast} \]

Баландтарин вақти паҳншавиро аз сохтани блок то расидани он ба гиреҳҳои шабака ифода мекунад.

Таъхири аз оғоз то анҷом бошад:

\[ L_{total} = L_{edge} + L_{AI} + L_{blockchain} \]

таъриф мешавад. Ҳамин тавр, саҳми preprocessing/edge, хулосабарории AI ва санҷиши blockchain ба таъхири умумии амалиёт якҷо баррасӣ мешавад.

Усулҳои муқоисашуда

ANFB-AI бо ду baseline-и муосир муқоиса мешавад. Hybrid Deep Learning (2025), тибқи таърифи манбаъ, равиши пурқуввати AI-only fraud-detection мебошад. Dynamic Feature Fusion (2025) бошад, равиши blockchain fraud-detection аст, ки сохторҳои global graph-ро бо хусусиятҳои семантикии маҳаллӣ муттаҳид мекунад.

Версияи боршуда мегӯяд, ки муқоисаҳо дар муҳити умумии симулятсия гузаронида шудаанд. Бо вуҷуди ин, ҳамаи танзимоти омӯзишӣ, гиперпараметрҳо, ҷузъиёти бозimplementатсия ва номуайяниҳои иҷроҳои такрорӣ барои моделҳои baseline муфассал гузориш нашудаанд.

Натиҷаҳои Accuracy

Дар Шакли 3-и манбаъ муқоисаи умумии accuracy тақрибан %98,7 барои Hybrid Deep Learning, %97,9 барои Dynamic Feature Fusion ва %99,2 барои ANFB-AI дида мешавад. Ин арзишҳо аз график тақрибан хонда шудаанд.

Дар ҳар се модел бо зиёд шудани сарбории fraud accuracy коҳиш меёбад. Манбаъ маҳдудтар будани коҳиш дар ANFB-AI-ро бо adaptive fuzzy reasoning ва мутобиқшавӣ ба concept-drift мепайвандад. Аммо ин механизм бо таҳқиқоти ҷудогонаи ablation ҷудо карда нашудааст.

Натиҷаҳои Precision

Дар Шакли 5 precision-и умумӣ тақрибан Hybrid DL %96,8, Dynamic Feature Fusion %97,4 ва ANFB-AI %98,9 аст.

Тафсири манбаъ ин аст, ки fuzzy rule-based reasoning амалиётҳои назди марзро бодиққаттар арзёбӣ карда, метавонад сатҳи transaction rejection-и нолозимро коҳиш диҳад.

Transaction confirmation time

Дар Шакли 7 вақти умумии тасдиқи амалиёт барои моделҳо тақрибан Hybrid DL 1,9 сония, Dynamic Feature Fusion 1,35 сония ва ANFB-AI 1,1 сония дида мешавад.

Манбаъ вақти кӯтоҳтари тасдиқро бо интиқоли арзёбии хавф ба қабати edge AI, содда кардани интихоби validator ва консенсуси PoA мепайвандад.

Таъхири паҳншавии блок

Дар муқоисаи умумии Шакли 9 таъхири тақрибии паҳншавии блок барои Hybrid DL 210 ms, Dynamic Feature Fusion 165 ms ва ANFB-AI 130 ms аст.

Бо зиёд шудани сарбории амалиёт/fraud дар ҳамаи равишҳо propagation delay афзоиш меёбад. Манбаъ таъхири пасттари ANFB-AI-ро бо сохтори permissioned-и шабака, консенсуси PoA ва паҳншавии камтар мураккаби блок мепайвандад.

Таъхири аз оғоз то анҷом

Дар графики умумии Шакли 11 таъхири умумӣ тақрибан 2,7 сония барои Hybrid DL, 2,05 сония барои Dynamic Feature Fusion ва 1,75 сония барои ANFB-AI мебошад.

Манбаъ таъхири умумии пасти ANFB-AI-ро бо имкони модулӣ/параллелӣ кор кардани ҷузъҳои AI ва blockchain ва коҳиши хароҷоти коркарди такрорӣ тавассути fuzzy inference мепайвандад.

Оё натиҷаҳои симулятсия маънои самаранокии исботшуда дар муҳити воқеии бонкӣ доранд?

Не; таҳқиқоти боршуда дар муҳити назоратшавандаи симулятсия/implementation бо панҷ гиреҳ самаранокӣ нишон медиҳад ва дар ҷараёни зиндаи амалиёти муассисаи воқеии молиявӣ, шабакаи production-grade validator, таъхирҳои воқеии шабакаи байни муассисаҳо, амалиёти танзимкунанда ва шароити adversarial-и саҳроӣ санҷиш намегузаронад; аз ин рӯ, натиҷаҳо далели мустақими татбиқи ҷаҳони воқеӣ нестанд, балки нишондиҳандаи кори меъмории пешниҳодшуда дар шароити назоратшавандаанд.

Натиҷаҳое, ки манбаъ дастгирӣ мекунад

• Меъмории ANFB-AI permissioned blockchain, классификатсияи AI ва хулосабарории adaptive neuro-fuzzy-и хавфро дар як модел муттаҳид мекунад.
• Дар симулятсияҳои назоратшавандаи S1, S2 ва S3, ANFB-AI дар графикҳои манбаъ нисбат ба ду усули муқоисавӣ accuracy ва precision-и баландтар нишон медиҳад.
• Дар ҳамин симулятсияҳо арзишҳои transaction confirmation time, block propagation delay ва end-to-end latency-и ANFB-AI пасттаранд.
• Бо зиёд шудани сатҳи Fraud дар ҳамаи моделҳо коҳиши самаранокӣ ва/ё афзоиши таъхир дида мешавад.
• Меъмории сесатҳии хавф-қабули қарор барои қабули амалиётҳои хавфи паст, назорати амалиётҳои хавфи миёна ва рад кардани амалиётҳои хавфи баланд пешбинӣ шудааст.
• Қабати Blockchain тавассути hash, тасдиқи validator ва консенсус ҳадаф дорад бутунии амалиёт ва auditability-ро таъмин кунад.

Натиҷаҳое, ки манбаъ дастгирӣ намекунад

Версияи боршуда нишон намедиҳад, ки ANFB-AI дар низомҳои воқеии истеҳсолии бонкӣ ҳамон accuracy ва latency-ро таъмин мекунад, аз ҳамаи навъҳои fraud амн аст, ҳамлагарон моделро гузашта наметавонанд, дар шабакаҳои воқеии байни муассисаҳо ҳамон миқёспазириро нигоҳ медорад, federated learning воқеан татбиқ шудааст ё устувории дарозмуддати cyber-adversarial-и модел исбот шудааст.

Маҳдудиятҳои асосии методологӣ

Фарқи симулятсия–саҳро: Муҳити proof-of-concept бо панҷ гиреҳи маҷозӣ тамоми мураккабии амалиётии инфрасохтори воқеии молиявии бисёрмуассисаро ифода намекунад.

Камбуди raw-result: Дар версияи боршуда арзишҳои самаранокӣ дар Шаклҳои 3–12 асосан ба таври графикӣ дода шудаанд ва ҷадвалҳои пурраи рақамии source-of-truth пешниҳод нашудаанд.

Андозагирии номуайянӣ: Дар версияи барвақтии боршуда дар графикҳо error bars, фосилаҳои эътимод ё тақсимоти таҷрибаҳои такрорӣ намоён нестанд.

Ҷузъиёти модел: Меъмории ниҳоии classifier-и омӯзиши мошинӣ, ҳамаи гиперпараметрҳо, optimizer, интихоби мушаххаси loss function ва протоколи тақсимоти training/test дар сатҳи пурраи бозтавлидшавӣ гузориш нашудаанд.

Параметрҳои нейро-норавшан: Шаклҳои функсияҳои узвият, арзишҳои ибтидоӣ, тамоми fuzzy rule set ва танзимоти gradient-based rule-weight update пурра пешниҳод нашудаанд.

Остонаҳои хавф: Арзишҳои дақиқе, ки барои \( \lambda \), \( \eta_1 \) ва \( \eta_2 \) дар таҷрибаҳо истифода шудаанд, ошкоро гузориш нашудаанд.

Номувофиқии workflow: Тартиби амалиёти таҳлили хавфи Blockchain ва AI дар бахшҳои гуногун ба таври гуногун шарҳ дода мешавад.

Навишти Муодилаи 12: Ҳадди болои шарти Monitor дар сатри математикӣ мавҷуд нест; матни тавзеҳӣ минтақаи хавфи миёнаро байни \(\eta_1\) ва \(\eta_2\) таъриф мекунад.

Номуайянии federated-learning: Манбаъ дар баъзе бахшҳо аз равиши ғайримутамаркази learning, ки танҳо параметрҳои модел мубодила мешаванд, ҳарф мезанад, вале federated learning-ро ҳам ҳамчун кори оянда тавсиф мекунад.

Самтҳои таҳқиқоти оянда

Манбаъ дар бахши натиҷаҳо се самти асосии таҳқиқоти ояндаро зикр мекунад: cross-chain interoperability байни шабакаҳои гуногуни blockchain; federated learning барои омӯзиши муштараки ҳифзкунандаи махфият байни муассисаҳои молиявӣ; ва татбиқи амалии чаҳорчӯба дар transaction stream-ҳои зиндаи молиявӣ.

Ин қадами охир махсусан муҳим аст. Дар татбиқи воқеӣ тағйирёбии тақсимоти амалиёт бо мурури замон, топологияи шабакаи байни муассисаҳо, қоидаҳои воқеии KYC/AML, навбатҳои таъхир, вайроншавии validator, рафтори ҳамлагар, adversarial manipulation, model drift ва назорати танзимкунанда бояд ҳамзамон санҷида шаванд.

Маънои илмӣ

Саҳми асосии таҳқиқот танҳо “fraud-detection accuracy-и баландтар” нест. Ғояи муҳимтар ҷойгир кардани қарори хавфи молиявӣ дар буриши се мантиқи ҷудогонаи амният аст: омӯзиши мошинӣ намунаҳоро оморӣ мешиносад; қабати нейро-норавшан ба ҳолатҳои номуайян ва наздик ба марз хавфи дараҷавӣ медиҳад; blockchain бошад, барои бутунии сабти амалиёт ва auditability қабати эътимоди тақсимшуда месозад.

Ин сохтор ҳадаф дорад низоми амниятиро аз танҳо binary fraud classifier будан бароварда, ба меъмории қабатии хавф табдил диҳад, ки дар он transaction integrity, номуайянӣ, тағйири рафтор ва қарори амалиётӣ якҷо баррасӣ мешаванд. Аммо дар версияи боршуда татбиқпазирии ин меъморӣ дар миқёси муассисаи воқеии молиявӣ ҳанӯз нишон дода нашудааст.

Ёддошт оид ба Манбаъ ва Усул

Унвони аслӣ: An Adaptive Neuro-Fuzzy Blockchain–AI Framework for Secure and Intelligent FinTech Transactions

Муаллифон: Gunjan Mishra; Yash Mishra.

Муаллифи масъул: Сабти кунунии Scientific Reports Gunjan Mishra-ро ҳамчун corresponding author нишон медиҳад.

Аффилиатсияҳои PDF-и манбаъ: Gunjan Mishra — Retail Banking, Debit Card, Capital One, McLean, Virginia, USA. Yash Mishra — JK Lakshmipat University, India.

Навъи манбаи боршуда: Версияи барвақт/preprint аз моҳи Марти 2026.

Вазъи кунунии нашр: Ҳамин таҳқиқот баъдтар дар Scientific Reports ҳамчун мақолаи аз peer review гузашта ва қабулшуда нашр шудааст.

Маҷалла: Scientific Reports.

Ношир: Springer Nature.

Санаи нашри версияи peer-reviewed: 31 Августи 2026.

DOI-и версияи peer-reviewed: 10.1038/s41598-026-66643-6

Иҷозатнома: Версияи peer-reviewed-и дастрасии кушода бо CC BY 4.0 нашр шудааст.

Огоҳии версия: Мазмуни таҷриба, формула, симулятсия ва натиҷаҳои ин ядрои илмии Verianla ба PDF-и барвақте, ки корбар пешниҳод кардааст, такя мекунад. Версияи peer-reviewed-и Scientific Reports сохтори арзёбии илмӣ ва гузоришдиҳиро беҳтар кардааст; ду версия пинҳонӣ якҷо карда нашудаанд.

Усули асосӣ: Permissioned blockchain + Proof-of-Authority + AI/ML fraud classification + adaptive neuro-fuzzy inference + холи якҷояшудаи хавф + низоми қарори Accept/Monitor/Reject + арзёбии самаранокии система дар асоси симулятсия.

Муҳити Blockchain: Hyperledger Fabric 2.4, Ethereum Testnet, панҷ гиреҳи маҷозии муассисаи молиявӣ, 10–50 ms таъхири шабакаи гиреҳ.

Муҳити AI: Python 3.11, TensorFlow 2.12, PyTorch 2.1; NVIDIA RTX 4090.

Манбаъҳои додаҳо: Kaggle Credit Card Fraud Detection — 284.807 амалиёт / 492 fraud; 100.000 амалиёти симулятсияшудаи крипто дар асоси CCXT; 50.000 амалиёти синтетикии бонкӣ.

Сенарияҳои стресс: S1 %0,1 fraud; S2 %1 fraud; S3 %5 fraud; дар ҳар сенария 50.000 амалиёт.

Усулҳои муқоиса: Hybrid Deep Learning (2025) ва Dynamic Feature Fusion (2025).

Метрикаҳои самаранокӣ: Accuracy, Precision, Transaction Confirmation Time, Block Propagation Delay, End-to-End Transaction Latency.

Маблағгузорӣ: Дар PDF-и барвақтии боршуда Funding Statement-и алоҳида ва ошкор мавҷуд нест.

Дастрасии додаҳо: Дар PDF-и барвақтии боршуда Data Availability Statement-и алоҳида мавҷуд нест.

Саҳми муаллифон: Дар PDF-и барвақтии боршуда бахши алоҳидаи CRediT Author Contributions мавҷуд нест.

Бархӯрди манфиатҳо: Дар PDF-и барвақтии боршуда бахши алоҳидаи Conflict of Interest мавҷуд нест. Сабти кунунии Scientific Reports мегӯяд, ки муаллифон competing interest эълом накардаанд.

Ҳадди асосии тафсир: Натиҷаҳои accuracy/precision-и баланд ва latency-и паст дар манбаъ ба симулятсияи назоратшаванда ва муҳити proof-of-concept тааллуқ доранд. Онҳо набояд ҳамчун самаранокии умумии саҳроӣ дар инфрасохтори зиндаи муассисаи молиявӣ тафсир шаванд.