Ошкор кардани ҳисобҳои қаллоб дар экосистемаи крипто торафт душвортар мешавад. Яке аз сабабҳои асосӣ ин аст, ки маблағҳои ҷиноятӣ дигар дар як занҷир боқӣ намемонанд. Пулҳои cross-chain, протоколҳои молияи ғайримарказонидашуда ва имкони табдили дороиҳои гуногун интиқоли маблағро аз як блокчейн ба блокчейни дигар осон мекунанд. Ин ҳолат метавонад низомҳои ошкорсозиро, ки танҳо барои Ethereum, Bitcoin ё як занҷири мушаххас тарҳрезӣ шудаанд, заиф гардонад.

Ин таҳқиқот усули бисёрзанҷираи ошкорсозии ҳисобҳои қаллобро бо номи UniDetect пешниҳод мекунад. Низом шабакаҳои асабии графикиеро, ки графики муомилотро таҳлил мекунанд, бо хулосаҳои муомилотии тавлидкардаи моделҳои бузурги забонӣ муттаҳид месозад. Ҳадаф ба як муаррифии муштарак ва фаҳмо табдил додани сохторҳои гетерогении муомилот дар блокчейнҳои гуногун аст.

UniDetect нахуст зерграфҳои ҳисобмеҳвар месозад. Сипас forensic analysis agent-и асосёфта ба LLM таърихи муомилоти ҳисобро аз ҷиҳати ҷараёни арзиш, вақти муомила, гуногунии тарафҳои муқобил ва харҷи gas ҷамъбаст мекунад. Баъдан ду агенти ҷудогонаи таҳлили хулоса фаъол мешаванд: яке иттилооти фарқкунандаро барои ошкорсозии қаллобӣ берун меорад ва дигаре иттилооти боқимонда/factual-еро, ки мустақиман ба вазифа вобаста нест, ҷудо мекунад. Ин хулосаҳо ҳамчун node feature ба шабакаи асабии графикии дурӯҳа бо номи Dual-PGNN дода мешаванд.

Мувофиқи натиҷаҳои гузоришшуда, UniDetect дар маҷмуаҳои додаҳои Ethereum, Bitcoin-M ва Bitcoin-L нисбат ба усулҳои классикии омӯзиши графикӣ, усулҳои ошкорсозии якзанҷира ва аксари равишҳои мавҷудаи бисёрзанҷира самаранокии беҳтар нишон медиҳад. Ҳамчунин гуфта мешавад, ки ҳангоми омӯзиш дар Ethereum ва санҷиши zero-shot дар Bitcoin он тавонистааст қисми зиёди ҳисобҳои қаллобро ошкор кунад. Аммо азбаски чунин низомҳо хатари натиҷаҳои мусбати бардурӯғ доранд, дар истифодаи воқеӣ бояд ҳамроҳ бо назорати инсонӣ ва заминаи ҳуқуқӣ арзёбӣ шаванд.

Мушкил чист?

Азбаски блокчейнҳо сабтҳои кушодаи муомилотро пешниҳод мекунанд, аз нигоҳи назариявӣ барои ошкорсозии қаллобӣ додаҳои пурқувват фароҳам меоранд. Аммо дар амал чанд мушкили асосӣ вуҷуд дорад.

Мушкили аввал гетерогении занҷирҳост. Ethereum бо модели ҳисобӣ кор мекунад, аммо Bitcoin ба модели UTXO такя дорад. Майдонҳои муомила, рафтори нишониҳо, иттилооти gas/fee, сохтори input-output ва семантикаи муомила аз як занҷир то занҷири дигар фарқ мекунанд. Аз ин рӯ, хусусиятҳое, ки дастӣ барои як занҷир тарҳрезӣ шудаанд, метавонанд дар занҷири дигар ҳамон маъноро надошта бошанд.

Мушкили дуюм рафтори фирор тавассути cross-chain аст. Қаллобон метавонанд маблағҳоро байни чанд занҷир интиқол диҳанд, онҳоро ба token-ҳои гуногун табдил диҳанд ё бо истифода аз пулҳо ва протоколҳои DeFi изҳоро пароканда созанд. Дар чунин ҳолат низомҳои назоратии якзанҷира метавонанд тамоми рафторро набинанд.

Мушкили сеюм модалияти додаҳост. Додаҳои блокчейн танҳо аз миқдорҳои ададии муомила иборат нестанд. Басомади муомила, ҷараёни маблағ, гуногунии тарафҳои муқобил, вақтбандӣ, истифодаи gas, паёмҳои input data, graph topology ва ҳамкории нишониҳо якҷо маъно пайдо мекунанд. Аз ин рӯ, танҳо ҷадвали ададӣ ё танҳо сохтори графикӣ метавонад кофӣ набошад.

Мушкили чорум эътимоднокии LLM аст. Моделҳои бузурги забонӣ дар маънидод кардани хулосаҳои муомилот тавоно буда метавонанд, вале хатари галлюсинатсия, тафсири аз ҳад зиёд, баровардани хулосаи unsupported дар бораи хавф ва тавлиди мусбати бардурӯғро доранд. Дар соҳаи ҳассосе мисли ошкорсозии қаллобӣ, тавлиди тафсирҳои «далелнокнашуда» аз ҷониби модел мушкили ҷиддии эътимод ба вуҷуд меорад.

Мушкили асосие, ки мақола мехоҳад ҳал кунад, чунин аст: додаҳои мураккаби муомилотиро аз блокчейнҳои гуногун чӣ гуна метавон дар як чаҳорчӯбаи муштараки ошкорсозии қаллобӣ муттаҳид кард, то ҳам сохтори графикӣ ва ҳам семантикаи муомила ҳифз шаванд?

Усул чӣ пешниҳод мекунад?

Усули UniDetect-ро метавон ба чор бахши асосӣ ҷудо кард.

1. Сохтани зерграфи ҳисобмеҳвар: Азбаски мустақиман ба модел додани тамоми графики занҷир хеле серхарҷ аст, ҳамсояҳои муҳими атрофи ҳисоби ҳадаф интихоб мешаванд. Дар ин интихоб сигналҳои рафторӣ, аз қабили арзиши миёнаи муомила, истифода мегарданд. Сипас гиреҳҳои нолозим бо холҳои аҳаммияти сохторӣ ҳазф шуда, зерграфи хурдтар, вале пурмаъно ба даст меояд.

2. Тавлиди хулосаи муомилотӣ дар асоси LLM: Forensic analysis agent таърихи муомилоти ҳар ҳисобро ба хулосаи забони табиӣ табдил медиҳад. Ин хулоса ҷанбаҳои ҷараёни арзиш, таносуби шарикон, вақти муомила ва харҷи gas-ро фаро мегирад. Ҳамин тавр, фарқиятҳои техникии занҷирҳои гуногун ба забони семантикии муштарак табдил меёбанд.

3. Ҷудокунии discriminative ва residual summary: Тамоми хулосаи аввал барои ошкорсозии қаллобӣ арзиши баробар надорад. Аз ин рӯ, discriminative summary analyst agent сигналҳоеро чун ҷараёни маблағ, ҳамкорӣ бо чанд тарафи муқобил, рафтори пуршиддати муомилотӣ ва робита бо нишониҳои хавфнок, ки метавонанд аз ҷиҳати қаллобӣ фарқкунанда бошанд, берун меорад. Residual summary analyst agent бошад, иттилооти бештар тавзеҳӣ ё бетараферо, ки мустақиман ба тасниф саҳм намегузорад, ҷудо мекунад.

4. Омӯзиши навбатии думарҳилавӣ: Дар марҳилаи аввал агентҳои хулосасозии асосёфта ба LLM барои беҳтар кардани сифати хулоса бо LoRA ва reinforcement learning омӯзиши дақиқ мегиранд. Дар марҳилаи дуюм LLM яхбандӣ шуда, модели графикӣ омӯзонда мешавад. Ҳамин тавр, ҳам хулосаҳои забонӣ ва ҳам муаррифии графики муомилот ба низоме табдил меёбанд, ки якдигарро тақвият медиҳанд.

Ғояи асосии ин равиш чунин аст: LLM таърихи муомилотро ба хулосаи хонданӣ ва аз ҷиҳати семантикӣ ғанӣ табдил медиҳад; шабакаи асабии графикӣ бошад, мавқеи рафторӣ ва сохтории ҳисобро дар дохили шабака меомӯзад. UniDetect бо истифодаи якҷояи ин ду канал мекӯшад низоми умумитарини бисёрзанҷираи ошкорсозии қаллобиро бисозад.

Формулаҳо чиро мефаҳмонанд?

Формулаҳои PDF таърифи графики муомилот, намунагирии зерграф, холи аҳаммияти сохторӣ, функсияи талафоти сегона, беҳтарсозии хулоса дар асоси reinforcement learning ва омӯзиши муаррифии Dual-PGNN-ро шарҳ медиҳанд. Формулаҳо дар зер бо MathJax мувофиқ оварда шудаанд.

1. Модели додаҳои графики муомилот

Дар ин ҷо \(G\) графики муомилотро ифода мекунад. \(V\) маҷмуаи гиреҳҳои ҳисобҳост. \(E\) канорҳои самтдори муомилот байни ҳисобҳоро нишон медиҳад. Дар муомилоти крипто фиристодани маблағ аз як нишонӣ ба нишонии дигар дар график ҳамчун канори самтдор моделсозӣ мешавад.

\(X_E\) матритсаи хусусиятҳои канор аст. \(m\) шумораи канорҳои муомилот ва \(d\) андозаи хусусиятҳои истифодашаванда барои ҳар канорро ифода мекунад. Ин хусусиятҳо метавонанд тафсилоти вобаста ба занҷир, аз ҷумла маблағи муомила, басомади муомила ва fee/gas-ро дар бар гиранд.

2. Вазифаи ошкорсозии ҳисобҳои қаллоб

Ин формула нишон медиҳад, ки вазифа ҳамчун node classification сохта шудааст. Тамғаҳои баъзе ҳисобҳо, яъне \(Y_L\), маълуманд; ҳадафи модел пешгӯии тамғаҳои ҳисобҳои бетамға, яъне \(Y_U\), ва муайян кардани одӣ ё қаллоб будани онҳост.

3. Намунагирии ҳамсояҳои semantics-aware

Ин формула нишон медиҳад, ки кадом ҳамсояҳо аз атрофи ҳисоби ҳадаф интихоб мешаванд. \(N_v\) ҳамсояҳои як-hop-и гиреҳи \(v\) мебошанд. \(K\) шумораи ҳамсояҳои интихобшаванда барои ҳар hop аст. \(R[v,N_v]\) арзиши миёнаи муомила бо ҳамсояҳои номзадро ифода мекунад. Ҳамин тавр, ҳамкориҳои дорои арзиши баланд ё аз ҷиҳати рафтор муҳим бартарӣ мегиранд.

\(C_v\) маҷмуаи гиреҳҳост, ки дар атрофи ҳисоби ҳадафи \(v\) тавассути намунагирии \(h\)-hop ба даст омадааст. Ин маҷмуа барои account-centered subgraph, ки муҳити муомилотии ҳисобро ифода мекунад, асос мегардад.

4. Холи аҳаммияти сохторӣ

Ин формула аҳаммияти сохтории гиреҳи ҳамсояи \(u\)-ро ҳисоб мекунад. \(a_u^{in}\) ва \(a_u^{out}\) маблағҳои муомилоти воридотӣ ва содиротии гиреҳро, \(d_u^{in}\) ва \(d_u^{out}\) шумораи дараҷаҳои воридотӣ ва содиротиро нишон медиҳанд. \(L_u\) кӯтоҳтарин масофаи роҳ то гиреҳи ҳадаф аст. \(\beta\) тавозунро байни рафтори пулӣ ва сигнали пайвастагии сохторӣ назорат мекунад.

Агар хол баланд бошад, гиреҳ муҳимтар дониста мешавад. Вале танҳо пайвастагии баланд ҳамеша сигнали қаллобӣ нест; биржаҳо ё ҳамёнҳои бузурги хидматӣ низ метавонанд пайвастагии баланд дошта бошанд. Аз ин рӯ, мақола нишон медиҳад, ки танзими \(\beta\) бояд боэҳтиёт интихоб шавад.

5. Талафоти discriminative summary

Ин талафот месанҷад, ки таснифи бо истифода аз discriminative summary анҷомшуда то чӣ андоза бо тамғаи воқеӣ мувофиқ аст. \(p_v^D\) эҳтимоли пешгӯие мебошад, ки аз discriminative summary гирифта шудааст. Ҳадаф ин аст, ки хулосаҳои фарқкунанда муваффақияти таснифро барои ошкорсозии қаллобӣ зиёд кунанд.

6. Талафоти residual summary

Residual summary иттилоотеро ифода мекунад, ки интизор меравад барои ошкорсозии мустақими қаллобӣ фарқкунанда набошад. Аз ин рӯ, модел намехоҳад хулосаи residual дар тасниф самти қавӣ диҳад. \(U_v\) тақсимоти яксон аст. Ин талафот ба он равона шудааст, ки пешгӯии хулосаи residual то ҳадди имкон бетараф бимонад.

7. Талафоти ортогоналӣ

Ин формула мекӯшад аз омехта шудани муаррифии discriminative ва residual пешгирӣ кунад. Агар ин ду муаррифӣ аз ҳад зиёд ба ҳам монанд шаванд, ҷудокунии сигнали фарқкунанда аз иттилооти бетараф/factual заиф мегардад. Талафоти ортогоналӣ барои коҳиш додани ин омехтагӣ истифода мешавад.

8. Талафоти умумии сегона

UniDetect сифати хулосаро аз се ҷиҳат назорат мекунад: иттилооти discriminative, ки барои ошкорсозии қаллобӣ кумак мекунад; иттилооти residual, ки бояд бетараф бимонад; ва ҷудоии ин ду муаррифӣ аз ҳамдигар. \(\lambda_1\) ва \(\lambda_2\) вазнҳои талафоти residual ва ортогоналиро муайян мекунанд.

9. Подоши RL

Агар талафоти умумӣ кам бошад, подош баланд мешавад. Ин подош барои ҳавасманд кардани summary analyst agent-и асосёфта ба LLM ба тавлиди хулосаи беҳтар истифода мегардад.

10. Ҳисобкунии Advantage

\(b_t\) exponential moving-average baseline дар қадами омӯзиш аст. Бо тарҳ кардани baseline аз Reward арзиши бартарӣ ба даст меояд. Ин ба коҳиши вариатсия дар омӯзиши RL ва устувортар шудани омӯзиш кумак мекунад.

11. Функсияи ҳадафи RL

Ин формула эҳтимолҳои тавлиди discriminative ва residual summary-ро бо подош мепайвандад. Агентҳое, ки хулосаи хуб тавлид мекунанд, подоши баландтар мегиранд; агентҳое, ки хулосаҳои заиф ё нолозим месозанд, ҷарима мешаванд.

12. Тавлиди муаррифии node дар Dual-PGNN

Формулаи аввал аз хулосаи discriminative ё residual муаррифии графикии node-ро тавлид мекунад. Формулаи дуюм аз хулосаи аслии муомилот муаррифии ҷудогона месозад. Дар ин ҷо \(A_v\) матритсаи adjacency-и зерграфи атрофи ҳисоби ҳадаф аст. \(\theta(\cdot)\) қабати хаттие мебошад, ки худи хусусиятро ҳифз мекунад.

13. Омезиши муаррифӣ бо Attention

Ин формула нишон медиҳад, ки муаррифии хулосаи discriminative/residual бо муаррифии хулосаи аслӣ тавассути вазнҳои attention якҷо мешавад. \(W_1\) ва \(W_2\) параметрҳое мебошанд, ки аҳаммияти нисбии ду канали иттилоотиро меомӯзанд.

14. Меъёри KS

Меъёри KS ченаки ҷудокунист, ки дар баҳодиҳии қарзӣ ва моделсозии хавф зиёд истифода мешавад. Дар ин ҷо он нишон медиҳад, ки тақсимоти холҳои ҳисобҳои одӣ ва қаллоб то чӣ андоза аз ҳам ҷудо мешаванд. Ҳар қадар KS баланд бошад, ҳамон қадар қобилияти модел барои ҷудо кардани ду синф пурқувват дониста мешавад.

Паёми асосии график, ҷадвал ва нақша

Figure 1 дар саҳифаи 1: Тасвир усулҳои классикии ошкорсозии қаллобии махсуси занҷириро бо UniDetect муқоиса мекунад. Дар ҳоле ки усулҳои анъанавӣ қоидаҳо ва хусусиятҳои хоси як занҷир, ба монанди Bitcoin ё Ethereum-ро истифода мебаранд, UniDetect мекӯшад бо хулосаҳои муомилотии асосёфта ба LLM муаррифии муштараки бисёрзанҷира тавлид кунад. Паёми асосӣ: ба ҷойи feature engineering-и хоси занҷир, муаррифии муштараки семантикӣ ва графикӣ байни занҷирҳо ҳадаф қарор мегирад.

Figure 2 дар саҳифаи 4: Чаҳорчӯбаи умумии UniDetect нишон дода шудааст. Дар тарафи чап қадамҳои сохтани зерграф ва transaction summary generation ҷой доранд. Дар қисми миёна сохтори омӯзиши думарҳилавӣ ҳаст: дар Stage 1 агентҳои хулосасоз омӯзонда мешаванд ва дар Stage 2 graph inference training иҷро мегардад. Дар поён нишон дода мешавад, ки низом дар марҳилаи inference ба саволи «оё ин ҳисоб қаллоб аст?» ҷавоби эҳтимолӣ медиҳад.

Қолабҳои prompt дар саҳифаҳои 4–5: Forensics analyst agent додаҳои муомилотро аз рӯи ҷараёни арзиш, таносуби шарикон, вақти муомила ва харҷи gas ҷамъбаст мекунад. Discriminative summary agent қолабҳои муомилотии аз ҷиҳати қаллобӣ фарқкунандаро берун меорад. Residual summary agent бошад, иттилооти factual-еро ҷудо мекунад, ки мустақиман доварии хавфро дар бар намегирад. Паёми асосӣ ин аст, ки LLM набояд озодона тафсир кунад, балки бояд хулосаи далелнок ва вазифамеҳвар тавлид намояд.

Ҷадвали маҷмуаҳои додаҳо дар саҳифаи 6: Дар маҷмуаи додаҳои Ethereum 187.960 node, 397.038 edge, 1.991 fraud ва 1.439 ҳисоби normal мавҷуд аст. Дар маҷмуаи додаҳои Bitcoin-M 2.505.841 node ва 14.181.316 edge, дар Bitcoin-L бошад 20.085.231 node ва 203.419.765 edge ҷой доранд. Ин ҷадвал нишон медиҳад, ки усул на дар маҷмуаи хурди бозичамонанд, балки дар графикҳои миқёси бузург санҷида шудааст.

Ҷадвали натиҷаҳои Ethereum дар саҳифаи 7: UniDetect дар Ethereum бо нишондиҳандаҳои Precision 91.39, Recall 93.95, F1 92.65, AUC 94.82 ва KS 68.94 натиҷаи беҳтарин медиҳад. Версияи UniDetect бо LLM-и zero-shot низ натиҷаи қавӣ медиҳад, аммо fine-tuning ва омӯзиши думарҳилавӣ дар модели пурра беҳбудии иловагии назаррас меоранд.

Ҷадвали натиҷаҳои Bitcoin-M ва Bitcoin-L дар саҳифаи 8: UniDetect дар Bitcoin-M натиҷаҳои F1 92.98, AUC 93.83, KS 70.45 ва дар Bitcoin-L натиҷаҳои F1 93.41, AUC 95.22, KS 72.25-ро медиҳад. Паёми асосӣ ин аст, ки усул танҳо махсуси Ethereum намемонад ва дар сохторҳои додаҳои Bitcoin низ самаранокии қавӣ нишон медиҳад.

Графикҳои ҳассосияти hyperparameter дар саҳифаи 8: Тағйири самаранокӣ ҳангоми дигар шудани \(N_c\), \(\beta\), \(\lambda_1\) ва \(\lambda_2\) нишон дода мешавад. Гарчанде модел дар доираи васеъ устувор менамояд, гуфта мешавад, ки параметрҳои аз ҳад хурд ё аз ҳад калон метавонанд самаранокиро коҳиш диҳанд. Хусусан агар \(\beta\) хеле калон шавад, ҳамёнҳои хидматии серпайванд, вале бегуноҳ метавонанд барои модел аз ҳад муҳим намоянд.

Ҷадвали ablation дар саҳифаи 8: Ҳангоми хориҷ кардани ҷузъҳои модел самаранокӣ тағйир меёбад. Вақте residual agent хориҷ мешавад, F1 то 78.37 поён меравад, ки аҳаммияти ҷудокунии residual/discriminative-ро нишон медиҳад. Ҳангоми бардоштани RL ва иваз кардани Dual-PGNN бо GNN-и стандартӣ низ самаранокӣ коҳиш меёбад.

Ҷадвали самаранокӣ дар саҳифаи 9: Сохтани зерграф ба ҳисоби миёна 1.26 сония/samples, inference 1.47 ms/sample ва throughput 680 sample/s гузориш шудааст. Гарчанде омӯзиши асосёфта ба LLM серхарҷ аст, иддао мешавад, ки низом дар марҳилаи inference ба татбиқи амалӣ наздик мебошад.

Графики RL convergence дар саҳифаи 13: Нишон дода мешавад, ки каҷи подош дар 50 қадами аввал зуд боло меравад ва дар фосилаи 0.5–0.6 муътадил мешавад. Мақола инро ҳамчун далели дастгиркунанда пешниҳод мекунад, ки раванди RL-based LLM fine-tuning бе фурӯпошӣ устувор пеш меравад.

Озмоишҳо чӣ гуна анҷом дода шуданд?

Таҳқиқот дар Ethereum ва Bitcoin озмоиш мегузаронад. Дар бахши Ethereum тамғаҳои қаллобон аз манбаъҳое чун Etherscan label cloud, XLabelCloud ва CryptoScamDB гирифта шудаанд. Навъҳои ҳисобҳои ғайриқонунӣ ё хавфнок, аз ҷумла Phishing, Upbit vulnerability attack, gambling ва honeypot фаро гирифта шудаанд. Ҳисобҳои дорои ҳувияти махсуси маълум, ба монанди Miner ва таъминкунандагони хидматҳои молиявӣ, benign арзёбӣ шудаанд.

Муомилоти Ethereum аз 7 августи 2015 то 10 апрели 2025 ҷамъоварӣ шудаанд. Муомилоти дорои маблағи сифр ва номуваффақ хориҷ карда шуданд. Байни ҳисобҳои фиристанда ва гиранда графики муомилоти самтдор сохта шуд. Дар интиқолҳои такрорӣ муомилоти байни як ҷуфти ҳисоб дар як канор ҷамъ карда шуда, хусусиятҳое чун маблағи маҷмӯии интиқол ва басомади муомила истифода шуданд.

Дар бахши Bitcoin ду маҷмуаи додаҳо истифода шудааст: Bitcoin-M ва Bitcoin-L. Bitcoin-M нахустин 1.5 миллион муомиларо то июни 2015 фаро мегирад. Bitcoin-L тамоми муомилоти байни июн–сентябри 2015-ро дар бар мегирад. Дар маҷмуаҳои додаҳои Bitcoin нишониҳои марбут ба хидматҳои gambling ва mixing ҳамчун синфи мусбати вобаста ба қаллобӣ ё фаъолияти ғайриқонунӣ баррасӣ шудаанд.

Модел барои омӯзиш/санҷиши эътибор/озмоиш бо таносуби 8:1:1 тақсим шудааст. Барои муқоиса 20 усули baseline, аз ҷумла DeepWalk, Node2Vec, GCN, GAT, GIN, GraphSAGE, APPNP, CARE-GNN, BWGNN, GRIT, DGA-GNN, PMP, Trans2Vec, TSGN, Ethident, TEGDetector, SIGTRAN, BERT4ETH ва DIAM истифода шудаанд.

Дар UniDetect намунагирии ҳамсояҳои 2-hop анҷом дода шуда, барои ҳар hop ҳадди аксар \(K=10\) ҳамсоя нигоҳ дошта шудааст. Пас аз фишурдан андозаи ниҳоии зерграф \(N_c=10\) муқаррар шудааст. Gemma-3-4B-it ҳамчун пояи LLM, Sentence-BERT барои embedding ва Dual-PGNN-и асосёфта ба CARE-GNN ҳамчун пояи графикӣ истифода шудаанд. Дар омӯзиш бо LoRA омӯзиши дақиқи камхарҷи параметрӣ анҷом дода шудааст.

Меъёрҳои арзёбӣ Precision, Recall, F1, AUC ва KS муайян шудаанд. Илова бар ин, дар санҷиши cross-chain zero-shot модели дар Ethereum омӯзондашуда ба Bitcoin татбиқ шудааст; дар санҷиши cross-domain transfer бошад, таснифи business account дар маҷмуаи додаҳои шабакаи иҷтимоии Instagram озмуда шудааст.

Натиҷаҳо чиро нишон медиҳанд?

1. UniDetect дар Ethereum самаранокии қавӣ медиҳад. Дар маҷмуаи додаҳои Ethereum, UniDetect ба нишондиҳандаҳои F1 92.65, AUC 94.82 ва KS 68.94 мерасад. Ин натиҷаҳо нисбат ба усулҳои якзанҷираи истифодабарандаи feature engineering-и дастӣ ва моделҳои умумии омӯзиши графикӣ беҳбудии назаррасро нишон медиҳанд.

2. Дар маҷмуаҳои додаҳои Bitcoin низ қобилияти умумисозӣ дида мешавад. UniDetect дар Bitcoin-M нишондиҳандаҳои F1 92.98, AUC 93.83 ва KS 70.45, дар Bitcoin-L бошад F1 93.41, AUC 95.22 ва KS 72.25-ро гузориш медиҳад. Ин нишон медиҳад, ки усул ба шакли додаҳои хоси Ethereum вобастагии аз ҳад зиёд надорад.

3. Санҷиши cross-chain zero-shot қавӣ, аммо асимметрӣ аст. Вақте модели дар Ethereum омӯзондашуда мустақиман ба Bitcoin татбиқ мегардад, он метавонад ҳисобҳои қаллобро бо сатҳи баланд ошкор кунад. Аммо мақола инчунин ба мушкилӣ дар ҷанбаи precision барои ҷудо кардани ҳисобҳои одӣ ишора мекунад. Ин аҳаммияти назорати натиҷаҳои мусбати бардурӯғро дар ҷаҳони воқеӣ зиёд мекунад.

4. Сифати хулосаи LLM нақши ҳалкунанда дорад. Ҳангоми хориҷ кардани омӯзиши думарҳилавӣ самаранокӣ коҳиш меёбад. Ин натиҷа нишон медиҳад, ки ба ҷойи гирифтани хулосаҳои тасодуфӣ аз LLM, хулосаҳои барои вазифаи ошкорсозии қаллобӣ мутобиқшуда ва ҳамроҳ бо graph model беҳинашуда муҳиманд.

5. Residual agent барои коҳиши хатари галлюсинатсия ва тафсири аз ҳад зиёд муфид менамояд. Ҳангоми хориҷ кардани residual summary agent самаранокӣ ба таври ҷиддӣ коҳиш меёбад. Ин аҳаммияти ҷудо кардани иттилооти task-relevant аз муҳтавои task-irrelevant ё over-inference-ро барои fraud detection-и боэътимод тасдиқ мекунад.

6. Dual-PGNN бар зидди мушкили neighbourhood camouflage кумак мекунад. Ҳисобҳои қаллоб метавонанд худро бо ҳамсояҳои бегуноҳ пинҳон кунанд. Dual-PGNN бо нигоҳ доштани хусусиятҳои хулосавии худи node дар канали мустақил аз ҷамъбасти ҳамсояҳо мекӯшад ин таъсирро коҳиш диҳад.

7. Самаранокӣ аз нигоҳи истифодаи амалӣ умедбахш менамояд. Гарчанде марҳилаи омӯзиш бинобар LLM серхарҷ аст, inference бо 1.47 ms/sample ва throughput бо 680 sample/s гузориш шудааст. Ин нишон медиҳад, ки низом метавонад барои равиши offline training + тавлиди босуръати холи online муносиб бошад.

Чаро ин муҳим аст?

Интиқоли даромади ҷиноятии крипто байни занҷирҳои гуногун барои низомҳои назорати ҷиноятҳои молиявӣ мушкили ҷиддӣ ба вуҷуд меорад. Як нишонӣ метавонад дар Ethereum шубҳанок нанамояд, аммо ҳангоми арзёбии якҷоя бо ҳаракатҳояш дар Bitcoin, пул, mixer ё занҷирҳои дигар профили хавфи пурмаънотар пайдо мешавад.

Ҷиҳати муҳими UniDetect он аст, ки фарқиятҳои занҷириро тавассути тарҳрезии дастии хусусиятҳои алоҳида ҳал карданӣ нест. Ба ҷойи ин, он рафтори муомилотро бо LLM дар як муаррифии муштараки забони табиӣ ҷамъбаст карда, сипас ин хулосаҳоро якҷо бо графики муомилот истифода мебарад. Ҳамин тавр, кӯшиш мешавад ба саволи «ҳисоб чӣ кор кард?» ҳам аз ҷиҳати матнӣ ва ҳам сохторӣ ҷавоб дода шавад.

Ин равиш на танҳо барои блокчейн, балки барои соҳаҳои дигари қаллобӣ низ ғоябахш аст. Дар соҳаҳое чун бонкдорӣ, тиҷорати электронӣ, шабакаҳои иҷтимоӣ, низомҳои пардохт ва суғурта низ метавон графикҳои рафторӣ ва тавзеҳоти матниро якҷо истифода бурд. Санҷиши cross-domain-и таҳқиқот дар маҷмуаи додаҳои Instagram бо ҳадафи нишон додани имкони интиқоли ин равиши умумӣ ба соҳаҳои дигар анҷом шудааст.

Аммо ин аҳаммият бояд ҳамроҳ бо эҳтиёт баррасӣ шавад. Низомҳои ошкорсозии қаллобӣ метавонанд натиҷаҳои мусбати бардурӯғ тавлид кунанд. «Хавфнок» намоён шудани ҳисоб далели қатъии ҷиноят нест. Аз ин рӯ, низомҳое чун UniDetect бояд на ҳамчун абзори ҷазодиҳии худкор, балки ҳамчун низоми дастгирии қарор истифода шаванд, ки ба таҳлилгарон кумак мекунанд, далелҳои шарҳпазир медиҳанд ва баррасии инсониро дар авлавият мегузоранд.

Нуктаҳои қобили таваҷҷуҳ

1. Ин таҳқиқот preprint аст. Натиҷаҳо набояд бо қатъияти нусхаи ниҳоии аз баррасии ҳамтоён гузашта арзёбӣ шаванд.

2. Ҳадаф иттилоърасонии амниятӣ аст. Муҳтавои ин ҷо усули ошкорсозии қаллобиро шарҳ медиҳад; он набояд барои баровардани ҳукми қатъӣ нисбат ба ягон ҳисоб ё шахс истифода шавад.

3. Хатари мусбати бардурӯғ муҳим аст. Гарчанде сатҳи ошкор кардани қаллобон дар санҷиши cross-chain zero-shot баланд менамояд, хатари иштибоҳан нишонагузорӣ шудани ҳисобҳои одӣ бояд алоҳида идора карда шавад.

4. Сифати тамғаҳо ба натиҷаҳо таъсир мерасонад. Тамғаҳои Etherscan, XLabelCloud, CryptoScamDB ё Bitcoin метавонанд нопурра, деркарда ё баҳснок бошанд. Модел танҳо ба андозаи эътимоднокии тамғаҳои истифодакардааш боэътимод меомӯзад.

5. Галлюсинатсияи LLM комилан аз байн намеравад. Мақола мекӯшад ин хатарро бо residual agent ва RL fine-tuning коҳиш диҳад. Аммо дар ҷаҳони воқеӣ натиҷаҳои LLM бояд ҳамоно назорат ва иддаоҳои берун аз далел филтр карда шаванд.

6. Сохторҳои додаҳои байни занҷирҳо пайваста тағйир меёбанд. Протоколҳои нав, пулҳо, усулҳои mixer, абзорҳои privacy ва рафтори DeFi метавонанд бозомӯзии моделро бо гузашти вақт талаб кунанд.

7. Ҷанбаи танзимӣ ва ахлоқӣ вуҷуд дорад. Соҳаҳое чун ошкорсозии қаллобӣ, назорати шустушӯи пул ва баҳодиҳии хавфи ҳисоб метавонанд масъулияти ҳуқуқӣ ба бор оранд. Низомҳои қароргирии худкор бояд ҳамроҳ бо ҳуқуқи инсон, механизми эътироз ва махфияти додаҳо тарҳрезӣ шаванд.

Ёддошт дар бораи соҳаи хавфнок: Таҳқиқот ба ошкорсозии қаллобӣ дар ҳисобҳои крипто марбут аст. Ин навишта ҳадафи иттилоърасонии амниятӣ ва таҳқиқотӣ дорад. Он набояд ба танҳоӣ ҳамчун абзори айбдоркунии қатъии ягон нишонӣ, шахс, муассиса ё муомила истифода шавад. Дар ҷаҳони воқеӣ чунин низомҳо бояд ҳамроҳ бо баррасии инсонӣ, далелҳои иловагӣ, раванди ҳуқуқӣ ва назорати натиҷаҳои мусбати бардурӯғ истифода шаванд.

Арзёбии умумӣ: Мақола таъкид мекунад, ки қаллобии крипто дигар бо як блокчейн маҳдуд нест ва маблағҳо бо интиқол байни занҷирҳои гуногун метавонанд аз низомҳои назоратӣ фирор кунанд. Аз ин рӯ, усули барои Ethereum тарҳрезишуда наметавонад мустақиман ба Bitcoin ва усули барои Bitcoin тарҳрезишуда ба занҷирҳои дигар интиқол ёбад. Ғояи асосии UniDetect муттаҳид кардани рафтори муомилот аз занҷирҳои гуногун зери як муаррифии муштараки забонӣ ва графикӣ аст.

Хулоса

Таҳқиқоти UniDetect як тамоюли муҳими ошкорсозии қаллобии крипторо ифода мекунад: танҳо шабакаи асабии графикӣ ё танҳо хусусиятҳои дастисохтаи занҷирӣ шояд кофӣ набошанд. Дар ҷаҳони cross-chain талабот ба низомҳои multimodal меафзояд, ки рафтори муомилотро ҳам аз ҷиҳати семантикӣ ҷамъбаст ва ҳам дар дохили сохтори графикӣ арзёбӣ мекунанд.

Мақола нишон медиҳад, ки агентҳои LLM метавонанд додаҳои муомилотро ба хулосаҳои хонданӣ табдил диҳанд, аммо ин хулосаҳо ҳатман бояд аз рӯи вазифа филтр шаванд. Discriminative summary иттилооти фарқкунандаро барои ошкорсозӣ берун меорад, дар ҳоле ки residual summary ба коҳиши хатари галлюсинатсия ва over-inference кумак мекунад. Dual-PGNN бошад, ин иттилооти матниро бо графики ҳисоб муттаҳид карда, node-level fraud detection анҷом медиҳад.

Дар озмоишҳо гузориш шудааст, ки UniDetect дар Ethereum, Bitcoin-M ва Bitcoin-L натиҷаҳои қавӣ медиҳад. Илова бар ин, санҷишҳои cross-chain ва cross-domain нишон медиҳанд, ки усул танҳо ба як занҷир вобаста намемонад. Бо вуҷуди ин, дар ҷаҳони воқеӣ чунин низомҳо бояд на ҳамчун абзори худкор барои баровардани ҳукм, балки ҳамчун низоми тавлиди далел барои дастгирии таҳлилгарон истифода шаванд.

Паёми асосӣ барои хонандаи Verianla чунин аст: қаллобии крипто дигар он қадар сода нест, ки дар як занҷир пайгирӣ шавад. Бо пароканда шудани ҷараёнҳои маблағ байни занҷирҳо, низомҳои ошкорсозӣ низ бояд ба равишҳои умумитаре гузаранд, ки хулосаи забонӣ, сохтори графикӣ, қолаби рафтор ва назорати инсониро якҷо истифода мебаранд.

Ёддошт дар бораи манбаъ ва усул

Ин навишта муҳтавои аслии таҳририи туркӣ мебошад, ки дар асоси PDF-и академӣ бо унвони “UniDetect: LLM-Driven Universal Fraud Detection across Heterogeneous Blockchains” таҳия шудааст. Матн тарҷумаи калима ба калима нест; мушкил, усул, формулаҳо, графикҳо, ҷадвалҳо, озмоишҳо, натиҷаҳо ва маҳдудиятҳои таҳқиқот сода карда шарҳ дода шудаанд.

Мавзуъҳои амният ва ошкорсозии қаллобӣ на бо забони айбдоркунии қатъӣ, балки дар чаҳорчӯбаи таҳлили хавф ва дастгирии қарор баён шудаанд.