Ushbu tadqiqot Bitcoin tranzaksiya ma’lumotlaridagi shubhali naqshlarni aniqlash va raqamli kriminalistik tekshiruvlarda foydalanish mumkin bo‘lgan ustuvorlashtirilgan tranzaksiyalar ro‘yxatini yaratish maqsadida turli sun’iy intellekt usullarini bitta tahlil zanjirida birlashtiradi. Taklif etilgan tizim nazoratli ikkilik klassifikatsiya, yarim nazoratli grafik chuqur o‘rganish, xulq-atvor anomaliyasi tahlili va tranzaksiya bog‘lanishlarining tarmoq asosidagi tekshiruvidan iborat.

Asosiy ma’lumot manbai sifatida 203.769 tranzaksiya, 234.355 yo‘naltirilgan bog‘lanish va har bir tranzaksiya uchun 166 xususiyatni o‘z ichiga olgan Elliptic Bitcoin Dataset ishlatilgan. Ushbu tranzaksiyalarning 42.019 tasi qonuniy, 4.545 tasi noqonuniy va 157.205 tasi noma’lum deb belgilangan. BitcoinHeist Ransomware Dataset ransomware xatti-harakatlarini, IBM AMLSim dataset esa mablag‘ni tarqatish va qatlamlash naqshlarini ifodalash uchun yordamchi manba sifatida ishlatilgan.

Ikkilik klassifikatsiyada 100 ta qaror daraxtidan iborat Random Forest modeli va K-Eng Yaqin Qo‘shni modeli taqqoslangan. Tadqiqotchilar Random Forest uchun %98,92 aniqlik, 0,9962 ROC-AUC va 0,9817 PR-AUC bildirgan. Biroq tadqiqotdagi confusion matrixdagi 8.401 to‘g‘ri qonuniy, 796 to‘g‘ri noqonuniy, 3 false positive va 113 false negative qiymatlaridan foydalanilganda umumiy aniqlik taxminan %98,75 deb hisoblanadi. Matnda bildirilgan %98,92 bilan rasmdagi matritsa o‘rtasida kichik, ammo izohlanmagan nomuvofiqlik mavjud.

Graph Convolutional Network etiketlangan tranzaksiyalardan o‘rganilgan ma’lumotni tranzaksiya bog‘lanishlari orqali noma’lum tranzaksiyalarga uzatish va tranzaksiyalarni qonuniy, ransomware-ga o‘xshash, money laundering-ga o‘xshash yoki umumiy noqonuniy xatti-harakat sifatida klassifikatsiya qilish uchun ishlatilgan. Tadqiqotchilar to‘rt sinfli model uchun %96 umumiy aniqlik bildirgan. Biroq ransomware va money laundering sinflari tasdiqlangan kriminalistik ish etiketlaridan tuzilmagan. Ransomware etiketi ma’lum tranzaksiya og‘irligining medianadan yuqori bo‘lishiga, money laundering etiketi esa fan-out qiymatining medianadan yuqori bo‘lishiga asoslangan. Shuning uchun modelning ushbu sinflardagi muvaffaqiyati katta darajada tadqiqotchilar yaratgan heuristic etiketlarni qayta o‘rganish qobiliyatini ko‘rsatadi.

Random Forest ehtimoli, grafik tarmog‘ining noqonuniy tranzaksiya ehtimoli va Isolation Forest anomaliya balli birlashtirilib 0 dan 1 gacha Composite Risk Score yaratilgan. Tadqiqotchilar 10.188 tranzaksiyani yuqori xavfli deb belgilagan; ularni 4.893 ransomware-ga o‘xshash, 3.627 money laundering-ga o‘xshash va 1.668 umumiy noqonuniy tranzaksiya nomzodi sifatida tasniflagan. Bu sonlar tasdiqlangan jinoiy tranzaksiyalarni emas, model tomonidan tergov nomzodi sifatida ustuvorlashtirilgan yozuvlarni anglatadi.

Turkiya nuqtai nazaridan baholash: Tadqiqotdagi arxitektura Turkiyada kriptoaktiv xizmat ko‘rsatuvchilarning tranzaksiya monitoring tizimlari, moliyaviy jinoyat tergovlari, kiberhodisa tekshiruvlari va raqamli dalillarni ustuvorlashtirish uchun tadqiqot prototipi sifatida baholanishi mumkin. Biroq amaliyotdan oldin Turkiyadagi tranzaksiya tuzilmasi va dolzarb jinoyat turlarini ifodalovchi, huquqiy jihatdan tasdiqlangan mahalliy ma’lumotlar bilan qayta o‘qitish va mustaqil sinov o‘tkazilishi kerak. Risk ballarining false positive darajalari, vaqt bo‘yicha barqarorligi, explainability va chain of custody bilan mosligi baholanishi kerak. Fransuzcha yoki inglizcha matn klassifikatsiyasidan farqli ravishda bu tizim to‘g‘ridan-to‘g‘ri on-chain raqamli ma’lumotlarga tayansa ham, Elliptic datasetdagi tarixiy Bitcoin naqshlaridan Turkiyadagi hozirgi tranzaksiyalar, boshqa blokcheynlar yoki muayyan shaxslar haqida bevosita xulosa chiqarib bo‘lmaydi. Model chiqishlari o‘z-o‘zicha hisobni muzlatish, jinoyat ayblovi yoki shaxsiy identifikatsiya uchun ishlatilmasligi kerak.

Tadqiqotning asosiy maqsadi nima?

Tadqiqot ommaga ochiq blokcheyn yozuvlarini tergovchilar foydalana oladigan tuzilgan risk ma’lumotiga aylantirishni maqsad qiladi. Blokcheynda tranzaksiyalar ko‘rinadigan bo‘lsa-da, hamyon va tranzaksiya identifikatorlari bevosita haqiqiy shaxslarni ko‘rsatmaydi. Millionlab tugun va bog‘lanishlarni o‘z ichiga olgan tranzaksiya tarmoqlarini qo‘lda tekshirish ham amalda mumkin emas.

Tadqiqotchilar an’anaviy qat’iy qoidalar yangi mablag‘ni yashirish, manzil almashtirish va tranzaksiya qatlamlash xatti-harakatlariga moslashishda yetarli bo‘lmasligi mumkinligini ta’kidlaydi. Taklif etilgan framework bu muammoni to‘rtta turli analitik qarashni birlashtirish orqali ko‘rib chiqadi:

• Etiketlangan tranzaksiyalar asosida qonuniy yoki noqonuniy ajratishni qiluvchi nazoratli klassifikatsiya,
• Tranzaksiyalar orasidagi bog‘lanishlardan foydalanadigan yarim nazoratli grafik o‘rganish,
• Oldindan berilgan etiketga ehtiyoj sezmasdan noodatiy xatti-harakatlarni izlaydigan anomaliya tahlili,
• Shubhali tranzaksiya atrofidagi bevosita va bilvosita bog‘lanishlarni ko‘rsatuvchi tarmoq tahlili.

Tadqiqot taklif qilgan end-to-end ishlov berish zanjiri

Tadqiqotning 7. sahifasidagi 2-rasm tizimning barcha komponentlarini bir xil oqim ichida ko‘rsatadi. Uchta dataset avval data preprocessing va feature engineering bosqichiga kiradi. Qayta ishlangan ma’lumot keyin uchta parallel tarmoqqa ajraladi:

• Random Forest va KNN bilan nazoratli klassifikatsiya,
• Ikki qatlamli Graph Convolutional Network bilan grafik asosidagi klassifikatsiya,
• t-SNE, anomaliya ballash va k-hop bog‘lanish tahlili bilan nazoratsiz tekshiruv.

Ushbu uch tarmoqdagi natijalar kriminalistik o‘xshashlik yoki risk ballida birlashtiriladi, tranzaksiyalar riskiga ko‘ra tartiblanadi va har bir tranzaksiya uchun ehtimoliy xatti-harakat turi hamda avtomatik izoh yaratiladi. Eng so‘nggi bosqichda tizim chiqishi huquqni muhofaza qilish yoki moliyaviy jinoyat tergovchilari baholashi mumkin bo‘lgan tekshiruv ro‘yxati sifatida ko‘rsatiladi.

Ushbu sxema konseptual jihatdan integratsiyalashgan arxitekturani taqdim etadi. Biroq turli komponentlar bir xil ma’lumot ustida bir-biridan butunlay mustaqil dalil yaratadi deb hisoblanmasligi kerak. Random Forest va grafik tarmoq bir xil Elliptic xususiyatlaridan foydalanadi, ayrim jinoyat turi etiketlari ham ushbu xususiyatlarga qo‘llangan thresholdlardan yaratiladi. Shuning uchun komponentlar orasidagi yuqori moslik qisman umumiy ma’lumot va umumiy etiket yaratish jarayonidan kelib chiqishi mumkin.

Qaysi datasetlar ishlatilgan?

Elliptic datasetda tranzaksiyalar yo‘naltirilgan grafik sifatida ifodalanadi. Har bir tugun Bitcoin tranzaksiyasini, har bir qirra esa tranzaksiyalar orasidagi pul oqimini ko‘rsatadi. Tadqiqotning ayrim bo‘limlarida tugunlar “hamyon manzillari” deb tariflangan, usul va ma’lumot izohida esa tugunlar tranzaksiyalardir. Tranzaksiya tuguni va hamyon manzili tushunchalarining ayrim joylarda bir-birining o‘rnida ishlatilishi tizim qaysi entity darajasida natija berishini noaniq qiladi.

Ma’lumot sinflari qanchalik muvozanatsiz?

Tadqiqotning 5. sahifasidagi 1-rasm ushbu keskin nomuvozanatni aniq ko‘rsatadi. Noma’lum tranzaksiyalar eng katta guruh, noqonuniy tranzaksiyalar esa juda kichik ozchilikni tashkil etadi. Nazoratli modellar o‘qitilganda noma’lum sinf chiqarib tashlangan va qolgan 46.564 etiketlangan tranzaksiya ishlatilgan.

Qonuniy tranzaksiyalar noqonuniy tranzaksiyalardan taxminan to‘qqiz baravar ko‘p bo‘lgani sabab faqat umumiy aniqlikka qarash chalg‘itishi mumkin. Tadqiqotchilar bu muammoni trening va test to‘plamlarida stratified sampling ishlatib va Random Forest modelida class weightni “balanced” qilib belgilash orqali kamaytirishga harakat qilgan.

Preprocessing va feature engineering qanday bajarilgan?

Elliptic ma’lumoti feature jadvali, class jadvali va yo‘naltirilgan edge list sifatida uchta fayldan yuklangan. Nazoratli klassifikatsiya uchun noma’lum tranzaksiyalar chiqarib tashlangan, sonli xususiyatlar StandardScaler bilan o‘rtachasi nol va standart og‘ishi bir bo‘ladigan tarzda masshtablangan.

Tadqiqotchilar “Behavioral Bridge” deb atagan tarmoq asosidagi xususiyatlarni yaratgan. Ularning asosiysi Bitcoin fan-out qiymatidir. Fan-out bir manba tranzaksiya nechta turli target tranzaksiya bilan bog‘langanini ko‘rsatadi. Ko‘plab targetlarga tarqatilgan mablag‘lar money launderingdagi layering xatti-harakatiga o‘xshashi mumkin deb faraz qilingan.

Biroq yuqori fan-out faqat noqonuniy xatti-harakatlarda uchramaydi. Tadqiqotning o‘zi faol ishlaydigan qonuniy exchange tranzaksiyalari ham yuqori fan-out yaratishi mumkinligini tan oladi. Shuning uchun fan-out o‘z-o‘zicha money laundering dalili yoki ishonchli jinoyat turi etiketi emas.

Random Forest va KNN modellari qanday qurilgan?

Random Forest modeli 100 qaror daraxtidan tuzilgan. Modelni tanlash sabablari: ko‘p o‘lchovli ma’lumot bilan ishlashi, nolinear naqshlarni o‘rganishi, overfittingga nisbatan bitta qaror daraxtidan chidamliroq bo‘lishi va feature importance qiymatlarini bera olishi.

K-Eng Yaqin Qo‘shni usuli taqqoslash modeli sifatida qo‘llangan. Ma’lumot %80 trening va %20 test ko‘rinishida stratified tarzda bo‘lingan. Tadqiqot bu bo‘linish vaqt bosqichlari bo‘yicha emas, class proportion bo‘yicha bajarilganini bildiradi.

Elliptic dataset 49 vaqt bosqichidan iborat bo‘lgani sabab random va stratified split bir xil davrlarga tegishli o‘xshash tranzaksiyalarning ham trening, ham test to‘plamiga tarqalishiga imkon berishi mumkin. Tadqiqot oldingi vaqt bosqichlarida o‘qitilib, keyingi bosqichlarda sinovdan o‘tkazilgan alohida forward-time testni bermaydi. Shu sabab modelning kelajakda paydo bo‘ladigan yangi tranzaksiya xatti-harakatlariga qay darajada generalize qilishi ko‘rsatilmagan.

Graph Convolutional Network qanday ishlaydi?

Random Forest har bir tranzaksiya yozuvini asosan mustaqil xususiyatlar asosida baholasa, Graph Convolutional Network tranzaksiya bog‘langan qo‘shnilar ma’lumotidan ham foydalanadi. Birinchi grafik qatlam 166 o‘lchovli tranzaksiya xususiyatlarini 64 o‘lchovli yashirin tasvirga aylantiradi:

\[ 166 \longrightarrow 64 \]

Ushbu transformatsiyadan keyin ReLU nolinear funksiyasi qo‘llanadi. Ikkinchi qatlam 64 o‘lchovli representationni chiqish sinflariga aylantiradi:

\[ 64 \longrightarrow C \]

Bu yerda ikkilik model uchun \(C=2\), ko‘p sinfli model uchun \(C=4\). Chiqishda log-softmax ishlatilgan. Model faqat etiketlangan trening tugunlari bo‘yicha loss hisoblaydi, biroq grafik bog‘lanishlari orqali noma’lum tugunlarning qo‘shnichilik tuzilmasidan ham foydalanadi.

Ikkilik GCN 100 epoch, ko‘p sinfli GCN 50 epoch o‘qitilgan. Adam optimizer va 0,01 learning rate ishlatilgan; loss function sifatida negative log-likelihood qo‘llangan.

To‘rtta jinoyat turi etiketi qanday yaratilgan?

To‘rtta sinf quyidagilar:

• Qonuniy tranzaksiya,
• Ransomware-ga o‘xshash tranzaksiya,
• Money laundering-ga o‘xshash tranzaksiya,
• Umumiy noqonuniy tranzaksiya.

Qonuniy va noqonuniy asosiy ajratish Elliptic datasetdagi etiketlarga tayanadi. Biroq noqonuniy sinfning kichik turlari tasdiqlangan hodisa yozuvlaridan olinmagan. Tadqiqotchilar kichik sinflarni quyidagi qoidalar bilan yaratgan:

• Ransomware-ga o‘xshash: Elliptic datasetdagi feat_0 deb ataladigan normallashtirilgan tranzaksiya og‘irligi noqonuniy tranzaksiyalar ichidagi medianadan yuqori bo‘lsa,
• Money laundering-ga o‘xshash: Fan-out qiymati noqonuniy tranzaksiyalar ichidagi medianadan yuqori bo‘lsa,
• Umumiy noqonuniy: Oldingi ikki qoidaga tushmaydigan boshqa noqonuniy tranzaksiyalar.

Bu yondashuv model haqiqiy va mustaqil jinoyat turi etiketlarini o‘rganmaganini anglatadi. GCN avval tadqiqotchilar belgilagan threshold qoidalaridan hosil bo‘lgan etiketlar bilan o‘qitilgan, keyin o‘sha turdagi xususiyatlar orqali bu etiketlarni bashorat qilgan. Tadqiqotning 15. sahifasidagi tanqidiy baholash bo‘limi ham ushbu circularityni ochiq tan oladi.

Nazoratsiz xulq-atvor tahlili qanday bajarilgan?

Yuqori o‘lchovli tranzaksiya xususiyatlari t-SNE orqali ikki o‘lchovli tekislikka tushirilgan. t-SNE bir-biriga o‘xshash yozuvlarni ikki o‘lchovli vizualda yaqin ko‘rsatishi mumkin bo‘lgan dimensionality-reduction usulidir. Tadqiqot buni “behavioral clustering” deb ataydi; biroq alohida clustering algoritmi, cluster sonini tanlash yoki silhouette score kabi sonli cluster-validity mezonlari bildirilmagan.

Shuning uchun t-SNE tasvirlaridagi ajralishlar mustaqil tasdiqlangan tabiiy jinoyat klasterlari sifatida talqin qilinmasligi kerak. t-SNE sozlamalari, random initialization va lokal qo‘shnichilik tuzilmasi vizual shaklga ta’sir qilishi mumkin.

Isolation Forest anomaliya balli nima?

Isolation Forest etiketga bog‘liq bo‘lmasdan boshqalardan farqli ko‘rinadigan tranzaksiyalarni aniqlash uchun qo‘llangan. Model 100 daraxt bilan qurilgan va contamination qiymati %5 qilib belgilangan. Tadqiqotda 0,413 threshold qiymati score distributionning %95 percentiliga mos keladigan tarzda tanlangan.

Contamination qiymatini %5 deb belgilash ma’lumotning taxminan %5 qismi anomaliya deb qabul qilinishi method designida oldindan belgilanganini anglatadi. Bu nisbat haqiqiy tranzaksiyalarning %5 qismi jinoyat bilan bog‘langanini ko‘rsatmaydi.

Composite Risk Score qanday hisoblanadi?

Tadqiqot uchta model chiqishini quyidagi vaznli formula bilan birlashtiradi:

\[ CRS(v) = 0{,}4\,RF_{\mathrm{prob}}(v) + 0{,}4\,GCN_{\mathrm{illicit}}(v) + 0{,}2\,BEH_{\mathrm{score}}(v) \]

Bu yerda:

• \(RF_{\mathrm{prob}}\), Random Forest modelining noqonuniy sinf ehtimolini,
• \(GCN_{\mathrm{illicit}}\), grafik tarmog‘ining noqonuniy sinf ehtimolini,
• \(BEH_{\mathrm{score}}\), Isolation Forest asosidagi xulq-atvor anomaliya ballini bildiradi.

Risk darajalari quyidagi thresholdlar bilan belgilangan:

%40, %40 va %20 vaznlar tadqiqotchilarning dizayn tanlovidir. Tadqiqot bu vaznlar mustaqil validation to‘plamida optimallashtirilganini, turli vaznlar bilan taqqoslanganini yoki probability calibration bajarilganini ko‘rsatmaydi. Xuddi shu holat 0,30 va 0,65 risk thresholdlari uchun ham amal qiladi.

Yashirin bog‘lanish tahlili qanday bajariladi?

Shubhali deb qabul qilingan tranzaksiya atrofidagi tugunlar PyTorch Geometric k-hop subgraph extraction funksiyasi bilan aniqlangan. Subgraph NetworkX tuzilmasiga aylantirilib node degree, betweenness centrality va PageRank kabi tarmoq mezonlarini hisoblash maqsad qilingan.

Tadqiqotning 14. sahifasidagi 9-rasm oltita etiketlangan noqonuniy tugun atrofidagi tranzaksiya tarmog‘ini ko‘rsatadi. Qizil tugunlar noqonuniy, yashil tugunlar qonuniy va kulrang tugunlar noma’lum deb ko‘rsatilgan. Vizualda shubhali tugunlar faqat boshqa shubhali tugunlar bilan emas, qonuniy va noma’lum tugunlar bilan ham bog‘langanini ko‘rish mumkin.

Qonuniy tugunning noqonuniy deb etiketlangan tugun bilan bog‘langan bo‘lishi o‘sha tugun yoki u bilan bog‘liq shaxs jinoyat qilganini anglatmaydi. Birjalar, to‘lov xizmatlari, vositachi manzillar yoki oddiy counterpartlar bir xil tarmoq ichida ko‘rinishi mumkin.

“Jonli inferensiya” nimani anglatadi?

Tadqiqotdagi jonli inferensiya funksiyasi tranzaksiya identifikatori bilan 166 o‘lchovli feature vectorni o‘qitilgan modelga berib sinf, risk balli, ehtimoliy tipologiya va izoh ishlab chiqaradi. Bu bitta software function ichida real-time prediction qilish mumkinligini ko‘rsatadi.

Biroq tadqiqot real blokcheyn oqimiga ulangan uzluksiz monitoring xizmati, soniyada qayta ishlanadigan tranzaksiya soni, end-to-end latency, network interruption behavior yoki production environment testini taqdim etmaydi. Shu sabab “real-time” iborasi ishlaydigan funksiya prototipi ma’nosida qo‘llanishi, operatsion tizim performance’i sifatida baholanmasligi kerak.

Tadqiqotning kuchli tomonlari nimalar?

• Uch xil analitik yondashuvni bitta ishlov berish zanjirida birlashtiradi.
• Tranzaksiya xususiyatlari bilan birga tarmoq bog‘lanishlaridan foydalanadi.
• Katta va ommaga ochiq Bitcoin datasetida sonli test taqdim etadi.
• Umumiy aniqlikdan tashqari precision, recall, F1, ROC-AUC va PR-AUC hisobot qiladi.
• Confusion matrix va feature-importance grafiklari orqali model xatti-harakatini qisman ko‘rinadigan qiladi.
• Etiketlanmagan tranzaksiyalarni grafik bog‘lanishlar orqali baholashni maqsad qiladi.
• Manba kodi va ishlatilgan datasetlar havolalarini ulashadi.
• O‘zining jinoyat turi etiketlari tasdiqlangan real reference emasligini cheklovlar bo‘limida ochiq tan oladi.

Tadqiqot nimani isbotlamaydi?

• Model yuqori riskli deb belgilagan tranzaksiyalar haqiqatan jinoiy tranzaksiya ekanini isbotlamaydi.
• Biror tranzaksiyani muayyan haqiqiy shaxs yoki tashkilot bilan bog‘lamaydi.
• Ransomware va money laundering tipologiyalari mustaqil, tasdiqlangan kriminalistik etiketlar bilan tanilganini ko‘rsatmaydi.
• Model hozirgi Bitcoin tranzaksiyalarida yoki boshqa blokcheynlarda xuddi shu aniqlikka erishishini ko‘rsatmaydi.
• %96 ko‘p sinfli muvaffaqiyat haqiqiy jinoyat turlarini ajratishni anglatishini isbotlamaydi.
• Risk ballari huquqiy dalil standartiga mos kelishini ko‘rsatmaydi.
• Jonli blokcheyn monitoring tizimida o‘lchangan real-time performance taqdim etmaydi.
• False positive holatlarning haqiqiy shaxslar yoki tashkilotlarga oqibatini baholamaydi.
• Model ataylab o‘zgartirilgan yoki yashirilgan tranzaksiya naqshlariga chidamli ekanini ko‘rsatmaydi.

Tadqiqot usuli va topilmalari

Ma’lumot va tajriba konfiguratsiyasi

Random Forest va KNN natijalari

Random Forest tadqiqotdagi barcha taqqoslash mezonlarida KNN’dan yuqori natija bergan. Ayniqsa noqonuniy sinf precisionining 1,000 deb hisobot qilinishi test to‘plamidagi false positive sonining juda pastligi bilan bog‘liq. Biroq recall 0,876; ya’ni noqonuniy deb etiketlangan tranzaksiyalarning bir qismi qonuniy deb klassifikatsiya qilingan.

Confusion matrix nimani ko‘rsatadi?

Ushbu matritsaga ko‘ra jami 9.313 test namunasining 9.197 tasi to‘g‘ri klassifikatsiya qilingan:

\[ \mathrm{Doğruluk} = \frac{8401+796}{8401+3+113+796} \approx 0{,}9875 \]

Bu qiymat taxminan %98,75. Tadqiqot matnida berilgan %98,92 bilan matritsadan hisoblangan qiymat bir xil emas. Farq alohida tajriba ishga tushirilishidan, yaxlitlashdan yoki rasmning boshqa natija to‘plamiga tegishli bo‘lishidan kelib chiqqanmi — tushuntirilmagan.

Noqonuniy sinf uchun matritsadan hisoblangan taxminiy qiymatlar quyidagicha:

\[ \mathrm{Kesinlik} = \frac{796}{796+3} \approx 0{,}996 \]

\[ \mathrm{Duyarlılık} = \frac{796}{796+113} \approx 0{,}876 \]

\[ F1 \approx 0{,}932 \]

Bular tadqiqot jadvalida berilgan 1,000 precision, 0,876 recall va 0,934 F1 qiymatlariga yaqin; kichik farqlar yaxlitlash yoki alohida ishga tushirishlardan kelib chiqishi mumkin.

ROC va precision-recall grafiklari

Tadqiqotning 9. sahifasidagi 3-rasmda ROC curve chap yuqori burchakka yaqin davom etib, 0,9962 AUC qiymatini ko‘rsatadi. Precision-recall curve ham keng recall oralig‘ida yuqori precision ko‘rsatib, 0,9817 area qiymatini bildiradi.

Bu natijalar ishlatilgan test bo‘linishida model Elliptic’ning qonuniy va noqonuniy etiketlarini kuchli ajratganini ko‘rsatadi. Biroq bir xil davrlardan random tarzda ajratilgan yozuvlarda olingan yuqori performance kelajak vaqt bosqichlari yoki yangi jinoyat usullarida xuddi shu muvaffaqiyatni kafolatlamaydi.

Feature importance grafigi

11. sahifadagi 5-rasm Random Forest modelining eng ta’sirli 15 xususiyatini ko‘rsatadi. Eng yuqori importance qiymatlari feat_52 va feat_89 xususiyatlariga tegishli; ulardan keyin feat_42 va feat_40 keladi.

Biroq Elliptic datasetdagi ayrim xususiyatlar anonimlashtirilgan nomlar bilan berilgani uchun bu xususiyatlarning real dunyodagi bevosita ma’nosi tadqiqotda batafsil tushuntirilmagan. Feature importance qiymatining yuqori bo‘lishi o‘z-o‘zicha causal relationship yoki kriminalistik izoh bermaydi.

To‘rt sinfli GCN natijalari

Bu ko‘rsatkichlar grafik tarmoq yaratilgan to‘rtta etiketni bir-biridan ajrata olganini ko‘rsatadi. Biroq uchta noqonuniy kichik sinf tasdiqlangan real reference o‘rniga feature thresholdlaridan hosil qilinganligi sabab natijalar haqiqiy jinoyat turi aniqlash muvaffaqiyati sifatida taqdim etilmasligi kerak.

Kriminalistik razvedka xaritasi

12. sahifadagi 6-rasm t-SNE ga o‘xshash ikki o‘lchovli xulq-atvor maydonida ransomware va money laundering hududlarini rangli chegaralar bilan ko‘rsatadi. %70 dan yuqori confidence score olgan tranzaksiyalar kattaroq markerlar bilan ko‘rsatilgan.

Xarita vizual ustuvorlashtirish berishi mumkin; biroq chizilgan hudud chegaralari mustaqil kriminalistik validatsiyaga tayanmaydi. Vizualda bir-biridan ajralgan ko‘ringan nuqtalar ikki o‘lchovga tushirish usuli yaratgan joylashuvdan ta’sirlanadi.

Vaqt tahlilidagi nomuvofiqlik

13. sahifadagi 8-rasm 49 vaqt bosqichida shubhali deb belgilangan noma’lum tranzaksiyalar sonini ko‘rsatadi. Rasm sarlavhasi va matn 19–21. vaqt bosqichlarida taxminan 1.750 va 33. vaqt bosqichida taxminan 1.470 tranzaksiyalik cho‘qqilar borligini bildiradi.

Bunga qarshi grafikning vertikal o‘qi va chizilgan nuqtalar 20–22. vaqt bosqichlarida taxminan 2.300–2.800 va 33. vaqt bosqichida taxminan 3.200 darajadagi qiymatlarni ko‘rsatadi. Grafik bilan rasm izohidagi sonlar sezilarli darajada mos kelmaydi.

Bundan tashqari, tadqiqotchilar ushbu davrlar “yuqori jinoyat faolligi yoki muvofiqlashtirilgan hujum kampaniyalari” bo‘lishi mumkinligini aytadi. Biroq vaqt bosqichlari real hodisa yozuvlari bilan bog‘lanmagan. Shu sabab grafikdagi o‘sishlar muayyan jinoyat kampaniyalariga to‘g‘ri kelishi tadqiqot ma’lumotlari bilan tasdiqlanmagan.

Bog‘lanish tarmog‘i natijalari

Tadqiqotchilar ushbu tarmoq tuzilmasini ko‘p bosqichli mablag‘ o‘tkazish va vositachi manzillardan foydalanish bilan bog‘laydi. Biroq bog‘lanish soni o‘z-o‘zicha money laundering xatti-harakatini isbotlamaydi. Ayniqsa katta hajmli xizmatlar va birjalar tabiiy ravishda ko‘plab qonuniy bog‘lanishlar hosil qilishi mumkin.

Yuqori riskli tranzaksiyalar ro‘yxati

Tadqiqotning 15. sahifasidagi 10-rasm eng yuqori ball olgan tranzaksiyalarning namunaviy ro‘yxatini ko‘rsatadi. Har bir qatorda tranzaksiya identifikatori, risk balli, shubhali holati, ehtimoliy tipologiya va qisqa avtomatik asos mavjud.

Yuqori riskli tranzaksiya soni datasetdagi tasdiqlangan 4.545 noqonuniy etiketdan ko‘p. Buning sababi model noma’lum tranzaksiyalarni ham riskli deb belgilashidir. Biroq noma’lum tranzaksiya model tomonidan yuqori riskli deb topilishi real reference etiket olinganini anglatmaydi.

Qayta ishlab chiqarish imkoniyati va yetishmayotgan ma’lumotlar

Tadqiqot kod repozitoriysini, asosiy datasetlarni va implementation notebookni ulashadi. Bu usulni tekshirish va qayta ishga tushirishni osonlashtiradi.

Biroq asosiy matnda quyidagi tafsilotlar to‘liq hisobot qilinmagan:

• KNN uchun ishlatilgan qo‘shnilar soni va masofa mezoni,
• Random Forest uchun maksimal chuqurlik va boshqa daraxt parametrlari,
• Random seedlar,
• Bir nechta ishga tushirishlardagi o‘rtacha va standart og‘ishlar,
• GCN uchun regularization, dropout va weight-loss tafsilotlari,
• t-SNE perplexity, learning rate va random initialization sozlamalari,
• Model ehtimollarini kalibratsiya qilish usuli,
• Composite score vaznlarining sensitivity analysis,
• Jonli inferensiyaning latency va throughput’i,
• Boshqa datasetda mustaqil external validation.

Umumiy ilmiy baholash

Tadqiqotning eng kuchli natijasi Random Forest modelining Elliptic datasetning etiketlangan test bo‘limida yuqori ikkilik klassifikatsiya performance ko‘rsatishidir. Grafik tuzilma, anomaliya balli va tarmoq vizualizatsiyasining bir xil tahlil zanjiriga qo‘shilishi ham tergov ustuvorlashtirishi uchun amaliy prototip yondashuvini taqdim etadi.

Eng jiddiy cheklov esa jinoyat turlari tasdiqlangan real reference o‘rniga tadqiqotchilarning feature thresholdlaridan yaratilganidir. Bu holat to‘rt sinfli GCN ning %96 natijasini haqiqiy ransomware, money laundering va boshqa noqonuniy tranzaksiyalarni mustaqil ajratish muvaffaqiyati sifatida talqin qilishga to‘sqinlik qiladi.

Ikkinchi muhim cheklov vaqt qatori xususiyatiga ega ma’lumot uchun random va stratified training-test split ishlatilganidir. Kelajak davrlarga generalization oldingi vaqt bosqichlarida trening va keyingi bosqichlarda test qilinadigan time-based evaluation bilan ko‘rsatilishi kerak.

Uchinchidan, composite risk scoredagi vaznlar va thresholdlar tasdiqlangan operatsion xarajatlarga ko‘ra belgilanmagan. False positive belgilashning tergov resurslari, mijoz hisoblari va haqiqiy shaxslarga mumkin bo‘lgan ta’siri baholanmagan.

Shuning uchun tizim avtomatik jinoyat aniqlash vositasi emas, balki inson mutaxassis ko‘rib chiqadigan tranzaksiyalarni tartiblaydigan eksperimental qaror qo‘llab-quvvatlash prototipi sifatida baholanishi kerak.

Manba va usul eslatmasi

Ushbu tadqiqot peer review’dan o‘tmagan preprintdir. DOI SSRN tadqiqot yozuvini aniqlaydi va peer-reviewed jurnal maqolasining DOI si sifatida taqdim etilmasligi kerak. Tadqiqotning Elsevier formatida tayyorlangani yoki Elsevier ga yuborilgani qabul yoki peer-reviewed nashr degani emas.

Ushbu Verianla maqolasining ilmiy mazmuni faqat yuklangan tadqiqotga tayangan holda tayyorlangan. Tashqi manbalar faqat mualliflar tartibi, mas’ul muallif, muassasa, DOI, SSRN yuklanish sanasi, rasmiy tadqiqot sahifasi va kod repozitoriysi kabi bibliografik identifikatsiya ma’lumotlarini tekshirish uchun ishlatilgan. Tadqiqotda bo‘lmagan qo‘shimcha eksperimental natija yoki tashqi performance topilmasi qo‘shilmagan.

Tadqiqot natijalari yuqori risk balli tranzaksiyalar jinoiy faoliyat ekanini yoki biror haqiqiy shaxs jinoyat qilganini ko‘rsatmaydi. Model chiqishlari ehtimollik asosidagi va eksperimental tekshiruv ustuvorliklaridir. Tranzaksiya bo‘yicha huquqiy baholash mustaqil manbalar, tasdiqlangan hamyon atributsiyasi, birja yozuvlari, dalil yaxlitligi va vakolatli inson tekshiruvini talab qiladi.

Tadqiqotning asosiy metodologik cheklovlari: jinoyat turi etiketlarining tasdiqlangan real reference o‘rniga heuristic thresholdlardan yaratilishi, random training-test split vaqt bo‘yicha generalizationni ko‘rsatmasligi, risk vaznlari va thresholdlarining tasdiqlanmaganligi, t-SNE vizuallarida sonli cluster validation yo‘qligi, live-system latency o‘lchanmagani va natijalar bitta tarixiy Bitcoin datasetiga tayanishidir.

Random Forest uchun bildirilgan %98,92 umumiy aniqlik bilan taqdim etilgan confusion matrixdan hisoblangan taxminiy %98,75 aniqlik o‘rtasida izohlanmagan farq mavjud. Vaqt bo‘yicha shubhali tranzaksiya grafigidagi qiymatlar ham rasm izohida bildirilgan peak sonlari bilan mos kelmaydi. Ushbu nomuvofiqliklar natijalarni talqin qilishda hisobga olinishi kerak.