تشخیص تراکنشهای غیرقانونی بیتکوین با استفاده از شبکه های توجه گراف زمانی

بازار ارزهای دیجیتال به دلیل ماهیت ناشناس بودن تراکنش ها به بستری مناسب برای فعالیت های غیرقانونی از جمله پول شویی، کلاهبرداری و تامین مالی تروریسم تبدیل شده است. شناسایی خودکار این تراکنش ها به عنوان یک مسئله حیاتی در حوزه امنیت مالی و رمزارزها مطرح است. روش های سنتی مبتنی بر یادگیری ماشین عمدتا بر ویژگی های ایستا و مستقل از ساختار شبکه تراکنش ها تمرکز دارند، در حالی که تراکنش های بیت کوین ذاتا ماهیت شبکه ای و زمانی دارند. در این پژوهش، مدلی نوین با نام شبکه توجه گراف زمانی (TGAT) ارائه می شود که قادر به یادگیری همزمان الگوهای ساختاری و وابستگی های زمانی در گراف تراکنش ها است. معماری TGAT از لایه های توجه چندسر با مکانیزم رمزگذاری زمان و اتصالات باقیمانده تشکیل شده است. مدل پیشنهادی روی مجموعه داده واقعی الیپتیک (Elliptic) که شامل ۲۰۳ هزار گره تراکنش و ۲۳۴ هزار یال است ارزیابی شده و با سه مدل پایه شامل شبکه پیچشی گراف (GCN)، شبکه توجه گراف (GAT) و گراف سیج (GraphSAGE) مقایسه شده است. نتایج تجربی نشان می دهد که مدل GraphSAGE با معیار F-Score برابر ۰۹۰۴۸ و سطح زیر منحنی ROC برابر ۹۹۸۳ عملکرد بسیار خوبی دارد، با این حال مدل پیشنهادی TGAT به دلیل پیچیدگی بالاتر و حساسیت به تنظیم ابرپارامترها در سناریوی شبیه سازی شده با خطا مواجه شد. یافته های این پژوهش نشان می دهد که مدل های مبتنی بر تجمیع همسایگی مانند GraphSAGE برای مجموعه داده های نامتوازن با درصد بسیار کم تراکنش های غیرقانونی بسیار موثرتر از مدل های مبتنی بر توجه صرف هستند و نیاز به طراحی مکانیزم های تخصصی تر برای بهره گیری از اطلاعات زمانی در مدل TGAT احساس می شود.