تحلیل تراکنش های بیت کویین با استفاده از شبکه های عصبی گرافی اقلیدوسی و هذلولوی کاربرد در شناسایی موجودیت های مخرب

بیت کویین به عنوان یک ارز رمزنگاری شده، غیرمتمرکز به دلیل ناشناس بودن نسبی بستری مناسب برای فعالیت های غیرقانونی مانند کلاهبرداری، باج افزاری و قمار آنلاین فراهم کرده است. در این مقاله یک چارچوب مبتنی بر شبکه های عصبی گرافی (GNN) برای طبقه بندی موجودیت های تراکنش بیت کویین ارائه می شود. داده های شبیه سازی شده مبتنی بر توزیع واقعی ۷ کلاس موجودیت شامل Ransomware، Individual، Ponzi، Gambling، Mining، Exchange و Bet تولید شد. سه معماری GCN اقلیدوسی، GraphSAGE اقلیدوسی و GraphSAGE هذلولوی بر روی گرافی با ۱۰۰۰۰ گره و بیش از ۷۰۲۲۰ یال ارزیابی شدند. نتایج نشان می دهد که مدل Euclidean GraphSAGE با دقت ۸۸.۰۱ ماکرو ۷۸.۰۳۵، عملکرد بهتری نسبت به مدل هذلولوی دارد؛ در حالی که مدل هذلولوی به دلیل ناپایداری عددی به F نزدیک به صفر رسید. این مقاله نشان می دهد که برای داده های با ساختار سلسله مراتبی ضعیف هندسه اقلیدوسی همچنان کارآمدتر است.

کلیدواژه ها:

بیت کویین ، شبکه عصبی گرافی ، فضای اقلیدوسی ، هذلولوی ، GraphSAGE ، تشخیص کلاهبرداری ، تراکنش رمزارز