ГРАФОВІ ТА ЧАСОВІ НЕЙРОННІ МОДЕЛІ ДЛЯ ПРОАКТИВНОЇ ІДЕНТИФІКАЦІЇ ШАХРАЙСЬКИХ ОБЛІКОВИХ ЗАПИСІВ У БЛОКЧЕЙНІ ETHEREUM

Анотація

Актуальність. Шахрайські активності у блокчейні Ethereum становлять суттєвий ризик для децентралізованих фінансів і потребують моделей, здатних не лише реагувати на вже виявлені зловживання, а й проактивно ідентифікувати підозрілі облікові записи до ескалації збитків. Предметом дослідження є застосування графових і часових нейронних моделей до задачі класифікації акаунтів Ethereum на доброчесні та шахрайські з урахуванням структурних зв’язків між адресами й динаміки транзакцій у часі. Метою статті є розроблення та експериментальна оцінка нейронної архітектури на основі багатошарового персептрона як базового компонента для подальшої інтеграції графових і часових механізмів, а також аналіз її ефективності на відкритому датасеті Ethereum Fraud Detection з високим класовим дисбалансом. Були отримані наступні результати. Побудовано базову глибинну модель для бінарної класифікації облікових записів із використанням попередньої обробки ознак, стратифікованого поділу вибірки, балансування ваг класів, регуляризації L2, Dropout і ранньої зупинки, що дало змогу досягти значення ROC AUC близько 0.98 за умов значної переваги “безпечного” класу. Детальний аналіз матриці неточностей та метрик precision, recall, F1 показав прийнятний компроміс між зменшенням хибнопозитивних спрацювань і мінімізацією частки пропущених шахрайських акаунтів, що є критичним для реальних фінансових сценаріїв. Висновок. Результати свідчать, що коректно спроєктована базова нейронна модель на табличних ознаках здатна забезпечити високу якість проактивної ідентифікації шахрайських облікових записів в Ethereum та слугувати відправною точкою для подальшої інтеграції графових і часових архітектур, орієнтованих на покращення інтерпретованості й стійкості до еволюції шаблонів зловмисної поведінки.