Контрастирующая структура обучения может обнаружить схемы интеллектуальных понзи на основе блокчейна

Технологии блокчейна – это цифровые системы, которые работают путем распределения копий информации на нескольких компьютерах, также называемых узлами, все из которых подключены к общей сети. Эти технологии лежат в основе торговли криптовалютами, а также функционирование других новых цифровых услуг.

Пока блокчейн Технология открывает новые возможности для торговли криптовалютами, цифровыми искусствами и другими цифровыми активами, они также часто используются для мошеннической деятельности. Возможно, наиболее особенно они широко используются для мошеннических инвестиционных схем, известных как схемы Smart Ponzi.

В схеме Smart Ponzi отдельных лиц просят инвестировать в конкретные цифровые валюты или активы и подписать так называемый интеллектуальный контракт, который автоматически наносит у них деньги на регулярной основе. Их инвестиции могут изначально казаться плодотворными, но ранние инвесторы на самом деле получают деньги, вложенные новыми лицами. Через некоторое время вся система рушится, так как больше нет достаточных ресурсов, чтобы заплатить всем инвесторам.

В последние годы компьютерные ученые и эксперты по финансовой безопасности пытались разработать стратегии для автоматического обнаружения этих мошеннических схем. Большинство решений развивались до сих пор полагаются на Алгоритмы глубокого обучения обучен идентифицировать закономерности, связанные с интеллектуальными схемами Ponzi в транзакциях блокчейна.

Несмотря на их обещание, чтобы выполнить хорошо, эти методы глубокого обучения должны быть обучены Большие наборы данных Содержит транзакции блокчейна, помеченные экспертами человека. Поскольку маркировка этих данных требует обширного времени и ресурсов, существующие решения могут быть не идеальными для надежного обнаружения схем интеллектуальных понци в реальных условиях.

Университет электронных наук и техники Китая, Городской университет Макао и Университета Суинберна недавно разработал Casper (контрастный подход для Smart Ponzi Detecter), основанную на глубокому обучении структуру, которая может обнаружить схемы Smart Ponzi с хорошей точностью, не требуя маркированных данных обучения.

Эта новая техника, представленная в бумаге опубликовано на arxiv Server Server, полагается на модели, которые могут научиться обнаруживать эти мошеннические действия, сравнивая сходства и различия между различными транзакциями блокчейна.

«Традиционные методы обнаружения схемы Ponzi, основанные на глубоком обучении, как правило, полагаются на полностью контролируемые модели, которые требуют больших объемов маркированных данных», – пишет Вейджа Ян, Tian Lan и их коллеги в своей статье. «Тем не менее, такие данные часто недостаточны, что препятствует эффективной модели.

Чтобы поднять признаки схем интеллектуальных понци в сделках блокчейна, Ян, Лан и их коллеги использовали подход, известный как контрастное обучение. Это метод машинного обучения, с помощью которой вычислительная модель учится рассказывать разные вещи, сравнивая их.

«Используя контрастные методы обучения, Casper может изучить более эффективные представления исходного кода смарт -контракта, используя немеченые наборы данных, значительно снижая как эксплуатационные затраты, так и сложность системы», – написали исследователи.

Команда оценила новую технику обнаружения схемы Ponzi в серии тестов, в которых она проводилась транзакциями блокчейна из общедоступного набора данных. Их структура показала удивительно хорошо, несмотря на то, что обучалась на ограниченном объеме помеченных данных.

«Мы оцениваем Casper в наборе данных Xblock, где он превосходит базовую линию на 2,3% в оценке F1 при обучении со 100% маркированными данными», – написала команда. «Более впечатляюще, поскольку только 25% помеченные данные, Casper достигает балла F1 почти на 20% выше, чем базовая линия в идентичных условиях эксперимента. Эти результаты подчеркивают потенциал Casper для эффективного и экономически эффективного обнаружения схем интеллектуальных понц, прокладывая путь для масштабируемых решений для обнаружения мошенничества в будущем».

В будущем структура CASPER может быть улучшена и проверена на более реальных данных, чтобы дополнительно оценить его потенциал для обнаружения и смягчения схем интеллектуальных Ponzi. В конце концов, он может проникнуть в реальные настройки, где он может помочь защитить инвесторов цифровой валюты от вредоносной деятельности.

© 2025 Science X Network