تحديد العتبة المثلى للمعاملات الشاذة باستخدام التعلم الآلي لتحسين أمن سلاسل الكتل

الملخص

إن التقارب بين اكتشاف الشذوذ وتحديد العتبة في تقنية البلوك تشين يخلق إطاراً أمنياً متطوراً يستفيد من التعلم الآلي لحماية الشبكات اللامركزية. يبدأ هذا النهج المتكامل بجمع ومعالجة بيانات معاملات البلوك تشين مسبقاً، حيث تحدد الخوارزميات المتخصصة الأنماط التي تنحرف عن السلوك المتوقع. تتطلب معاملات البلوك تشين مراقبة متقدمة لضمان الأمن والسلامة مع ظهور التعلم الآلي كأداة قوية لتحديد الأنشطة المشبوهة. من خلال تحليل الأنماط في بيانات المعاملات، يتم تحديد عتبات دقيقة للكشف عن الشذوذ. حيث يكمن مفتاح النجاح في ضبط هذه العتبات بناءً على المعاملات الطبيعية والشاذة، مما يسمح للنظام بالتمييز بين المعاملات الطبيعية والمعاملات الاحتيالية.
يهدف هذا البحث إلى تحديد العتبة المثلى للمعاملات الشاذة في سلاسل الكتل باستخدام تقنيات التعلم الآلي، مما يسهم في تعزيز أمان الشبكات اللامركزية. تم تدريب خمس خوارزميات تصنيف، هي: شجرة القرار، الغابة العشوائية، الانحدار اللوجستي، أقرب جار، ومصنف الانتخاب، وذلك باستخدام بيانات معاملات من مجموعة Metaverse Financial Transactions Dataset التي تحتوي على 78,600 سجل. أُجريت ثلاث تجارب باستخدام تقنيات مختلفة لموازنة البيانات، وقيّم الأداء بناءً على دقة التصنيف (Accuracy) ومعامل F1-score. أظهرت النتائج أن عتبة الخطورة المثلى هي فوق 85 (High Risk)، حيث تفوقت تجربة RandomOverSampler، محققة دقة      99.99%  و  F1-score = 0.9، مع تحسين أداء خوارزميات الانحدار اللوجستي وأقرب جار بالنسبة لمقياس f1score بمقدار 13% و 39% على التوالي. تدعم هذه النتائج استخدام تقنيات موازنة البيانات في تعزيز دقة اكتشاف الشذوذ، مما يمهد الطريق لتطوير أنظمة أكثر كفاءة لمكافحة الاحتيال في شبكات سلاسل الكتل.