Масштабируемое выявление мошенничества в блокчейне с использованием пространственно-временных графовых нейронных сетей

Расширение применения технологии блокчейна привело к росту числа случаев финансового мошенничества, включая отмывание денег, схемы Понци и незаконные переводы средств. Традиционные методы выявления мошенничества, такие как системы на основе правил и модели обучения с учителем, с трудом справляются с большими объемами, высокой скоростью и динамически изменяющимся характером блокчейн-транзакций. Эти ограничения обусловливают необходимость масштабируемого и адаптивного подхода к эффективному выявлению мошеннической деятельности. В данном исследовании представлена система выявления мошенничества на основе пространственно-временной графовой нейронной сети (Spatial-Temporal Graph Neural Network, STGNN), специально разработанная для масштабируемого обнаружения аномалий в крупномасштабных блокчейн-сетях. Представляя блокчейн-транзакции в виде пространственно-временного графа, предлагаемая система выявляет структурные зависимости между кошельками и временные закономерности перемещения средств. Модель STGNN использует графовые сверточные сети (Graph Convolutional Networks, GCN) или графовые сети внимания (Graph Attention Networks, GAT) для извлечения пространственных признаков, а также управляемые рекуррентные блоки (Gated Recurrent Units, GRU) или сети временных сверточных слоев (Temporal Convolutional Networks, TCN) для распознавания последовательных паттернов мошенничества. Кроме того, для обеспечения масштабируемости система включает методы разбиения графа, параллельное обучение на мини-пакетах и распределенную обработку, что позволяет осуществлять выявление мошенничества в реальном времени в блокчейн-сетях с высокой пропускной способностью. Масштабные эксперименты, проведенные на наборах данных о транзакциях Bitcoin и Ethereum, показывают, что модель STGNN обеспечивает более высокую точность, более низкую частоту ложноположительных срабатываний и повышенную вычислительную эффективность по сравнению с системами выявления мошенничества на основе правил, моделями машинного обучения с учителем и статическими графовыми нейронными сетями (GNN). Анализ отдельных случаев дополнительно подтверждает эффективность модели при выявлении крупномасштабных мошеннических схем, таких как эксплойты DeFi, отмывание средств между блокчейнами и скоординированные незаконные транзакции. Исследование подчеркивает потенциал методов глубокого обучения на графах для обеспечения безопасности блокчейна и создает основу для дальнейшего развития масштабируемого выявления мошенничества, обнаружения межблокчейн-аномалий и мониторинга безопасности децентрализованных финансовых систем.