Дослідження та розробка методів виявлення шахрайських фінансових транзакцій в умовах дисбалансу класів

Abstract

У роботі проведено дослідження методів інтелектуального аналізу даних для виявлення шахрайської активності у децентралізованих блокчейн-мережах. Встановлено, що псевдоанонімний характер криптовалютних транзакцій та екстремальний дисбаланс класів у наявних наборах даних (зокрема Elliptic Data Set) суттєво ускладнюють роботу класичних систем протидії відмиванню коштів. Метою дослідження є підвищення ефективності виявлення шахрайських операцій шляхом розробки та впровадження гібридної моделі класифікації. Для вирішення поставлених завдань застосовано комплексний підхід, що включає часову валідацію даних для уникнення витоку інформації, алгоритм синтетичного балансування вибірки SMOTE та інтеграцію глибокого навчання з ансамблевими методами. Розроблена гібридна модель базується на поєднанні алгоритму градієнтного бустингу XGBoost та нейромережевого автоенкодера. Автоенкодер, навчений на легітимних транзакціях, використовується для генерації мета-ознаки помилки реконструкції, що дозволяє моделі ефективніше ідентифікувати аномальні патерни. Експериментально доведено, що запропонований гібридний метод забезпечує найвищі показники якості класифікації: значення F1-score досягло 0,8093, а точність (Precision) для шахрайського класу підвищилася до 91,30%, що на 1,45% перевищує результати базових моделей. Результати роботи можуть бути використані в аналітичних системах моніторингу криптовалютних транзакцій для мінімізації фінансових ризиків та оптимізації роботи AML-офіцерів.

The work conducted a study of methods for intelligent data analysis to detect fraudulent activity in decentralized blockchain networks. It was found that the pseudo-anonymous nature of cryptocurrency transactions and the extreme class imbalance in existing data sets (in particular, the Elliptic Data Set) significantly complicate the work of classical anti-money laundering systems. The purpose of the study is to increase the efficiency of detecting fraudulent transactions by developing and implementing a hybrid classification model. To solve the tasks, a comprehensive approach was applied, including temporal data validation to avoid information leakage, the SMOTE synthetic sample balancing algorithm, and the integration of deep learning with ensemble methods. The developed hybrid model is based on a combination of the XGBoost gradient boosting algorithm and a neural network autoencoder. The autoencoder trained on legitimate transactions is used to generate a meta-feature of the reconstruction error, which allows the model to more effectively identify anomalous patterns. It was experimentally proven that the proposed hybrid method provides the highest classification quality indicators: the F1-score value reached 0.8093, and the accuracy (Precision) for the fraudulent class increased to 91.30%, which is 1.45% higher than the results of the base models. The results of the work can be used in analytical systems for monitoring cryptocurrency transactions to minimize financial risks and optimize the work of AML officers.