27931

تشخيص ناهنجاري در شبكه بيت‌كوين با استفاده از الگوريتم‌هاي يادگيري ماشين

كارشناسي ارشد

مهندسي صنايع

1398

1401/8/18

محمد فتحيان

دانشكده مديريت، اقتصاد و مهندسي پيشرفت

فناوري بلاك‌چين به دليل نوع ساختار، فناوري و استفاده از الگوريتم‌هاي اجماع، از رفتار‌هاي متقلبانه جلوگيري مي‌كند، اما به تنهايي نمي‌تواند تقلب را شناسايي كند و ممكن است هميشه راه‌هاي غيرقابل پيش‌بيني براي سرقت و كلاهبرداري وجود داشته باشد. جذابيت و محبوبيت شگفت‌انگيز بيت‌كوين به عنوان يك ارز ديجيتال، بلاك‌چين را بسيار محبوب كرده است. يكي از مهم‌ترين تكنيك‌ها براي رسيدگي به مسائل امنيتي استفاده از هوش مصنوعي و تكنيك تشخيص ناهنجاري است. برخي از نتايج در تشخيص ناهنجاري در شبكه بلاك‌چين عملكرد قابل قبولي دارند اما هيچ راه‌حل صريحي وجود ندارد. اين پژوهش به دنبال تشخيص ناهنجاري بر روي داده‌هاي يك بلاك‌چين مالي به نام بيت‌كوين است و به دنبال پر كردن شكاف بين هوش مصنوعي و بلاك‌چين است. در اين پژوهش ابتدا مروري بر فناوري بلاك‌چين، كاربردها و امنيت بلاك‌چين پرداخته شده است. سپس با استخراج تراكنش‌هاي بيت‌كوين با استفاده از تكنيك‌هاي يادگيري ماشين بدون نظارت نسبت به شناسايي تراكنش‌هاي مخرب اقدام كرده و سپس چهار الگوريتم جنگل ايزوله، الگوريتم عامل دورافتاده محلي، الگوريتم شناسايي نقاط پرت برمبناي نمودار فراواني و الگوريتم تحليل مولفه اساسي را در نتايج مقايسه كرده و بهترين الگوريتم جهت شناسايي تراكنش‌هاي خراب معرفي مي‌گردد.

1401/11/13

Anomaly Detection in Bitcoin Network Using machine learning algorithms

11/9/2023 12:00:00 AM

Blockchain technology prevents fraudulent behavior due to its structure, technology, and consensus algorithms. However, it cannot detect fraud by itself, and there may always be unpredictable ways of theft and fraud. Bitcoin's fantastic appeal and popularity as a digital currency have made blockchain very popular. One of the essential techniques for dealing with security issues is using artificial intelligence and anomaly detection techniques. Some results are acceptable in detecting anomalies in the blockchain network, but there is no clear solution. This research seeks to detect anomalies in the data of a financial blockchain called Bitcoin and seeks to fill the gap between artificial intelligence and blockchain. In this research, an overview of blockchain technology, applications, and blockchain security has been discussed. Then, by extracting Bitcoin transactions using unsupervised machine learning techniques, it identified malicious transactions and compared four Isolation Forest algorithms, Histogram-based Outlier Score algorithm, Cluster-Based Local Outlier Factor algorithm, and Principal Component Analysis algorithm. The best algorithm for identifying bad transactions is introduced.

تشخيص ناهنجاري , بلاك‌چين , بيت‌كوين , تشخيص تقلب , يادگيري ماشين , داده كاوي

Anomaly detection , Blockchain , Bitcoin , fraud detection , machine learning , Data mining

Mehdi Salimi

Mohammad Fathian