Ein tiefes residuales 1D-CNN mit Selbstaufmerksamkeit zur Erkennung betrügerischer Transaktionen in virtuellen Ökonomien

Warum virtuelle Welten echten Schutz brauchen

Von virtuellen Konzerten bis zu digitalen Einkaufszentren fließt immer mehr Geld durch Online-Welten, oft als Metaverse bezeichnet. Wo Geld fließt, folgen bald Betrüger. Dieses Papier untersucht, wie ein neuer Typ von KI-Modell diese schnell ablaufenden, schwer nachverfolgbaren Transaktionen überwachen und riskantes Verhalten in Echtzeit markieren kann, um die virtuellen Geldbeutel der Nutzer zu schützen.

Geldbewegungen im Metaverse

Im Metaverse kaufen und verkaufen Nutzer digitale Güter, handeln mit virtuellem Land und verschieben Kryptowährungen zwischen weltweit verteilten Wallets. Diese Transaktionen hinterlassen komplexe Spuren: Zeitstempel, Beträge, Standorte, Gerätedetails, Verhaltensmuster und mehr. Im Gegensatz zum traditionellen Bankwesen sind diese Daten sehr umfangreich, teilweise anonym und kontinuierlich im Fluss. Alte Betrugssysteme, die meist eine einfache Ja-/Nein-Entscheidung zur Frage treffen, ob eine Transaktion betrügerisch ist, haben in diesem Umfeld Schwierigkeiten. Sie sind nicht dafür ausgelegt, mit veränderlichem Verhalten, versteckten Identitäten und der Notwendigkeit, jede Transaktion innerhalb von Millisekunden zu bewerten, umzugehen.

Unordentliche Daten in nutzbare Signale verwandeln

Die Autoren arbeiten mit einem öffentlichen Metaverse-Transaktionsdatensatz mit knapp 80.000 Einträgen, die jeweils als geringes, moderates oder hohes Risiko etikettiert sind. Jede Transaktion enthält 14 verschiedene Informationen, etwa Tageszeit, Transaktionstyp (zum Beispiel Kauf, Überweisung oder Betrug), Nutzerregion, Anmeldehäufigkeit und einen berechneten Risikowert. Viele dieser Angaben sind Wörter, keine Zahlen, weshalb das Team sie zunächst mit einfachen Codierungsschemata in numerische Form überführt. Außerdem beheben sie ein großes praktisches Problem: Die meisten Transaktionen sind sicher, während Hochrisiko-Fälle selten sind. Um zu verhindern, dass das Modell „lernt“, alles als sicher einzustufen, duplizieren sie die selteneren hohen und moderaten Risikofälle, bis alle drei Risikostufen gleich vertreten sind.

Ein geschichtetes KI-Modell, das aufpasst

Im Zentrum der Arbeit steht ein Deep-Learning-Modell, das auf einem eindimensionalen Faltungsnetzwerk (1D-CNN) basiert. Diese Netzart ist für Sequenzen konzipiert, sodass sie die Merkmale einer Transaktion eher wie eine kurze Zeitreihe als einen statischen Schnappschuss behandeln kann und subtile lokale Muster erkennt, wie Attribute zusammenfallen. Darauf bauen die Autoren zwei moderne Erweiterungen auf. Residualverbindungen fungieren als Abkürzungen, die den Informationsfluss durch die Schichten erleichtern und das Training tieferer Netze ohne Einfrieren vereinfachen. Ein Selbstaufmerksamkeitsmechanismus lernt anschließend, welche Teile jeder Transaktion für die Risikobewertung am wichtigsten sind, und gewichtet Hinweise höher, etwa ungewöhnlich hohe Risikowerte oder verdächtige Kaufmuster.

Das System auf die Probe stellen

Nach dem Training wird das Modell auf verschiedene Weise bewertet. Auf dem ausgeglichenen Metaverse-Datensatz klassifiziert es Niedrig-, Mittel- und Hochrisiko-Transaktionen mit perfekten Werten in den Standardmaßen: Jeder riskante Fall im Testsatz wird gefunden und korrekt etikettiert. Cross-Validation, bei der die Daten wiederholt gemischt und aufgeteilt werden, bestätigt, dass diese Leistung stabil ist und kein Zufallsergebnis eines einzelnen Splits. Die Autoren vergleichen außerdem Varianten ihrer Architektur – nur 1D-CNN, nur Residualverbindungen, nur Attention oder die Kombination beider – und stellen fest, dass alle auf diesem sauberen Datensatz ähnliche Spitzenwerte bei der Genauigkeit erreichen, wobei die vollständige Version langsamer zu trainieren ist. Um die Robustheit zu prüfen, fügen sie absichtlich verschiedene Arten von Rauschen und Verzerrungen hinzu; die Leistung fällt bei starker Korruption ab, bleibt jedoch solide, wenn nur zufällig Merkmale fehlen. Visuelle Werkzeuge wie t-SNE-Darstellungen zeigen, dass die Transaktionen nach der Verarbeitung sauber in drei Gruppen entsprechend den Risikostufen cluster, was darauf hindeutet, dass das Modell die zugrunde liegenden Verhaltensweisen wirklich getrennt hat.

Über das Metaverse hinaus: auch traditioneller Betrug

Um zu prüfen, ob ihr Ansatz generalisiert, wenden die Forscher dasselbe erweiterte 1D-CNN auf einen weitverbreiteten Kreditkarten-Betrugsdatensatz aus Europa an, der ebenfalls unter starker Klassenimbalanz leidet. Nachdem nur der Trainingsanteil ausgeglichen und der Testsatz unangetastet gelassen wurde, erreicht das Modell etwa 94 % Genauigkeit sowie ebenso starke Precision und Recall für Betrugsfälle. Das deutet darauf hin, dass die Architektur nicht nur auf Metaverse-Daten zugeschnitten ist, sondern auch mit vertrauteren Kartentransaktionen umgehen kann und so eine einheitliche Methode bietet, Risiko sowohl in virtuellen als auch in traditionellen Finanzsystemen zu bewerten.

Was das für den Alltag der Nutzer bedeutet

Für Laien ist die Kernbotschaft einfach: Wenn wir mehr Zeit und Geld in digitalen Welten verbringen, brauchen wir intelligentere Wächter an den Toren. Diese Studie zeigt, dass ein sorgfältig gestaltetes KI-Modell die lauten, sich schnell ändernden Ströme von Metaverse-Transaktionen durchsieben und routinemäßige Aktivität von wirklich verdächtigem Verhalten trennen kann – und zugleich gut auf gewöhnliche Kreditkartendaten anwendbar ist. Zwar räumen die Autoren ein, dass perfekte Ergebnisse auf sauberen, synthetisch wirkenden Datensätzen nicht in allen realen Einsatzszenarien zu erwarten sind, doch deuten ihre Rausch- und Stresstests auf eine solide Grundlage hin. In der Praxis könnten solche Systeme Plattformen und Banken helfen, gefährliche Muster früh zu erkennen, Betrugsverluste zu reduzieren und den Nutzern mehr Vertrauen zu geben, dass ihre virtuellen Vermögenswerte in Echtzeit überwacht werden.

Zitation: Mohammed, K.K., Abdo, A.S., Darwish, A. et al. A deep residual 1D-CNN with self-attention for fraud transaction detection in virtual economies. Sci Rep 16, 6150 (2026). https://doi.org/10.1038/s41598-026-37032-w

Schlüsselwörter: Metaverse-Finanzen, Betrugserkennung, Deep Learning, Risikoklassifizierung, virtuelle Transaktionen