Глубокая резидуальная 1D-CNN с механизмом самовнимания для обнаружения мошеннических транзакций в виртуальных экономиках

Почему виртуальным мирам нужна защита из реального мира

От виртуальных концертов до цифровых торговых центров — все больше наших денег начинает циркулировать по онлайн-мирaм, часто называемым метавселенной. Куда движутся деньги, туда быстро приходят и мошенники. В этой статье исследуется, как новый тип модели искусственного интеллекта может отслеживать эти быстрые, трудно отслеживаемые транзакции и в реальном времени помечать рискованное поведение, помогая защитить виртуальные кошельки пользователей.

Движение денег в метавселенной

В метавселенной пользователи покупают и продают цифровые товары, торгуют виртуальной землей и переводят криптовалюту между кошельками по всему миру. Эти транзакции оставляют сложные следы: метки времени, суммы, местоположения, данные устройств, шаблоны поведения и многое другое. В отличие от традиционного банкинга, эти данные имеют большой объём, частично анонимны и постоянно поступают в потоковом режиме. Старые системы борьбы с мошенничеством, которые обычно принимают простое двоичное решение о том, является ли транзакция мошеннической, испытывают трудности в этой новой среде. Они не рассчитаны на изменяющееся поведение, скрытые идентичности и необходимость оценивать каждую транзакцию за миллисекунды.

Преобразование «грязных» данных в полезные сигналы

Авторы используют публичный набор данных транзакций метавселенной с почти 80 000 записей, каждая из которых помечена как низкий, средний или высокий риск. Каждая транзакция содержит 14 различных полей, таких как время дня, тип операции (например, покупка, перевод или мошенничество), регион пользователя, частота входов в систему и вычисленный риск-скор. Многие из этих полей — слова, а не числа, поэтому команда сначала переводит их в числовую форму с помощью простых схем кодирования. Они также исправляют важную практическую проблему: большинство транзакций безопасны, а высокорисковые случаи редки. Чтобы модель не «научилась» всегда предсказывать безопасно, авторы дублируют редкие случаи высокого и среднего риска, пока все три уровня риска не будут представлены в равных долях.

Слойная модель ИИ с механизмом внимания

В основе работы лежит модель глубокого обучения на базе одномерной сверточной нейронной сети (1D-CNN). Такой тип сети предназначен для последовательностей, поэтому он может рассматривать признаки транзакции скорее как короткий временной ряд, чем как статичную снимок, улавливая тонкие локальные закономерности в расположении атрибутов. Поверх этого авторы добавляют два современных элемента. Резидуальные соединения действуют как «шорткаты», помогая информации плавно протекать через слои, что облегчает обучение более глубоких сетей без застревания. Механизм самовнимания затем обучается тому, какие части каждой транзакции важнее для определения уровня риска, повышая вес подсказок, таких как необычно высокий риск-скор или подозрительные шаблоны покупок.

Испытание системы

После обучения модель оценивают несколькими способами. На сбалансированном наборе данных метавселенной она классифицирует низко-, средне- и высокорисковые транзакции с идеальными показателями по стандартным метрикам: каждый рискованный случай в тестовой выборке обнаруживается и правильно помечается. Кросс-валидация, которая многократно перемешивает и делит данные, подтверждает, что это поведение стабильно, а не удачный случай на одном разделе. Авторы также сравнивают варианты архитектуры — только 1D-CNN, добавление только резидуальных соединений, только внимания или их сочетание — и обнаруживают, что все они достигают сопоставимой пиковой точности на этом чистом наборе, хотя полная версия тренируется медленнее. Чтобы проверить устойчивость, они намеренно добавляют разные виды шума и искажений; при сильном повреждении производительность падает, но остаётся высокой, когда признаки просто случайно отсутствуют. Визуализации, такие как графики t-SNE, показывают, что после обработки транзакции аккуратно группируются в три кластера, соответствующие уровням риска, что указывает на то, что модель действительно разделила базовые шаблоны поведения.

Не только метавселенная: и традиционное мошенничество тоже

Чтобы проверить обобщаемость подхода, команда применяет ту же улучшенную 1D-CNN к широко используемому европейскому набору данных по мошенничеству с кредитными картами, который также страдает от сильного дисбаланса классов. Сбалансировав только тренировочную часть и оставив тестовую без изменений, модель достигает примерно 94% точности и аналогично высоких показателей точности и полноты по случаям мошенничества. Это указывает на то, что архитектура пригодна не только для данных метавселенной, но и для привычных карточных транзакций, предлагая единый способ оценки риска как в виртуальных, так и в традиционных финансовых системах.

Что это значит для обычных пользователей

Для непрофессионала главный вывод прост: по мере того как мы проводим больше времени и тратим больше денег в цифровых мирах, нам нужны более умные охранники у врат. Исследование показывает, что тщательно спроектированная модель ИИ может просеивать шумные, быстро меняющиеся потоки транзакций метавселенной и отделять рутинную активность от действительно подозрительного поведения, при этом хорошо работая и на обычных данных по кредитным картам. Хотя авторы признают, что идеальная работа на чистых, почти синтетических наборах данных в реальных условиях вряд ли сохранится во всех сценариях, их тесты на шум и стресс указывают на надёжную основу. На практике такие системы могли бы помочь платформам и банкам раннее обнаруживать опасные шаблоны, сокращать потери от мошенничества и давать пользователям большую уверенность в том, что их виртуальные активы контролируются в реальном времени.

Цитирование: 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

Ключевые слова: финансы метавселенной, обнаружение мошенничества, глубокое обучение, классификация риска, виртуальные транзакции