En djup residual 1D-CNN med självuppmärksamhet för upptäckt av bedrägliga transaktioner i virtuella ekonomier

Varför virtuella världar behöver verkligt skydd

Från virtuella konserter till digitala köpcentrum börjar allt mer av våra pengar flyta genom onlinevärldar ofta kallade metaverse. Där pengar rör sig, följer snart bedragare efter. Denna artikel undersöker hur en ny typ av artificiell intelligensmodell kan övervaka dessa snabbrörliga, svårspårade transaktioner och i realtid markera riskfyllt beteende, vilket hjälper till att hålla människors virtuella plånböcker säkrare.

Pengar rör sig i metaverse

I metaverse köper och säljer användare digitala varor, handlar virtuell mark och flyttar kryptovalutor mellan plånböcker utspridda över världen. Dessa transaktioner lämnar komplexa spår: tidsstämplar, belopp, platser, enhetsinformation, beteendemönster och mer. Till skillnad från traditionell bankverksamhet är dessa data högvolyma, delvis anonyma och ständigt strömmande. Gamla bedrägerisystem, som vanligtvis fattar ett enkelt ja-eller-nej-beslut om en transaktion är bedräglig, har svårt att hantera denna nya miljö. De är inte byggda för att klara skiftande beteenden, dolda identiteter och behovet av att poängsätta varje transaktion på millisekunder.

Att göra röriga data till användbara signaler

Författarna bygger vidare på en offentlig metaverse-transaktionsdatamängd med nästan 80 000 poster, där varje post är märkt som låg, måttlig eller hög risk. Varje transaktion innehåller 14 olika informationsbitar, såsom tid på dygnet, transaktionstyp (till exempel köp, överföring eller bedrägeri), användarens region, hur ofta de loggar in och en beräknad riskpoäng. Många av dessa fält är ord, inte siffror, så teamet konverterar dem först till numerisk form med enkla kodningsscheman. De åtgärdar också ett viktigt verkligt problem: de flesta transaktioner är säkra medan hög-riskfall är sällsynta. För att förhindra att modellen ”lär sig” att allt är säkert duplicerar de minoritetsklasserna för höga och måttliga risker tills alla tre risknivåerna är lika representerade.

En lager-på-lager-AI som uppmärksammar

I arbetets kärna finns en djuplärande modell baserad på ett endimensionellt konvolutionsneuronät, eller 1D-CNN. Denna typ av nätverk är utformat för sekvenser, så det kan behandla en transaktions egenskaper mer som en kort tidsserie än en statisk ögonblicksbild, vilket fångar subtila lokala mönster i hur attribut samspelar. Ovanpå detta lägger författarna till två moderna element. Residuala kopplingar fungerar som genvägar som hjälper information att flyta smidigare genom lagren, vilket gör det lättare att träna djupare nätverk utan att fastna. En självuppmärksamhetsmekanism lär sig sedan vilka delar av varje transaktion som är viktigast för att avgöra dess risknivå och tilldelar högre vikt åt ledtrådar som ovanligt höga riskpoäng eller misstänkta köpmönster.

Att testa systemet

När modellen är tränad utvärderas den på flera sätt. På den balanserade metaverse-datamängden klassificerar den låga, måttliga och höga risktransaktioner med perfekta poäng över standardmått: varje riskfall i testuppdelningen hittas och märks korrekt. Korsvalidering, som upprepade gånger slumpmässigt blandar och delar upp data, bekräftar att denna prestanda är stabil snarare än en lyckträff på en enda uppdelning. Författarna jämför också variationer av sin arkitektur—endast 1D-CNN, med endast residuala kopplingar, med endast uppmärksamhet eller en kombination av båda—och finner att alla når liknande toppnoggrannhet på denna rena datamängd, även om fullversionen är långsammare att träna. För att testa robustheten tillsätter de avsiktligt olika typer av brus och förvrängningar; prestandan sjunker vid kraftig korruption men förblir stark när funktioner enkelt saknas slumpmässigt. Visuella verktyg som t-SNE-plotter visar att transaktioner efter bearbetning klustrar snyggt i tre grupper motsvarande risknivåerna, vilket tyder på att modellen verkligen separerat de underliggande beteendena.

Bortom metaverse: traditionella bedrägerier också

För att se om deras tillvägagångssätt generaliserar tillämpar teamet samma förbättrade 1D-CNN på en mycket använd kreditkortsbedrägeridatamängd från Europa, som också lider av kraftig klassobalans. Efter att endast träningsdelen balanserats och testuppsättningen lämnats intakt når modellen cirka 94 % noggrannhet samt liknande stark precision och recall för bedrägerifallen. Det visar att arkitekturen inte bara är anpassad till metaverse-data utan också kan hantera mer välbekanta korttransaktioner, och erbjuder ett enhetligt sätt att poängsätta risk över både virtuella och traditionella finansiella system.

Vad detta betyder för vardagliga användare

För en lekman är huvudbudskapet enkelt: när vi spenderar mer tid och pengar i digitala världar behöver vi smartare vakter vid portarna. Den här studien visar att en omsorgsfullt designad AI-modell kan sålla igenom de brusiga, snabbrörliga strömmarna av metaverse-transaktioner och skilja rutinaktivitet från verkligt misstänkt beteende, samtidigt som den också fungerar väl på vanliga kreditkortsdata. Även om författarna medger att perfekt prestanda på rena, syntetiska liknande datamängder sannolikt inte håller i alla verkliga situationer, tyder deras buller- och stresstester på en solid grund. I praktiken skulle sådana system kunna hjälpa plattformar och banker att upptäcka farliga mönster tidigt, minska bedrägeriförluster och ge användare större förtroende för att deras virtuella tillgångar övervakas i realtid.

Citering: 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

Nyckelord: metaverse-finans, bedrägeriupptäckt, djuplärande, riskklassificering, virtuella transaktioner