Sanal ekonomilerde dolandırıcılık işlemlerini tespit için öz-dikkatli derin rezidüel 1D-CNN

Sanal dünyalar gerçek dünya korumasına neden ihtiyaç duyuyor

Sanal konserlerden dijital alışveriş merkezlerine kadar paramızın giderek daha fazlası genellikle metaverse olarak adlandırılan çevrimiçi dünyalardan akmaya başladı. Para nereye giderse dolandırıcılar kısa süre içinde peşinden gelir. Bu makale, yeni bir yapay zeka modelinin bu hızlı, izlenmesi zor işlemleri nasıl izleyebileceğini ve riskli davranışları gerçek zamanlı olarak nasıl işaretleyebileceğini inceleyerek insanların sanal cüzdanlarını daha güvende tutmaya yardımcı oluyor.

Metaversede para nasıl hareket ediyor

Metaversede kullanıcılar dijital öğeler satın alıp satıyor, sanal arazi ticareti yapıyor ve dünyanın dört bir yanına dağılmış cüzdanlar arasında kripto para taşıyorlar. Bu işlemler zaman damgaları, tutarlar, konumlar, cihaz ayrıntıları, davranış kalıpları ve daha fazlası gibi karmaşık izler bırakır. Geleneksel bankacılığın aksine bu veriler yüksek hacimli, kısmen anonim ve sürekli akış halinde. Genellikle bir işlemin dolandırıcılık olup olmadığına dair basit evet-hayır kararı veren eski tip dolandırıcılık sistemleri bu yeni ortamla zorlanıyor. Değişen davranışlara, gizli kimliklere ve her işlemi milisaniyeler içinde puanlama gereksinimine göre tasarlanmamışlar.

Dağınık veriyi kullanılabilir sinyallere dönüştürmek

Yazarlar, her biri düşük, orta veya yüksek risk olarak etiketlenmiş yaklaşık 80.000 kayıt içeren kamuya açık bir metaverse işlem veri kümesi üzerinde çalışıyor. Her işlem zaman dilimi, işlem türü (örneğin satın alma, transfer veya dolandırıcılık), kullanıcının bölgesi, giriş sıklığı ve hesaplanmış bir risk puanı gibi 14 farklı bilgi öğesi içeriyor. Bu öğelerin birçoğu sayı değil kelimeler olduğundan ekip önce bunları basit kodlama şemalarıyla sayısal forma çeviriyor. Ayrıca gerçek dünyadan gelen büyük bir sorunu düzeltiyorlar: işlemlerin çoğu güvenli iken yüksek riskli olanlar nadir. Modelin her şeyin güvenli olduğunu “öğrenmemesi” için azınlıkta olan yüksek ve orta riskli vakaları çoğaltarak üç risk seviyesinin eşit temsil edilmesini sağlıyorlar.

Dikkat veren katmanlı bir yapay zeka modeli

Çalışmanın merkezinde bir boyutlu konvolüsyonel sinir ağına (1D-CNN) dayanan bir derin öğrenme modeli var. Bu tür ağlar diziler için tasarlandığından bir işlemin özelliklerini statik bir anlık görüntüden ziyade kısa bir zaman serisi gibi ele alabilir ve niteliklerin nasıl hizalandığına dair ince yerel kalıpları yakalayabilir. Bunun üzerine yazarlar iki modern dokunuş ekliyor. Rezidüel bağlantılar, bilgilerin katmanlar arasında daha düzgün akmasına yardımcı olan kısa yollar gibi davranarak daha derin ağları takılıp kalmadan eğitmeyi kolaylaştırıyor. Öz-dikkat (self-attention) mekanizması ise her işlemde hangi parçaların risk seviyesinin belirlenmesinde en çok önem taşıdığını öğrenerek olağandışı yüksek risk puanları veya şüpheli satın alma kalıpları gibi ipuçlarına daha yüksek ağırlık veriyor.

Sistemi teste sokmak

Eğitildikten sonra model çeşitli şekillerde değerlendirilir. Dengelenmiş metaverse veri kümesi üzerinde düşük, orta ve yüksek riskli işlemleri standart ölçütlerde mükemmel skorlarla sınıflandırır: test bölümündeki tüm riskli vakalar bulunur ve doğru şekilde etiketlenir. Veriyi tekrar tekrar karıştırıp bölen çapraz doğrulama, bu performansın tek bir bölmeye denk gelen şanslı bir sonuç olmadığını doğrular. Yazarlar ayrıca mimarinin varyantlarını karşılaştırır—sadece 1D-CNN kullanmak, yalnızca rezidüel bağlantılar eklemek, yalnızca dikkat eklemek veya her ikisini birleştirmek—ve temiz bu veri kümesinde hepsinin benzer üst düzey doğruluğa ulaştığını, ancak tam sürümün eğitiminin daha yavaş olduğunu bulurlar. Dayanıklılığı sınamak için kasten farklı türde gürültü ve bozulmalar eklerler; ağır bozulma altında performans düşer ancak özellikler rastgele eksik olduğunda performans güçlü kalır. t-SNE gibi görsel araçlar, işlem verilerinin işlendiğinde risk seviyelerine karşılık gelen üç gruba düzgünce kümelendiğini gösterir; bu da modelin altta yatan davranışları gerçekten ayırdığını düşündürür.

Metaversenin ötesinde: geleneksel dolandırıcılık

Yaklaşımlarının genellenebilirliğini görmek için ekip aynı geliştirilmiş 1D-CNN’i Avrupa’dan yaygın olarak kullanılan bir kredi kartı dolandırıcılık veri kümesine de uygular; bu kümede de ciddi sınıf dengesizliği vardır. Sadece eğitim kısmını dengeledikten ve test setini dokunmadan bıraktıktan sonra model yaklaşık %94 doğruluk ve dolandırıcılık vakalarında benzer güçlü hassasiyet ve geri çağırma (recall) elde eder. Bu, mimarinin yalnızca metaverse verilerine özgü olmadığını, daha tanıdık kart işlemleriyle de başa çıkabildiğini ve sanal ile geleneksel finansal sistemler arasında risk puanlaması için birleşik bir yol sunduğunu gösterir.

Günlük kullanıcılar için bunun anlamı

Bir kullanıcı için ana mesaj basittir: dijital dünyalarda daha fazla zaman ve para harcadıkça kapılarda daha akıllı korumalara ihtiyacımız var. Bu çalışma, dikkatle tasarlanmış bir yapay zeka modelinin metaverse işlemlerinin gürültülü, hızla değişen akışlarını eleyebileceğini ve rutin faaliyeti gerçekten şüpheli davranıştan ayırabileceğini; aynı zamanda sıradan kredi kartı verilerinde de iyi çalışabileceğini gösteriyor. Yazarlar temiz, sentetik-benzeri veri kümelerinde mükemmel performansın tüm gerçek dünya koşullarında sürmesi beklenmediğini kabul etse de, yaptıkları gürültü ve stres testleri sağlam bir temele işaret ediyor. Pratikte bu tür sistemler platformların ve bankaların tehlikeli kalıpları erken fark etmesine, dolandırıcılık kayıplarını azaltmasına ve kullanıcıların sanal varlıklarının gerçek zamanlı olarak izlendiğine dair daha fazla güven duymasına yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: metaverse finans, dolandırıcılık tespiti, derin öğrenme, risk sınıflandırması, sanal işlemler