في عالم العملات الرقمية المتنامي، يعد الكشف عن الشذوذ (Anomaly Detection) من أهم التحديات التي تواجه المطورين. يتسبب تنوع أنماط المعاملات وتزايد عدد العناوين في تعقيد هذه العملية. وقد أظهرت الدراسات الحديثة أن الطرق التقليدية لا تستطيع مواجهة الأشكال المتطورة من الأنماط السلبية التي يبتكرها المهاجمون.

لذا، تم تقديم إطار عمل جديد يدعى TEMG-TTA، والذي يركز على استخلاص الأنماط الزمنية (Temporal Motifs) لكل عنوان نشط. يعتمد هذا الإطار على تقنيات تعلم الرسوم البيانية (Graph Learning) القادرة على التعامل مع تحديات الشذوذ في بيانات المعاملات.

يتضمن الإطار آليتين رئيسيتين: الأولى تتمثل في التقاط توزيع الأنماط الزمنية المكونة من ثلاث عقد، مما يسهل فهم أنماط المعاملات المعقدة. والثانية هي استراتيجية تكيف بسيطة وفعالة أثناء الاختبار، مما يسهم في تبادل الأنماط المشتركة بين مجموعات البيانات التدريبية والاختبارية.

أظهرت التجارب على خمس مجموعات بيانات حقيقية أن TEMG-TTA يتفوق على الأساليب الرائدة في هذا المجال بنسبة 54.88%. وبالإضافة إلى ذلك، تم توضيح كيف يتميز هذا الإطار في تحديد الأنماط الشاذة في العناوين بطريقة قابلة للتفسير.

إذا كنت مهتمًا بتفاصيل هذه الدراسة، يمكنك الاطلاع على الشيفرة المصدرية المتاحة علنًا عبر الرابط التالي: [رابط الشيفرة المصدرية].

مالذي تعتقد أنه يجعل TEMG-TTA هو الحل الأمثل لمواجهة تحديات الكشف عن الشذوذ؟ شاركنا برأيك في التعليقات!