Detection of Ponzi scheme on Ethereum using machine learning algorithms الكشف عن مخطط بونزي على إيثريوم باستخدام خوارزميات التعلم الآلي Détection du schéma de Ponzi sur Ethereum à l'aide d'algorithmes d'apprentissage automatique Detección de esquema Ponzi en Ethereum mediante algoritmos de aprendizaje automático

Abstract Security threats posed by Ponzi schemes present a considerably higher risk compared to many other online crimes. These fraudulent online businesses, including Ponzi schemes, have witnessed rapid growth and emerged as major threats in societies like Nigeria, particularly due to the high poverty rate. Many individuals have fallen victim to these scams, resulting in significant financial losses. Despite efforts to detect Ponzi schemes using various methods, including machine learning (ML), current techniques still face challenges, such as deficient datasets, reliance on transaction records, and limited accuracy. To address the negative impact of Ponzi schemes, this paper proposes a novel approach focusing on detecting Ponzi schemes on Ethereum using ML algorithms like random forest (RF), neural network (NN), and K-nearest neighbor (KNN). Over 20,000 datasets related to Ethereum transaction networks were gathered from Kaggle and preprocessed for training the ML models. After evaluating and comparing the three models, RF demonstrated the best performance with an accuracy of 0.94, a class-score of 0.8833, and an overall-score of 0.96667. Comparative evaluations with previous models indicate that our model achieves high accuracy. Moreover, this innovative work successfully detects key fraud features within the Ponzi scheme dataset, reducing the number of features from 70 to only 10 while maintaining a high level of accuracy. The main strength of this proposed method lies in its ability to detect clever Ponzi schemes from their inception, offering valuable insights to combat these financial threats effectively. تمثل التهديدات الأمنية المجردة التي تشكلها مخططات بونزي مخاطر أعلى بكثير مقارنة بالعديد من الجرائم الأخرى عبر الإنترنت. شهدت هذه الأعمال الاحتيالية عبر الإنترنت، بما في ذلك مخططات بونزي، نموًا سريعًا وبرزت كتهديدات رئيسية في مجتمعات مثل نيجيريا، لا سيما بسبب ارتفاع معدل الفقر. وقع العديد من الأفراد ضحية لهذه الحيل، مما أدى إلى خسائر مالية كبيرة. على الرغم من الجهود المبذولة للكشف عن مخططات بونزي باستخدام طرق مختلفة، بما في ذلك التعلم الآلي، لا تزال التقنيات الحالية تواجه تحديات، مثل مجموعات البيانات الناقصة، والاعتماد على سجلات المعاملات، والدقة المحدودة. لمعالجة التأثير السلبي لمخططات بونزي، تقترح هذه الورقة نهجًا جديدًا يركز على اكتشاف مخططات بونزي على إيثريوم باستخدام خوارزميات التعلم الآلي مثل الغابة العشوائية (RF) والشبكة العصبية (NN) وأقرب جيران K (KNN). تم جمع أكثر من 20000 مجموعة بيانات تتعلق بشبكات معاملات الإيثيريوم من Kaggle ومعالجتها مسبقًا لتدريب نماذج غسل الأموال. بعد تقييم ومقارنة النماذج الثلاثة، أظهر التردد اللاسلكي أفضل أداء بدقة 0.94، ودرجة فصل 0.8833، ودرجة إجمالية 0.96667. تشير التقييمات المقارنة مع النماذج السابقة إلى أن نموذجنا يحقق دقة عالية. علاوة على ذلك، يكتشف هذا العمل المبتكر بنجاح ميزات الاحتيال الرئيسية داخل مجموعة بيانات مخطط بونزي، مما يقلل عدد الميزات من 70 إلى 10 فقط مع الحفاظ على مستوى عالٍ من الدقة. تكمن القوة الرئيسية لهذه الطريقة المقترحة في قدرتها على اكتشاف مخططات بونزي الذكية منذ بدايتها، وتقديم رؤى قيمة لمكافحة هذه التهديدات المالية بشكل فعال. Résumé Les menaces à la sécurité posées par les stratagèmes de Ponzi présentent un risque considérablement plus élevé par rapport à de nombreux autres crimes en ligne. Ces entreprises en ligne frauduleuses, y compris les stratagèmes de Ponzi, ont connu une croissance rapide et sont devenues des menaces majeures dans des sociétés comme le Nigeria, en particulier en raison du taux de pauvreté élevé. De nombreuses personnes ont été victimes de ces escroqueries, entraînant des pertes financières importantes. Malgré les efforts déployés pour détecter les schémas de Ponzi à l'aide de diverses méthodes, y compris l'apprentissage automatique (ML), les techniques actuelles sont toujours confrontées à des défis, tels que des ensembles de données déficients, la dépendance aux enregistrements de transactions et une précision limitée. Pour aborder l'impact négatif des schémas de Ponzi, cet article propose une nouvelle approche axée sur la détection des schémas de Ponzi sur Ethereum à l'aide d'algorithmes de ML tels que la forêt aléatoire (RF), le réseau neuronal (NN) et le plus proche voisin K (KNN). Plus de 20 000 ensembles de données liés aux réseaux de transactions Ethereum ont été collectés auprès de Kaggle et prétraités pour la formation des modèles de BC. Après évaluation et comparaison des trois modèles, RF a démontré la meilleure performance avec une précision de 0,94, un score de classe de 0,8833 et un score global de 0,966667. Les évaluations comparatives avec les modèles précédents indiquent que notre modèle atteint une grande précision. De plus, ce travail innovant détecte avec succès les principales caractéristiques de fraude dans l'ensemble de données du système de Ponzi, réduisant le nombre de caractéristiques de 70 à seulement 10 tout en maintenant un niveau élevé de précision. La principale force de cette méthode proposée réside dans sa capacité à détecter les schémas de Ponzi intelligents dès leur création, offrant des informations précieuses pour lutter efficacement contre ces menaces financières. Resumen Las amenazas a la seguridad que plantean los esquemas Ponzi presentan un riesgo considerablemente mayor en comparación con muchos otros delitos en línea. Estos negocios fraudulentos en línea, incluidos los esquemas Ponzi, han experimentado un rápido crecimiento y se han convertido en grandes amenazas en sociedades como Nigeria, particularmente debido a la alta tasa de pobreza. Muchas personas han sido víctimas de estas estafas, lo que ha resultado en pérdidas financieras significativas. A pesar de los esfuerzos para detectar esquemas Ponzi utilizando varios métodos, incluido el aprendizaje automático (ML), las técnicas actuales aún enfrentan desafíos, como conjuntos de datos deficientes, dependencia de los registros de transacciones y precisión limitada. Para abordar el impacto negativo de los esquemas Ponzi, este documento propone un enfoque novedoso centrado en la detección de esquemas Ponzi en Ethereum utilizando algoritmos ML como el bosque aleatorio (RF), la red neuronal (NN) y el vecino más cercano K (KNN). Se recopilaron más de 20 000 conjuntos de datos relacionados con las redes de transacciones de Ethereum de Kaggle y se procesaron previamente para entrenar los modelos de ML. Después de evaluar y comparar los tres modelos, RF demostró el mejor rendimiento con una precisión de 0.94, una puntuación de clase de 0.8833 y una puntuación general de 0.96667. Las evaluaciones comparativas con modelos anteriores indican que nuestro modelo logra una alta precisión. Además, este trabajo innovador detecta con éxito las características clave de fraude dentro del conjunto de datos del esquema Ponzi, reduciendo el número de características de 70 a solo 10 mientras se mantiene un alto nivel de precisión. La principal fortaleza de este método propuesto radica en su capacidad para detectar esquemas Ponzi inteligentes desde su inicio, ofreciendo información valiosa para combatir estas amenazas financieras de manera efectiva.