ПРОТОКОЛ КЕРУВАННЯ ЗАХИЩЕНИМИ ТРАНЗАКЦІЯМИ У БЛОКЧЕЙН-МЕРЕЖІ З РИЗИК-ОРІЄНТОВАНИМ ДОПУСКОМ
DOI:
https://doi.org/10.35546/kntu2078-4481.2026.2.24Ключові слова:
керування транзакціями, блокчейн, захищені транзакції, ризик-орієнтований допуск, протокол керування транзакціямиАнотація
У роботі запропоновано протокол керування захищеними транзакціями у блокчейн-мережі з ризик-орієнтованим допуском, який забезпечує адаптивну передконсенсусну обробку без модифікації базового механізму консенсусу. Протокол спирається на позаланцюговий сервіс оцінювання ризику, що для кожної транзакції формує озна- ковий профіль, обчислює ризик-оцінку нейромережевим модулем трансформерного типу для табличних ознак та оцінює невизначеність прогнозу. Ризик-оцінка та невизначеність перетворюються політикою зонування на зони White, Gray і Black з формуванням протокольної директиви, яка визначає режим обробки, пріоритет, правила допуску і аудит. Введено три режими: STD як стандартна перевірка, ENH як посилена перевірка з додатковими процедурами контролю, QUAR як карантинна обробка з обмеженням допуску та журналюванням. Експериментальну перевірку виконано на розміченій частині графового набору транзакцій, у якому після вилучення нерозмічених прикладів використано 46 564 транзакції з профілем із 188 ознак та розбиттям на тренувальну, валідаційну і тестову підвибірки; дисбаланс класів враховано ваговою корекцією позитивного класу. На тесті досягнуто ROC-AUC 0.9207 та AUPRC 0.7588, що підтверджує придатність ризик-оцінки для протокольного керування. Налаштовані пороги зонування сформували розподіл потоку 0.6845 у White, 0.2929 у Gray і 0.0226 у Black, забезпечивши високу селективність карантину з Precision 0.9655 та ескалацію ризикових транзакцій на підвищений контроль із Recall 0.8596 для Gray та Black. Мікробенчмарк у пакетному виконанні B=256 показав середні затримки 0.0778 мс для STD, 0.5215 мс для ENH і 0.5815 мс для QUAR, що робить суцільну посилену перевірку ресурсоємною. За фактичних часток зон середня нормована вартість передконсенсусної обробки становить 2.816 на транзакцію, а економія порівняно з політикою суцільної ENH сягає 57.98%, зберігаючи контроль ризикового потоку без втручання у консенсус
Посилання
Yu Y. Empirical analysis of EIP-1559: Transaction fees, waiting times, and consensus security / Y. Yu, Y. Lu, K. Nayak, F. Zhang, L. Zhang, Y. Zhao // In Proceedings of the 2022 ACM SIGSAC Conference on Computer and Communications Security. November 2022. Pp. 2099–2113. https://doi.org/10.1145/3548606.3559341.
Leonardos S. Dynamics of Ethereum’s EIP-1559 Transaction Fee Mechanism / S. Leonardos, D. Reijsbergen, B. Monnot, G. Piliouras // Distributed Ledger Technologies: Research and Practice. 2025. https://doi.org/10.1145/377329.
Azouvi S. Base fee manipulation in Ethereum's EIP-1559 transaction fee mechanism / S. Azouvi, G. Goren, L. Heimbach, A. Hicks // arXiv preprint arXiv:2304.11478. 2023. https://doi.org/10.4230/LIPIcs.DISC.2023.6.
Chotkan R. STARVESPAM: Mitigating Spam with Local Reputation in Permissionless Blockchains / R. Chotkan, B. Nasrulin, J. Decouchant, J. Pouwelse // In 2025 7th Conference on Blockchain Research & Applications for Innovative Networks and Services (BRAINS). November 2025. Pp. 1–9. IEEE. https://doi.org/10.1109/BRAINS67003.2025.11302925.
Karim M. R. Scalable semi-supervised graph learning techniques for anti money laundering / M. R. Karim, F. Hermsen, S. A. Chala, P. De Perthuis, A. Mandal // IEEE Access. 2024. Vol. 12. Pp. 50012–50029. https://doi.org/10.1109/ACCESS.2024.3383784.
Poon C. H. LineMVGNN: Anti-money laundering with line-graph-assisted multi-view graph neural networks / C. H. Poon, J. Kwok, C. Chow, J. H. Choi // AI. 2025. Vol. 6, No. 4. P. 69. https://doi.org/10.3390/ai6040069.
Milanés-Hermosilla D. Monte Carlo dropout for uncertainty estimation and motor imagery classification / D. Milanés-Hermosilla, R. Trujillo Codorniú, R. López-Baracaldo, R. Sagaró-Zamora, D. Delisle-Rodriguez, J. J. Villarejo-Mayor, J. R. Nunez-Alvarez // Sensors. 2021. Vol. 21, No. 21. P. 7241. https://doi.org/10.3390/s21217241.
Молчанова М. О. Інформаційна хмарна технологія нейромережевого аналізу зруйнованих споруд за візуальними даними з БПЛА / М. О. Молчанова, О. В. Мазурець, О. О. Залуцька, В. Д. Кадинська, В. В. Масловська //Науковий журнал «Вісник Херсонського національного технічного університету». 2025. № 3 (94), Т. 2. С. 345–351. https://doi.org/10.35546/kntu2078-4481.2025.3.2.44.
Wang, X., Li, H., Yi, L., Ning, Z., Tao, X., Guo, S., & Zhang, Y. A survey on off-chain networks: Frameworks, technologies, solutions and challenges. ACM Computing Surveys, 2025. 57(12), 1-35.
Elliptic Data Set. 2026. Kaggle. https://www.kaggle.com/datasets/ellipticco/elliptic-data-set.
Sobko O. Method for analysis and formation of representative text datasets / O. Sobko, O. Mazurets, M. Molchanova, I. Krak, O. Barmak // CEUR Workshop Proceedings. 2025. Vol. 3899. Pp. 84–98.
McDermott M. A closer look at AUROC and AUPRC under class imbalance / M. McDermott, H. Zhang, L. Hansen, G. Angelotti, J. Gallifant // Advances in Neural Information Processing Systems. 2024. Vol. 37. Pp. 44102–44163. https://doi.org/10.52202/079017-1400.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.




