Blokzincir Verilerinde Makine Öğrenmesi: Sistematik Haritalama Çalışması Analizi

İçindekiler

1.1 Giriş

Blokzincir teknolojisi, veri şeffaflığını ve erişilebilirliğini kökten değiştirerek makine öğrenmesi uygulamaları için benzeri görülmemiş fırsatlar sunan devasa veri kümeleri üretmiştir. Bu sistematik haritalama çalışması, 2008-2023 yılları arasını kapsayan 159 araştırma makalesini analiz ederek ML'nin blokzincir verilerine çeşitli alanlarda nasıl uygulandığına dair kapsamlı bir genel bakış sunmaktadır.

1.2 Araştırma Metodolojisi

Çalışma, Petersen vd. (2015) ve Kitchenham & Charters (2007) tarafından belirlenen titiz sistematik haritalama metodolojisini izlemektedir. Sınıflandırma çerçevesi, araştırmaları dört temel boyutta düzenlemektedir: Kullanım Senaryosu, Blokzincir Platformu, Veri Özellikleri ve Makine Öğrenmesi Görevleri.

2. Temel Bulgular

2.1 Kullanım Senaryosu Dağılımı

Analiz, anomali tespitinin araştırma manzarasına hakim olduğunu ve tüm çalışmaların %49.7'sini oluşturduğunu ortaya koymaktadır. Bu, blokzincir işlemlerinde dolandırıcılık tespiti, güvenlik tehdidi tanımlama ve şüpheli desen tanıma gibi uygulamaları içermektedir.

2.2 Blokzincir Platformları Analizi

Bitcoin en çok çalışılan blokzincir platformu olmaya devam etmektedir (%47.2), onu Ethereum (%28.9) ve diğer platformlar izlemektedir. Bu yoğunlaşma, Bitcoin'in olgunluğunu ve kapsamlı işlem geçmişini yansıtmaktadır.

2.3 Veri Özellikleri

Çalışmaların %31.4'ü 1.000.000'dan fazla veri noktası içeren veri kümeleri kullanmış olup, bu durum blokzincir ML uygulamaları için ölçeklenebilirlik gereksinimlerini göstermektedir. Veri türleri arasında işlem grafikleri, zamansal diziler ve blokzincir meta verilerinden çıkarılan öznitelik vektörleri bulunmaktadır.

2.4 ML Modelleri ve Görevleri

Sınıflandırma görevleri %46.5 ile başı çekmekte, onu kümeleme (%22.6) ve regresyon (%18.9) izlemektedir. Derin öğrenme yaklaşımları, özellikle Grafik Sinir Ağları (GNN'ler), blokzincir işlem grafiklerini analiz etmek için artan bir kabul görmektedir.

3. Teknik Uygulama

3.1 Matematiksel Temeller

Blokzincir ML uygulamaları genellikle grafik tabanlı öğrenme algoritmaları kullanır. Temel grafik evrişim işlemi şu şekilde ifade edilebilir:

$H^{(l+1)} = \sigma(\tilde{D}^{-\frac{1}{2}}\tilde{A}\tilde{D}^{-\frac{1}{2}}H^{(l)}W^{(l)})$

Burada $\tilde{A} = A + I$ kendine bağlantılar içeren komşuluk matrisi, $\tilde{D}$ derece matrisi, $H^{(l)}$ l. katmandaki düğüm özniteliklerini içerir ve $W^{(l)}$ eğitilebilir ağırlık matrisidir.

3.2 Kod Uygulaması

import torch
import torch.nn as nn
import torch.nn.functional as F

class BlockchainGNN(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(BlockchainGNN, self).__init__()
        self.conv1 = GCNConv(input_dim, hidden_dim)
        self.conv2 = GCNConv(hidden_dim, output_dim)
        
    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = F.relu(self.conv1(x, edge_index))
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

# İşlem anomali tespiti için örnek kullanım
model = BlockchainGNN(input_dim=64, hidden_dim=32, output_dim=2)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

4. Deneysel Sonuçlar

Çalışma, farklı ML yaklaşımları arasında önemli performans farklılıkları olduğunu ortaya koymaktadır. Anomali tespiti modelleri ortalama 0.78-0.92 F1-skorlarına ulaşırken, fiyat tahmin modelleri %8.3 ile %15.7 arasında değişen MAPE (Ortalama Mutlak Yüzde Hata) göstermiştir. Performans büyük ölçüde veri kalitesine, öznitelik mühendisliğine ve model mimarisi seçimine bağlıdır.

5. Eleştirel Analiz

6. Gelecek Yönelimler

Çalışma, dört temel araştırma yönelimi belirlemiştir: blokzincir veri özellikleri için özel olarak tasarlanmış yeni makine öğrenmesi algoritmaları, veri işleme ve model değerlendirme için standardizasyon çerçeveleri, ML bağlamlarında blokzincir ölçeklenebilirlik sorunlarına yönelik çözümler ve zincirler arası etkileşim analizi. Gelişmekte olan alanlar arasında özel blokzincir verileri için birleşik öğrenme ve merkeziyetsiz finans uygulamaları için pekiştirmeli öğrenme bulunmaktadır.

7. Referanslar

1. Palaiokrassas, G., Bouraga, S., & Tassiulas, L. (2024). Machine Learning on Blockchain Data: A Systematic Mapping Study. arXiv:2403.17081
2. Petersen, K., Vakkalanka, S., & Kuzniarz, L. (2015). Guidelines for conducting systematic mapping studies in software engineering. Information and Software Technology, 64, 1-18.
3. Zhu, J. Y., et al. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. Proceedings of the IEEE international conference on computer vision.
4. Kipf, T. N., & Welling, M. (2016). Semi-supervised classification with graph convolutional networks. arXiv:1609.02907
5. Nakamoto, S. (2008). Bitcoin: A peer-to-peer electronic cash system.