کنترل دسترسی در قراردادهای هوشمند مالی با استفاده از مدیریت هویت دیجیتالی و یادگیری ماشین برای تسهیل تبادلات اینترنت اشیا

محورهای موضوعی : دانش مالی تحلیل اوراق بهادار

علی آبی زاده ¹ , زاداله فتحی ² , مهرزاد مینویی ³

1 - دانشجوی دکتری گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2 - استادیارگروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران. (نویسنده مسئول)
3 - استادیارگروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

تاریخ دریافت : 1401/04/25 تاریخ پذیرش : 1401/04/25 تاریخ انتشار : 1401/03/01

کلید واژه: بلاکچین, اتریوم, SVM, KMEANS, شناسایی تراکنش‌های سالم قراردا,

چکیده مقاله :

کنترل دسترسی در شبکه بلاکچین یکی از چالش هایی است که با رشد شبکه بلاک چین با آن روبه رو هستیم. در شبکه بلاک چین، مجموعه فعالیت های مالی کاربران که نیاز به امضای دیجیتال دارد انجام می‌شود، این اطلاعات در سرور بلاک چین ذخیره می شود. امضای دیجیتال و تایید هویت و صحت تراکنش‌ها به صورت دستی فرآیندی وقت گیر بوده و کاربر پسند نیست و از دلایلی است که تکنولوژی بلاکچین به طور کامل پذیرفته نمی‌شود. در این مقاله یک روش نوین براساس ترکیب روش‌های خوشه‌بندی و دسته‌بندی پیشنهاد می شود. که ابتدا برچسب‌گذاری داده‌ها به کمک روش خوشه بندی انجام شده و سپس از داده‌های برچسب‌گذاری شده برای آموزش الگوریتم SVM برای تعیین تراکنش‌های سالم استفاده می شود. روش پیشنهادی یک روش مبتنی بر یادگیری ماشین برای کنترل دسترسی است که امضای خودکار تراکنش های بلاک چین و شناسایی تراکنش های غیرعادی را انجام می دهد به منظور ارزیابی روش پیشنهادی، آزمایش و تجزیه و تحلیل بر روی داده‌های اتریوم انجام شده است و به کمک الگوریتم خوشه‌بندی KMEANS و روش بردار پشتیبان ماشین تراکنش های سالم از مشکوک شناسایی می‌شود که این روش توانایی شناسایی با دقت 89 درصد را نشان می دهد.

چکیده انگلیسی:

Access control in the blockchain network is one of the challenges we face with the growth of the blockchain network. In the blockchain network, the set of financial activities of users that require a digital signature is performed, this information is stored in the blockchain server. Manually signing digitally and verifying the authenticity of transactions is a time consuming and user-friendly process and is one of the reasons why blockchain technology is not fully accepted. In this paper, a new method is proposed based on a combination of clustering and classification methods. First, the data is labeled using the clustering method and then the labeled data is used to teach the SVM algorithm to determine healthy transactions. The proposed method is a machine learning method for access control that automatically blocks blockchain transactions and detects abnormal transactions. In order to evaluate the proposed method, atrium data have been tested and analyzed. And with the help of KMEANS clustering algorithm and machine vector support method, healthy transactions are detected from suspects, which shows the ability to identify with 89% accuracy

منابع و مأخذ:

1. Nakamoto, S. Bitcoin: A Peer-to-Peer Electronic Cash System. 2008. Available online: http://bitcoin.org/bitcoin.pdf (accessed on 10 November 2019).


2. Buterin, V. A next-generation smart contract and decentralized application platform.White Pap.2014,3, 37


3. Eskandari, S.; Clark, J.; Barrera, D.; Stobert, E. A first look at the usability of bitcoin key management.arXiv2018, arXiv: 1802.


4. Sheng, S.; Broderick, L.; Koranda, C.A.; Hyland, J.J. Why Johnny Still Can’t Encrypt: Evaluating the Usabilityof Email Encryption Software. Available online: https://cups.cs.cmu.edu/soups/2006/posters/sheng-poster_abstract.pdf (accessed on 25 December 2019).


5. Gaw, S.; Felten, E.W.; Fernandez-Kelly, P. Secrecy, flagging, and paranoia: Adoption criteria in encryptedemail. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, Montréal, QC,Canada, 22–27 April 2006; pp. 591–600.


6. Schultz, E. E.; Proctor, R. W.; Lien, M. C.; Salvendy, G. Usability and security an appraisal of usability issues ininformation security methods.Comput. Secur.2001,20, 620–634. [CrossRef]


7. Garfinkel, S. L.; Margrave, D.; Schiller, J.I.; Nordlander, E.; Miller, R.C. How to make secure email easier touse. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, Portland, OR,USA, 2–7 April 2005; pp. 701–710.


8. Ruoti, S.; Seamons, K. Johnny’s Journey Toward Usable Secure Email.IEEE Secur. Priv.2019,17, 72–76.[CrossRef]


9. Pham, T.; Lee, S. Anomaly detection in bitcoin network using unsupervised learning methods. arXiv2016, arXiv: 1611. 03941.


10. Pham, T.; Lee, S. Anomaly detection in the bitcoin system-a network perspective. arXiv2016, arXiv: 1611. 03942.

 

 

11. Ostapowicz, M.; ̇Zbikowski, K. Detecting Fraudulent Accounts on Block chain: A Supervised Approach.arXiv2019, arXiv: 1908. 07886.


12. Monamo, P.; Marivate, V.; Twala, B. Unsupervised learning for robust Bitcoin fraud detection. In Proceedingsof the 2016 Information Security for South Africa (ISSA), Johannesburg, South Africa, 17–18 August 2016;pp. 129–134.


13. Shen, M.Developer Report H1 2019; Technical report; Electric Capital: Palo Alto, CA, USA, 2019. Availableonline: https://www.electriccapital.com/developer_report_H1_2019_pdf (accessed on 10 November 2019).


14. Turkanovi ́c, M.; Hölbl, M.; Košiˇc, K.; Heriˇcko, M.; Kamišali ́c, A. EduCTX: A blockchain-based highereducation credit platform.IEEE Access2018,6, 5112–5127. [CrossRef]


15. Zheng, Z.; Xie, S.; Dai, H.; Chen, X.; Wang, H. An overview of blockchain technology: Architecture,consensus, and future trends. In Proceedings of the 2017 IEEE International Congress on Big Data (BigDataCongress), Honolulu, HI, USA, 25–30 June 2017; pp. 557–564


16. Wood, G. Ethereum: A secure decentralised generalised transaction ledger.Ethereum Proj. Yellow Pap.2014, 151, 1–32.


17. Moubarak, J.; Filiol, E.; Chamoun, M. On blockchain security and relevant attacks. In Proceedings of the2018 IEEE Middle East and North