2025_Pembentukan Pengesanan Anomali Blok Rantai Berdasarkan Penjana Ciri Relevan Pcr-Abr
| Format: | General Document |
|---|
| _version_ | 1860798335415222272 |
|---|---|
| building | INTELEK Repository |
| collection | Online Access |
| collectionurl | https://intelek.unisza.edu.my/intelek/pages/search.php?search=!collection3 |
| copyright | Copyright©PWB2025 |
| country | Malaysia |
| date | 2025-02-05 13:52 |
| format | General Document |
| id | 17324 |
| institution | UniSZA |
| originalfilename | 17324_a93aeb44eda2a0f.pdf |
| person | Sabri Bin Ahmad Hisham |
| recordtype | oai_dc |
| resourceurl | https://intelek.unisza.edu.my/intelek/pages/view.php?ref=17324 |
| sourcemedia | Server storage Scanned document |
| spelling | 17324 https://intelek.unisza.edu.my/intelek/pages/view.php?ref=17324 https://intelek.unisza.edu.my/intelek/pages/search.php?search=!collection3 General Document Malaysia Library Staff (Top Management) Library Staff (Management) Library Staff (Support) Terengganu Faculty of Informatics & Computing Malay application/pdf 1.7 Server storage Scanned document UniSZA Private Access UniSZA 376 Copyright©PWB2025 Ethereum Microsoft® Word LTSC UniSZA Dissertations-Academic Sabri Bin Ahmad Hisham Blok Rantai Kontrak Pintar Pengesanan Anomali Penipuan Kontrak Ponzi Pembelajaran Mesin Pemilihan Ciri Ciri Hibrid Pengesanan Penipuan Blockchain — Security measures Blockchain — Data Processing Fraud — Prevention — Data processing Machine Learning — Applications 2025_Pembentukan Pengesanan Anomali Blok Rantai Berdasarkan Penjana Ciri Relevan Pcr-Abr Blok Rantai 3.0 telah memperkenalkan Decentralized Application (dApp) yang menjadikan kontrak pintar dan Ethereum semakin meluas digunakan. Teknologi ini telah berkembang daripada pelantar berasaskan kriptowang kepada aplikasi tanpa melibatkan transaksi kewangan yang digunakan dalam pelbagai sektor seperti pendidikan, Internet Benda (IoT), perindustrian, farmasi dan sebagainya. Ekosistem blok rantai khususnya Ethereum tergolong dalam kategori rangkaian awam dan dikenali dengan seni bina yang mempunyai tahap keselamatan tinggi. Namun begitu, sifat keterbukaan teknologi ini telah mendatangkan risiko tinggi dalam aspek keselamatan seperti penipuan dan manipulasi kontrak pintar. Langkah mengesan anomali secara manual adalah tidak efisien kerana melibatkan analisis set data Ethereum yang kompleks dan berdimensi tinggi. Pengesanan awal menggunakan pendekatan pembelajaran mesin merupakan langkah yang efektif untuk mengenal pasti aktiviti penipuan. Walau bagaimanapun, kajian terdahulu menghadapi cabaran dalam memilih ciri yang relevan kerana kebanyakannya memfokuskan analisis transaksi sejarah dan komponen ciri yang terbatas. Oleh itu, kajian ini mencadangkan kerangka Penjana Ciri Relevan–Anomali Blok Rantai (PCR-ABR) dengan menggabungkan tiga (3) set data dari kod sumber kontrak mengandungi kelas binari (normal dan Ponzi) yang diekstrak dari Etherscan.io, yakni kod antaramuka aplikasi binari (ABI), kod operasi (opcode) dan transaksi kontrak untuk menghasilkan empat (4) kombinasi ciri hibrid. PCR-ABR merangkumi proses pengurangan ciri, analisis kepentingan ciri untuk tiga kaedah saringan ciri paling optimum yang terdiri daripada Mutual Information (MI), Analysis of Variance (ANOVA), Chi-Square (CHI) serta Recursive Feature Elimination (RFE), operasi penyatuan subset ciri dan penyingkiran ciri berdasarkan nilai skor sifar. Set ciri relevan ini menjadi input kepada model pengesanan anomali berasaskan pembelajaran ensembel yang dikenali sebagai Pengelas Relevan Ensembel Voting–Anomali Blok Rantai (PREV-ABR). Model ini terdiri daripada enam (6) pasangan pengelas meta yang terdiri daripada kombinasi pengelas ensembel berasaskan pepohon (tree), iaitu XGBoost (XGB), Extra Trees Classifier (ETC), Random Forest (RF), Gradient Boosting (GB), Bagging dan Decision Tree (DT). Prestasi model akhir dimuktamadkan berdasarkan kadar ketepatan tertinggi yang dihasilkan oleh enam (6) pengelas meta melalui kaedah Soft Voting. Komponen ciri kod operasi + kod antaramuka aplikasi binari + transaksi kontrak menghasilkan kadar ketepatan tertinggi pada 96.86 peratus dan merupakan komponen ciri paling relevan untuk peningkatan tahap pengesanan anomali. Keseluruhannya, pendekatan ensembel dalam PREV-ABR mempamerkan prestasi yang lebih optimum daripada lima (5) pengelas tunggal, iaitu Stochastic Gradient Descent (SGD), DT, Linear Discriminant Analysis (LDA), K-Nearest Neighbour (KNN), Logistic Regression (LR) dan pengelas ensembel RF. Selain itu, PCR-ABR berjaya mengurangkan ruang dimensi ciri melebihi 99 peratus daripada ciri penuh, mengoptimumkan masa pengelasan serta meminimumkan kadar salah klasifikasi berdasarkan False Positive Rate (FPR) dan False Negative Rate (FNR). PREV-ABR mempamerkan nilai ketepatan yang lebih tinggi daripada hasil kajian lain, penggunaan teknik pemilihan ciri Boruta dan Searching for Uncorrelated List of Variables (SULOV). Kajian ini telah menyumbang dalam aspek penentuan ciri relevan bagi komponen ciri hibrid melalui PCR-ABR dan penghasilan model pengesanan anomali PREV-ABR untuk peningkatan prestasi pengesanan anomali (kontrak Ponzi) berasaskan pendekatan kaedah pembelajaran ensembel. 2025-02-05 13:52 uuid:12EC835C-590D-41A2-9D06-EB95B9EB9E32 17324_a93aeb44eda2a0f.pdf Thesis |
| spellingShingle | 2025_Pembentukan Pengesanan Anomali Blok Rantai Berdasarkan Penjana Ciri Relevan Pcr-Abr |
| state | Terengganu |
| subject | Dissertations-Academic Blockchain — Security measures Blockchain — Data Processing Fraud — Prevention — Data processing Machine Learning — Applications |
| summary | Blok Rantai 3.0 telah memperkenalkan Decentralized Application (dApp) yang menjadikan kontrak pintar dan Ethereum semakin meluas digunakan. Teknologi ini telah berkembang daripada pelantar berasaskan kriptowang kepada aplikasi tanpa melibatkan transaksi kewangan yang digunakan dalam pelbagai sektor seperti pendidikan, Internet Benda (IoT), perindustrian, farmasi dan sebagainya. Ekosistem blok rantai khususnya Ethereum tergolong dalam kategori rangkaian awam dan dikenali dengan seni bina yang mempunyai tahap keselamatan tinggi. Namun begitu, sifat keterbukaan teknologi ini telah mendatangkan risiko tinggi dalam aspek keselamatan seperti penipuan dan manipulasi kontrak pintar. Langkah mengesan anomali secara manual adalah tidak efisien kerana melibatkan analisis set data Ethereum yang kompleks dan berdimensi tinggi. Pengesanan awal menggunakan pendekatan pembelajaran mesin merupakan langkah yang efektif untuk mengenal pasti aktiviti penipuan. Walau bagaimanapun, kajian terdahulu menghadapi cabaran dalam memilih ciri yang relevan kerana kebanyakannya memfokuskan analisis transaksi sejarah dan komponen ciri yang terbatas. Oleh itu, kajian ini mencadangkan kerangka Penjana Ciri Relevan–Anomali Blok Rantai (PCR-ABR) dengan menggabungkan tiga (3) set data dari kod sumber kontrak mengandungi kelas binari (normal dan Ponzi) yang diekstrak dari Etherscan.io, yakni kod antaramuka aplikasi binari (ABI), kod operasi (opcode) dan transaksi kontrak untuk menghasilkan empat (4) kombinasi ciri hibrid. PCR-ABR merangkumi proses pengurangan ciri, analisis kepentingan ciri untuk tiga kaedah saringan ciri paling optimum yang terdiri daripada Mutual Information (MI), Analysis of Variance (ANOVA), Chi-Square (CHI) serta Recursive Feature Elimination (RFE), operasi penyatuan subset ciri dan penyingkiran ciri berdasarkan nilai skor sifar. Set ciri relevan ini menjadi input kepada model pengesanan anomali berasaskan pembelajaran ensembel yang dikenali sebagai Pengelas Relevan Ensembel Voting–Anomali Blok Rantai (PREV-ABR). Model ini terdiri daripada enam (6) pasangan pengelas meta yang terdiri daripada kombinasi pengelas ensembel berasaskan pepohon (tree), iaitu XGBoost (XGB), Extra Trees Classifier (ETC), Random Forest (RF), Gradient Boosting (GB), Bagging dan Decision Tree (DT). Prestasi model akhir dimuktamadkan berdasarkan kadar ketepatan tertinggi yang dihasilkan oleh enam (6) pengelas meta melalui kaedah Soft Voting. Komponen ciri kod operasi + kod antaramuka aplikasi binari + transaksi kontrak menghasilkan kadar ketepatan tertinggi pada 96.86 peratus dan merupakan komponen ciri paling relevan untuk peningkatan tahap pengesanan anomali. Keseluruhannya, pendekatan ensembel dalam PREV-ABR mempamerkan prestasi yang lebih optimum daripada lima (5) pengelas tunggal, iaitu Stochastic Gradient Descent (SGD), DT, Linear Discriminant Analysis (LDA), K-Nearest Neighbour (KNN), Logistic Regression (LR) dan pengelas ensembel RF. Selain itu, PCR-ABR berjaya mengurangkan ruang dimensi ciri melebihi 99 peratus daripada ciri penuh, mengoptimumkan masa pengelasan serta meminimumkan kadar salah klasifikasi berdasarkan False Positive Rate (FPR) dan False Negative Rate (FNR). PREV-ABR mempamerkan nilai ketepatan yang lebih tinggi daripada hasil kajian lain, penggunaan teknik pemilihan ciri Boruta dan Searching for Uncorrelated List of Variables (SULOV). Kajian ini telah menyumbang dalam aspek penentuan ciri relevan bagi komponen ciri hibrid melalui PCR-ABR dan penghasilan model pengesanan anomali PREV-ABR untuk peningkatan prestasi pengesanan anomali (kontrak Ponzi) berasaskan pendekatan kaedah pembelajaran ensembel. |
| title | 2025_Pembentukan Pengesanan Anomali Blok Rantai Berdasarkan Penjana Ciri Relevan Pcr-Abr |
| title_full | 2025_Pembentukan Pengesanan Anomali Blok Rantai Berdasarkan Penjana Ciri Relevan Pcr-Abr |
| title_fullStr | 2025_Pembentukan Pengesanan Anomali Blok Rantai Berdasarkan Penjana Ciri Relevan Pcr-Abr |
| title_full_unstemmed | 2025_Pembentukan Pengesanan Anomali Blok Rantai Berdasarkan Penjana Ciri Relevan Pcr-Abr |
| title_short | 2025_Pembentukan Pengesanan Anomali Blok Rantai Berdasarkan Penjana Ciri Relevan Pcr-Abr |
| title_sort | 2025_pembentukan pengesanan anomali blok rantai berdasarkan penjana ciri relevan pcr-abr |