دانلود ترجمه مقاله یادگیری فدرال مبتنی بر بلاک چین برای تشخیص تقلب در ارزهای دیجیتال

1. مقدمه 2. کارهای مرتبط 3. مبانی فنی یادگیری فدرال مبتنی بر بلاک چین 4. راه حل‌های مبتنی بر BCFL برای تشخیص تقلب در ارزهای دیجیتال 5. ارزیابی عملکرد راه حل‌های BCFL موجود 6. بحث و بررسی و نتیجه‌گیری

چکیده – با پذیرش گسترده ارزهای دیجیتال، فناوری‌های بلاک چین به زیربنای این ارزهای دیجیتال تبدیل شده‌اند. با این حال، این پذیرش با افزایش چشمگیر تقلب در ارزهای دیجیتال همراه بوده و خسارات قابل توجهی را به سازمان‌های مالی و افراد وارد کرده است. یکی از راه‌های کاهش این خسارات، استفاده از تکنیک‌های یادگیری فدرال (FL) برای تشخیص تراکنش‌های متقلبانه ارزهای دیجیتال است. این مقاله مروری بر یادگیری فدرال مبتنی بر بلاک چین (BCFL) ایمن، حفظ‌کننده حریم خصوصی و مقیاس‌پذیر به عنوان یک راه حل امیدوارکننده برای کند کردن رشد تصاعدی تقلب در ارزهای دیجیتال ارائه می‌دهد. BCFL نهادهای متعددی را قادر می‌سازد تا به طور مشترک مدل‌های یادگیری ماشین را برای تشخیص تراکنش‌های متقلبانه ارزهای دیجیتال بدون به اشتراک گذاشتن داده‌های خصوصی خود آموزش دهند، و در نتیجه حریم خصوصی را حفظ کنند. با این حال، ادغام مدل‌های حریم خصوصی تفاضلی و محاسبات چندجانبه امن (SMPC) در BCFL، چالش مقیاس‌پذیری بیشتری را ایجاد می‌کند. این مطالعه مروری بر BCFL ارائه می‌دهد و تحقیقات موجود در مورد چالش‌های امنیتی، حفظ حریم خصوصی و مقیاس‌پذیری آن در تشخیص تقلب در ارزهای دیجیتال را ارزیابی می‌کند. این بررسی به کاوش در تحقیقات موجود و روش‌های مختلف می‌پردازد و پیشرفت‌ها و چالش‌های موجود در ایجاد راه حل‌های مؤثر و حفظ‌کننده حریم خصوصی برای تشخیص تقلب در تراکنش‌های ارزهای دیجیتال را برجسته می‌کند. ما ابتدا وضعیت فعلی BCFL در تشخیص تقلب، به همراه مزایا و محدودیت‌های بالقوه آن را مورد بحث قرار می‌دهیم و سپس شکاف‌های تحقیقاتی موجود را بررسی می‌کنیم. به طور خاص، این مقاله چارچوب‌های مختلف BCFL، الگوریتم‌های اجماع و معماری‌های بلاک را مورد بررسی قرار می‌دهد و بر نقاط قوت و محدودیت‌های آن‌ها در زمینه تشخیص تقلب در ارزهای دیجیتال برای توسعه راه حل‌های مقیاس‌پذیر و حفظ‌کننده حریم خصوصی تأکید می‌کند. ما راه حل‌های مختلفی را که به چالش‌های مقیاس‌پذیری و حفظ حریم خصوصی در BCFL می‌پردازند، از جمله پذیرش یک مدل محاسبات ابری توزیع‌شده جغرافیایی که از SMPC و الگوریتم‌ها و پروتکل‌های اجماع سبک برای مدیریت سربار محاسباتی استفاده می‌کند، مقایسه می‌کنیم.

With the wide adoption of cryptocurrency, blockchain technologies have become the foundation of such digital currencies. However, this adoption has been accompanied by a surge in cryptocurrency fraud, causing significant losses to financial organizations and individuals. One way to mitigate these losses is to use Federated Learning (FL) techniques to detect fraudulent cryptocurrency transactions. This paper provides an overview of secure, privacy-preserving, and scalable Blockchain-based Federated Learning (BCFL) as a promising solution for slowing the exponential growth of cryptocurrency fraud. BCFL enables multiple entities to collaboratively train machine learning models for detecting fraudulent cryptocurrency transactions without sharing their private data, thus preserving privacy. However, Integrating differential privacy and Secure Multi-party computation (SMPC) models in BCFL presents an additional scalability challenge. This study provides an overview of BCFL, evaluating existing research on its security, privacy, and scalability challenges in detecting cryptocurrency fraud. The review explores existing research and various methodologies, highlighting advancements and challenges in creating effective, privacy-conscious fraud detection solutions for cryptocurrency transactions. We first discuss the current state of BCFL in fraud detection, along with its potential advantages and limitations, and then discuss the existing research gaps. In particular, this paper examines various BCFL frameworks, consensus algorithms, and block architectures, emphasizing their strengths and limitations in the context of cryptocurrency fraud detection to develop scalable and privacy-preserving solutions. We compare various solutions that address scalability and privacy challenges in BCFL, including adopting a geographically distributed cloud computing model that utilizes SMPC and lightweight consensus algorithms and protocols to manage computational overheads.