| Tez Türü | Doktora |
| Ülke | Türkiye |
| Üniversite | Yalova Üniversitesi |
| Enstitü | Lisansüstü Eğitim Enstitüsü |
| Anabilim Dalı | Bilgisayar Mühendisliği Ana Bilim Dalı |
| Tez Onay Yılı | 2025 |
| Öğrenci Adı ve Soyadı | Emine CENGİZ |
| Tez Danışmanı | PROF. DR. MURAT GÖK |
| Türkçe Özet | Blok zinciri tabanlı finansal sistemlerde kara para aklama, kripto paraların anonimlik ve merkeziyetsizlik özellikleri nedeniyle ekonomik istikrar için ciddi bir tehdit oluşturmaktadır. Geleneksel kural tabanlı tespit yöntemleri, yüksek yanlış pozitif oranları üretmekte ve değişen kara para aklama stratejilerine uyum sağlamakta yetersiz kalmaktadır. Bu tez, blok zinciri işlem ağlarında kara para aklama faaliyetlerini tespit etmek amacıyla, kaotik zaman serisi analizi ile makine öğrenmesi ve derin öğrenme yaklaşımlarını kullanarak yenilikçi bir model önermektedir.Öncelikle, blok zinciri işlem graflarından elde edilen yapısal özniteliklerin sayısı artırılmış ve kaotik zaman serilerine dönüştürülmüştür. Bu serilerin dinamik davranışı Lyapunov Üstelleri hesaplanarak tanımlanmış, elde edilen kaotik öznitelikler yasa dışı işlemleri temsil eden ayırt edici öznitelikler olarak kullanılmıştır. Bu öznitelikler iki modelde değerlendirilmiştir: Birincisi doğrudan makine öğrenmesi algoritmaları ile sınıflandırma, ikincisi yeniden oluşturulan işlem graflarının Graf Evrişimli Ağlar ile sınıflandırılması. Ek olarak, Evrişimsel Sinir Ağları, Çift Yönlü Uzun Kısa Süreli Bellek ve Dikkat Mekanizması birleşiminden oluşan hibrit bir derin öğrenme modeli önerilmiştir. Elliptic veri seti üzerinde gerçekleştirilen modeller, önerilen kaotik öznitelik tabanlı yaklaşımın, geleneksel makine öğrenmesi ve derin öğrnme yöntemlerine kıyasla tespit doğruluğunu artırdığını ve yanlış pozitif oranlarını azalttığını göstermektedir. Bulgular, kaos teorisinin blok zinciri işlem analiziyle birleştirilmesinin, merkeziyetsiz finans ortamlarında kara para aklama tespit sistemlerinin etkinliğini artırmada güçlü bir potansiyel sunduğunu ortaya koymaktadır. |
| İlgilizce Özet | Money laundering in blockchain based financial systems poses a significant threat to economic stability because of the anonymity and decentralization of cryptocurrencies. Traditional rule based detection methods generate high false positive rates and struggle to adapt to evolving money laundering strategies. This thesis proposes an innovative model that combines chaotic time series analysis with machine learning and deep learning approaches to detect money laundering activities in blockchain transaction networks.First, the number of structural features extracted from blockchain transaction graphs was increased and transformed into a chaotic time series. The dynamic behavior of these series was characterized by calculating the Lyapunov exponents, and the resulting chaotic features were employed as distinctive indicators of illicit transactions. These features were evaluated through two models. The first model applies machine learning algorithms directly for classification, while the second performs classification using Graph Convolutional Networks on the reconstructed transaction graphs. In addition, a hybrid deep learning model was proposed, combining Convolutional Neural Networks, Bidirectional Long Short Term Memory, and an Attention Mechanism.Experiments conducted on the Elliptic dataset demonstrated that the proposed chaos based feature extraction approach improved the detection accuracy and reduced the false positive rates compared with conventional machine learning and deep learning methods. The findings highlight the strong potential of integrating chaos theory with blockchain transaction analysis to enhance the effectiveness of anti money laundering systems in decentralized finance environments. |