क्या AI एथेरियम पॉन्जी योजनाओं का पता लगा सकता है इससे पहले कि धन स्थानांतरित हों?

क्रिप्टो धोखाधड़ी का पता लगाना आमतौर पर तब शुरू होता है जब पैसा स्थानांतरित होना शुरू हो जाता है। जांचकर्ता लेनदेन का पता लगाते हैं, एक्सचेंज संदेहास्पद पतों को चिह्नित करते हैं, और अनुपालन टीमें पहचानने योग्य पैटर्न की तलाश करती हैं। यह तरीका आवश्यक है, लेकिन यह प्रतिक्रियात्मक भी है। जब तक किसी पते ने पर्याप्त इतिहास जमा नहीं कर लिया होता जिससे वह खतरनाक दिखे, निवेशकों ने संभवतः अपना धन पहले ही खो दिया हो सकता है।

एक नया अध्ययन एक अलग संभावना प्रस्तुत करता है: एथेरियम की तर्कशास्त्र की जांच करना (ETH ) स्मार्ट कॉन्ट्रैक्ट के लेनदेन इतिहास उपयोगी होने से पहले। होहाई विश्वविद्यालय के शोधकर्ताओं ने PonziFusion विकसित किया, एक मशीन‑लर्निंग फ्रेमवर्क जो तैनात स्मार्ट‑कॉन्ट्रैक्ट बाइटकोड में पॉन्जी योजना की अर्थात्मक और संरचनात्मक विशेषताओं की खोज करता है।¹

महत्वपूर्ण अंतर समय है। PonziFusion को सत्यापित स्रोत कोड या जमा और भुगतान के लंबे रिकॉर्ड की आवश्यकता नहीं होती। यह विश्लेषण करता है कि एक कॉन्ट्रैक्ट को क्या करने के लिए प्रोग्राम किया गया है और उसकी निष्पादन पथ कैसे व्यवस्थित हैं, जिससे सुरक्षा को लेनदेन‑पूर्व जोखिम स्क्रीनिंग की ओर ले जाया जा सकता है।

एथेरियम पॉन्जी योजनाओं का पता लगाना क्यों कठिन है

एक पारंपरिक पॉन्जी योजना नए प्रतिभागियों के पैसे का उपयोग पहले के प्रतिभागियों को भुगतान करने के लिए करती है, जिससे वैध रिटर्न का आभास बनता है। ब्लॉकचेन संस्करण इस प्रक्रिया को एक स्मार्ट कॉन्ट्रैक्ट में एन्कोड कर सकता है और बिना किसी दृश्यमान मानव मध्यस्थ के संचालित हो सकता है।

एथेरियम स्मार्ट कॉन्ट्रैक्ट प्रोग्राम हैं जो Ethereum Virtual Machine द्वारा निष्पादित होते हैं। एक बार तैनात होने पर, उनका बाइटकोड सार्वजनिक रूप से उपलब्ध होता है और बदलना कठिन होता है। यह पारदर्शिता निगरानी के लिए आदर्श लगती है, लेकिन कच्चा बाइटकोड मानव पाठकों के लिए लिखा नहीं जाता। इसमें स्रोत कोड में मिलने वाले वर्णनात्मक नाम और स्पष्ट संरचना की कमी होती है।

सत्यापित स्रोत कोड सार्वभौमिक नहीं है। अध्ययन में बताया गया है कि दिसंबर 2025 तक एथेरियम के पास 88 मिलियन से अधिक तैनात स्मार्ट कॉन्ट्रैक्ट थे, जबकि केवल लगभग 825,000 ने Etherscan पर सार्वजनिक रूप से सत्यापित स्रोत कोड उपलब्ध कराया था। एक प्रणाली जो पढ़ने योग्य स्रोत कोड पर निर्भर करती है, अधिकांश कॉन्ट्रैक्टों को अपनी पहुँच से बाहर छोड़ देगी।

लेनदेन‑आधारित प्रणालियों को विपरीत समस्या का सामना करना पड़ता है। वे संदेहास्पद भुगतान संबंधों, चक्रीय स्थानांतरणों या असामान्य रिटर्न की पहचान कर सकते हैं, लेकिन केवल तब जब गतिविधि मौजूद हो। एक नई तैनात पॉन्जी कॉन्ट्रैक्ट प्रारंभ में निरपराध लग सकती है क्योंकि व्यवहारिक पैटर्न स्थापित करने के लिए लेनदेन बहुत कम होते हैं। इससे तैनाती और पता लगाने के बीच एक खतरनाक अंतराल बनता है।

PonziFusion कॉन्ट्रैक्ट इरादे को कैसे पढ़ता है

PonziFusion एक ही कॉन्ट्रैक्ट के दो दृष्टिकोणों को जोड़ता है। पहला opcode अर्थविज्ञान की जाँच करता है, अर्थात एथेरियम बाइटकोड में निहित निम्न‑स्तरीय निर्देश। ये निर्देश आने वाले मूल्य, स्टोरेज परिवर्तन और बाहरी कॉल्स से जुड़े संचालन को उजागर कर सकते हैं। दूसरा कॉन्ट्रैक्ट के कंट्रोल‑फ़्लो ग्राफ़ की जाँच करता है, जो प्रोग्राम के माध्यम से निष्पादन के संभावित मार्गों का प्रतिनिधित्व करता है।

प्रत्येक दृष्टिकोण अकेले अपूर्ण है। अर्थात्मक विशेषताएँ यह दिखा सकती हैं कि एक कॉन्ट्रैक्ट धन स्थानांतरित करता है, लेकिन उन संचालन की व्यापक व्यवस्था को स्पष्ट नहीं कर सकतीं। संरचनात्मक विशेषताएँ दोहराए जाने वाले शाखाओं और भुगतान मार्गों को उजागर कर सकती हैं, लेकिन धोखाधड़ीपूर्ण वितरण प्रणाली को वैध वित्तीय अनुप्रयोग से अलग नहीं कर सकतीं। PonziFusion इन्हें मिलाकर यह पकड़ता है कि कॉन्ट्रैक्ट क्या करता है और उसकी लॉजिक कैसे व्यवस्थित है।

यह फ्रेमवर्क उन सूचनाओं को हटाता है जो संकेत को धुंधला कर सकती हैं। यह अप्राप्य या अप्रासंगिक कंट्रोल‑फ़्लो नोड्स और रूटीन डिस्पैचर लॉजिक को फ़िल्टर करता है, फिर सरल रैखिक पथों को मिलाता है। वैश्विक पथों और स्थानीय उपग्राफ़ से प्राप्त विशेषताओं को opcode अनुक्रमों के साथ जोड़ा जाता है और एक रैंडम फॉरेस्ट वर्गीकर्ता को पास किया जाता है।

शोधकर्ताओं ने एक और सामान्य धोखाधड़ी‑पता लगाने की समस्या को संबोधित किया: वर्ग असंतुलन। उनके डेटासेट में वैध कॉन्ट्रैक्टों की संख्या पॉन्जी योजनाओं से बहुत अधिक थी। उन्होंने SVM‑SMOTE का उपयोग करके प्रशिक्षण डेटा में अल्पसंख्यक वर्ग के सिंथेटिक प्रतिनिधित्व बनाए, जबकि परीक्षण फ़ोल्ड्स में मूल असंतुलन को बरकरार रखा।

• Opcode विशेषताएँ उन संचालन का वर्णन करती हैं जो एक कॉन्ट्रैक्ट करता है।
• कंट्रोल‑फ़्लो विशेषताएँ यह वर्णन करती हैं कि ये संचालन कैसे जुड़े होते हैं।
• फ़िल्टरिंग वर्गीकरण से पहले शोर को कम करती है।
• ओवरसैंपलिंग मॉडल को दुर्लभ पॉन्जी उदाहरणों से सीखने में मदद करती है।

एथेरियम धोखाधड़ी पहचान परिणाम क्या दर्शाते हैं

अध्ययन ने तीन खुले डेटासेट से निकाले गए 6,166 विशिष्ट एथेरियम कॉन्ट्रैक्टों का मूल्यांकन किया। केवल 389 को पॉन्जी योजनाओं के रूप में वर्गीकृत किया गया, जिससे प्रीसिशन‑रिकॉल प्रदर्शन विशेष रूप से महत्वपूर्ण हो जाता है। एक मॉडल असंतुलित डेटासेट में केवल यह भविष्यवाणी करके सटीक दिख सकता है कि लगभग सब कुछ वैध है।

PonziFusion ने सभी छह तुलना विधियों को सटीकता, पुनः प्राप्ति, F1-स्कोर, AUC-ROC और AUC-PR में पार कर लिया। इसका 0.9297 सटीकता संकेत देती है कि पोंजी स्कीम के रूप में चिह्नित अनुबंध आमतौर पर धोखाधड़ी वाले थे। यह संचालनात्मक रूप से महत्वपूर्ण है क्योंकि अत्यधिक झूठी अलार्म स्क्रीनिंग सिस्टम को अनुपयोगी बना सकते हैं।

इसकी 0.7550 पुनः प्राप्ति अधिक सतर्कता की मांग करती है। मॉडल ने लगभग तीन-चौथाई पोंजी अनुबंधों का पता लगाया, जिसका अर्थ है कि लगभग एक-चौथाई छूट गया। इसलिए PonziFusion को एक निर्णायक न्यायाधीश की बजाय जोखिम‑रैंकिंग परत के रूप में समझा जाना चाहिए। एक चेतावनी गहरी विश्लेषण, लेन‑देन सिमुलेशन या मैन्युअल समीक्षा को ट्रिगर कर सकती है, जबकि एक साफ परिणाम को सुरक्षा का प्रमाण नहीं माना जाना चाहिए।

लेन‑देन‑पूर्व स्क्रीनिंग क्यों क्रिप्टो सुरक्षा को बदल सकता है

इस शोध का व्यापक मूल्य केवल क्लासिक पोंजी अनुबंधों की पहचान तक सीमित नहीं है। यह दर्शाता है कि स्थैतिक अनुबंध विश्लेषण को वॉलेट द्वारा लेन‑देन पर हस्ताक्षर करने से पहले निर्णय प्रक्रिया का हिस्सा बनाया जा सकता है।

एक वॉलेट अनुरोधित इंटरैक्शन की तुलना बाइटकोड‑जोखिम स्कोर से कर सकता है। एक एक्सचेंज नई सूचीबद्ध टोकन को जमा सक्षम करने से पहले स्क्रीन कर सकता है। एक अनुपालन प्लेटफ़ॉर्म बिना पीड़ितों के पहचान योग्य ट्रेल उत्पन्न करने की प्रतीक्षा किए अनुबंधों को जांच के लिए प्राथमिकता दे सकता है। ये नियंत्रण व्यवहारिक विश्लेषण को पूरक करेंगे, न कि उनका स्थान लेेंगे।

क्रिप्टो धोखाधड़ी कई परतों में फैली होती है। सामाजिक इंजीनियरिंग पीड़ित को कार्य करने के लिए प्रेरित करती है, इंटरफ़ेस गंतव्य को छुपाते हैं, अनुबंध लॉजिक को निष्पादित करते हैं, और लेन‑देन संपत्तियों को स्थानांतरित करते हैं। Securities.io की क्रिप्टो धोखाधड़ी पर वैश्विक प्रतिबंध की कवरेज दिखाती है कि समस्या कितनी अंतरराष्ट्रीय हो गई है। इसका बाजार-जानकार Ethereum फ़िशिंग पहचान का परीक्षण भी दर्शाता है कि धोखाधड़ी गतिविधि बाजार स्थितियों के साथ बदलती है।

PonziFusion एक अलग संकेत जोड़ता है: स्वयं प्रोग्राम। अनुबंध‑स्तर जोखिम, लेन‑देन व्यवहार, पता इंटेलिजेंस और उपयोगकर्ता‑इंटरफ़ेस चेतावनियों को मिलाकर किसी एक विधि से अधिक मजबूत रक्षा बनाई जा सकती है।

बाइटकोड से धोखाधड़ी पढ़ने की सीमाएँ

यदि स्थैतिक स्क्रीनिंग व्यापक हो जाती है तो हमलावर अनुकूलित होंगे। वे मृत कोड डाल सकते हैं, सरल ऑपरेशनों को कई ब्लॉकों में विभाजित कर सकते हैं, नकली शाखाएँ बना सकते हैं या नियंत्रण प्रवाह को समतल कर सकते हैं जिससे मूल संरचना को पुनः प्राप्त करना कठिन हो जाता है। PonziFusion कुछ बुनियादी शोर को कम कर सकता है, लेकिन शोधकर्ता स्वीकार करते हैं कि उन्नत अस्पष्टता अभी भी चुनौतीपूर्ण बनी हुई है।

यह ढांचा आंशिक रूप से पूर्वनिर्धारित नियमों पर निर्भर करता है जो निधियों के संचालन से जुड़े ऑपरेशनों की पहचान करते हैं। अपरिचित निर्देशों या अप्रत्यक्ष भुगतान तंत्रों का उपयोग करने वाली नई योजना फ़िल्टर को महत्वपूर्ण साक्ष्य को हटाने का कारण बन सकती है। इसके अलावा, मॉडल पोंजी स्कीम को एक वर्ग के रूप में मानता है जबकि उनकी संरचनाएँ श्रृंखला‑आकार, वृक्ष‑आकार, जलप्रपात‑आधारित या मिश्रित हो सकती हैं।

इन सीमाओं से एक स्तरित भविष्य की ओर संकेत मिलता है। स्थैतिक विश्लेषण अनुबंधों को स्क्रीन कर सकता है, सिमुलेशन उनके व्यवहार का परीक्षण कर सकता है, और लेन‑देन मॉनिटरिंग विकसित होते भुगतान नेटवर्क की पहचान कर सकती है। जांचकर्ता उन अनुबंधों पर ध्यान केंद्रित कर सकते हैं जहाँ ये संकेत मिलते हैं।

यह स्तरित दृष्टिकोण विशेष रूप से महत्वपूर्ण है क्योंकि ब्लॉकचेन आर्किटेक्चर अधिक जटिल हो रहा है। Securities.io के हालिया विश्लेषण में क्वांटम युग के लिए ब्लॉकचेन आर्किटेक्चर यह उजागर करता है कि सुरक्षा धारणाओं को आधारभूत बुनियादी ढांचे के साथ विकसित होना चाहिए। धोखाधड़ी पहचान को भी वही आवश्यकता है: रक्षा को अनुबंध डिज़ाइनों और हमलावर तकनीकों के बदलने के साथ अनुकूलित होना चाहिए।

मास्टरकार्ड के माध्यम से ब्लॉकचेन इंटेलिजेंस में निवेश

डिजिटल‑एसेट सुरक्षा में एक्सपोज़र की तलाश करने वाले निवेशकों के लिए, जो केवल सट्टा सुरक्षा टोकन नहीं चाहते, मास्टरकार्ड एक प्रासंगिक सार्वजनिक‑बाजार कनेक्शन प्रदान करता है। कंपनी ने CipherTrace, एक क्रिप्टोकरेंसी इंटेलिजेंस व्यवसाय, का अधिग्रहण किया, जो बैंकों, एक्सचेंजों और अन्य संस्थानों के लिए धोखाधड़ी सुरक्षा, एंटी‑मनी‑लॉन्डरिंग उपकरण और ब्लॉकचेन जांच प्रदान करता है।

मास्टरकार्ड की मौजूदा क्षमताएँ मुख्यतः ब्लॉकचेन लेन‑देन एट्रिब्यूशन और जोखिम इंटेलिजेंस पर केंद्रित हैं। PonziFusion अनुबंध लॉजिक का मूल्यांकन करके एक पूरक चरण प्रदान करता है, जब लेन‑देन इतिहास उपलब्ध नहीं होता। मास्टरकार्ड और शोधकर्ताओं के बीच कोई घोषित व्यावसायिक संबंध नहीं है, लेकिन अध्ययन दर्शाता है कि अनुबंध‑स्तर मशीन लर्निंग ब्लॉकचेन इंटेलिजेंस प्लेटफ़ॉर्म की सीमा को विस्तारित कर सकता है।

मास्टरकार्ड ने CipherTrace को एकीकृत पेशकश के हिस्से के रूप में वर्णित किया है, जिसमें AI, साइबर और ब्लॉकचेन क्षमताएँ सम्मिलित हैं। यदि नियामक संस्थाएँ टोकनाइज़्ड एसेट्स और क्रिप्टो सेवाओं को अपनाती रहें, तो प्रतिपक्षियों, लेन‑देन और उनके अनुबंधों का मूल्यांकन करने वाले उपकरणों की मांग बढ़ेगी। मास्टरकार्ड इस प्रवृत्ति में विविधीकृत एक्सपोज़र प्रदान करता है, एक व्यापक भुगतान और साइबर सुरक्षा व्यवसाय के माध्यम से, न कि केवल एक पहचान मॉडल पर निर्भरता के द्वारा।

चोरी हुए फंडों का अनुसरण करने से जोखिम रोकने तक

PonziFusion Ethereum धोखाधड़ी को हल नहीं करता, और इसकी पुनः प्राप्ति दर स्पष्ट करती है कि इसे अकेले रक्षा की एकमात्र पंक्ति के रूप में सुरक्षित रूप से उपयोग नहीं किया जा सकता। इसका महत्व यह दिखाने में है कि अस्पष्ट बाइटकोड से उपयोगी धोखाधड़ी संकेत निकाले जा सकते हैं, इससे पहले कि अनुबंध लंबी व्यवहारिक रिकॉर्ड स्थापित करे।

यह सुरक्षा क्रम को बदल देता है। नुकसान की प्रतीक्षा करने, निधियों को ट्रेस करने और पतों को लेबल करने के बजाय, प्लेटफ़ॉर्म तैनाती के समय या इंटरैक्शन से ठीक पहले अनुबंध जोखिम का आकलन कर सकते हैं। सबसे मजबूत प्रणालियाँ इस प्रारंभिक चेतावनी को सिमुलेशन, लेन‑देन विश्लेषण और निरंतर अद्यतन खतरा खुफ़िया के साथ जोड़ेंगी।

Ethereum और व्यापक स्मार्ट‑कॉन्ट्रैक्ट अर्थव्यवस्था के लिए, भरोसा इस बात पर कम निर्भर करेगा कि हर उपयोगकर्ता कोड पढ़ सकता है या नहीं, बल्कि इस बात पर कि सुरक्षा बुनियादी ढांचा कोड को समझने योग्य जोखिम संकेत में बदल सकता है या नहीं। PonziFusion इस लक्ष्य की ओर एक प्रारंभिक लेकिन विश्वसनीय कदम है।

संदर्भ:

¹ Lei, J., Tong, Y., Ji, S., Wang, X., Huang, C., & Zhang, P. (2026). PonziFusion: अनुबंध सेमांटिक और संरचनात्मक विशेषताओं के संयोजन द्वारा पोन्झी स्कीम का पता लगाना। Blockchain: Research and Applications, 100565. https://doi.org/10.1016/j.bcra.2026.100565