Ανάλυση συναλλαγών Ethereum για εντοπισμό ανωμαλιών
| dc.contributor.advisor | Αλέπης, Ευθύμιος | |
| dc.contributor.author | Κοντός, Παναγιώτης | |
| dc.date.accessioned | 2025-07-18T11:19:32Z | |
| dc.date.available | 2025-07-18T11:19:32Z | |
| dc.date.issued | 2025-06 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17992 | |
| dc.description.abstract | Το παρόν έγγραφο εξετάζει την ανάλυση των συναλλαγών της αλυσίδας μπλοκ Ethereum για την αποκάλυψη ανωμαλιών με τη χρήση προηγμένων τεχνικών μηχανικής μάθησης. Στόχος είναι να εντοπιστούν ασυνήθιστα μοτίβα που μπορεί να σηματοδοτούν υποτες δραστηριότητες ή παρατυπίες εντός των δεδομένων συναλλαγών. Μέσω του λεπτομερούς feature engineering και της διερευνητικής ανάλυσης δεδομένων (EDA), η μελέτη αποκαλύπτει σημαντικές πληροφορίες για τη συμπεριφορά των συναλλαγών. Τρεις αλγόριθμοι -BSCAN, Isolation Forest και K-Nearest Neighbors (KNN)- αξιολογήθηκαν για την ανίχνευση ανωμαλιών. Μεταξύ αυτών, ο KNN αναδείχθηκε ως ο πιο αξιόπιστος, προσφέροντας ισχυρές μετρήσεις ακρίβειας και ανάκλησης. Τα ευρήματα αυτά ανοίγουν το δρόμο για ενισχυμένη ασφάλεια blockchain και πιο αξιόπιστα δίκτυα συναλλαγών. | el |
| dc.format.extent | 39 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by/3.0/gr/ | * |
| dc.title | Ανάλυση συναλλαγών Ethereum για εντοπισμό ανωμαλιών | el |
| dc.title.alternative | Analyzing Ethereum transactions for anomaly detection | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This document delves into the analysis of Ethereum blockchain transactions to uncover anomalies using advanced machine learning techniques. The aim is to identify unusual patterns that might signal fraudulent activities or irregularities within the transactional data. Through detailed feature engineering and exploratory data analysis (EDA), the study uncovers critical insights into transaction behaviors. Three algorithms DBSCAN, Isolation Forest, and K-Nearest Neighbors (KNN) were evaluated for anomaly detection. Among them, KNN emerged as the most reliable, offering robust accuracy and recall metrics. These findings pave the way for enhanced blockchain security and more trustworthy transaction networks. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής | el |
| dc.subject.keyword | Ethereum | el |
| dc.subject.keyword | Anomaly detection | el |
| dc.subject.keyword | K-Nearest Neighbors (KNN) | el |
| dc.date.defense | 2025-06-23 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού 3.0 Ελλάδα
Αναφορά Δημιουργού 3.0 Ελλάδα