Moslashuvchan Neyro-Noaniq Blokcheyn–Sunʼiy Intellekt Doirasi (Adaptive Neuro-Fuzzy Blockchain–AI Framework; ANFB-AI), FinTech tranzaksiyalarida firibgarlik va kiberxavf-xatarni baholash uchun ruxsatli blokcheyn, mashinaviy oʻqitish va neyro-noaniq xulosalashni yagona risk-qaror arxitekturasida birlashtiruvchi xavfsizlik doirasidir. Model tranzaksiya uchun mashinaviy oʻqitish ishlab chiqargan firibgarlik ehtimolini xulq-atvor va geografik-vaqt xususiyatlaridan olingan neyro-noaniq risk balli bilan birlashtiradi; hosil boʻlgan umumiy risk balliga koʻra tranzaksiyani qabul qilish, kuzatuvga olish yoki rad etish haqida qaror beradi. Tranzaksiya yozuvlarining yaxlitligi esa kriptografik hash, validator imzosi, konsensus va permissioned blockchain qatlami orqali himoyalanishi koʻzda tutiladi.

Yuklangan tadqiqot haqiqiy bankning jonli ishlab chiqarish tarmogʻida oʻtkazilgan dala tajribasi emas. Mualliflar real muhitda takrorlanadigan va nazorat qilinadigan test oʻtkazish qiyinligini taʼkidlab, simulyatsiya/implementation asosidagi baholashdan foydalanadilar. Simulyatsiya muhitida Python 3.11, TensorFlow 2.12, PyTorch 2.1, Hyperledger Fabric 2.4, Ethereum Testnet va NetworkX; apparat sifatida Intel Core i9, 32 GB RAM va NVIDIA RTX 4090 ishlatilgan. Permissioned blockchain tarmogʻi beshta virtual bank tugunidan iborat va Proof-of-Authority (PoA) konsensusi qoʻllanadi.

Eksperimental ish yuki uch manbadan tuzilgan: 284.807 tranzaksiya va 492 tasdiqlangan firibgarlik holatini oʻz ichiga olgan Credit Card Fraud Detection maʼlumotlar toʻplami; 100.000 simulyatsiya qilingan kripto/blokcheyn tranzaksiyasi; shuningdek koʻp bosqichli, xalqaro va yuqori chastotali keskin firibgarlik ssenariylarini qamrab oluvchi 50.000 sintetik bank tranzaksiyasi. Model har birida 50.000 tranzaksiya boʻlgan %0,1, %1 va %5 firibgarlik ulushiga ega uchta stress ssenariysida sinovdan oʻtkazilgan.

Manba grafiklarida ANFB-AI, Hybrid Deep Learning va Dynamic Feature Fusion bilan taqqoslanganda yuqoriroq accuracy va precision hamda pastroq transaction confirmation time, block propagation delay va end-to-end latency koʻrsatadi. Biroq yuklangan versiyada bu natijalar nazorat qilinadigan simulyatsiyalardan olingan; haqiqiy korporativ moliya tarmoqlarida jonli operatsion validatsiya, katta validator tarmoqlarida masshtablash testi va production-grade xavfsizlik baholashi oʻtkazilmagan. Shu sababli natijalar bevosita “haqiqiy bank tizimida isbotlangan samaradorlik” sifatida talqin qilinmasligi kerak.

Tadqiqot muammosi

Raqamli moliya tizimlari katta hajmli, past kechikishli va doimiy mavjud tranzaksiya infratuzilmalariga aylanar ekan, xavfsizlik muammosi faqat “tranzaksiya soxta yoki soxta emasligini” aniqlashdan murakkabroq boʻlib bormoqda. Xavfsizlik tizimi bir vaqtning oʻzida tranzaksiya yaxlitligini saqlashi, nomaʼlum yoki vaqt oʻtishi bilan oʻzgaradigan firibgarlik naqshlarini aniqlashi, yolgʻon ogohlantirishlarni cheklashi, qarorlar sababini tushuntira olishi va bularning barchasini moliyaviy tranzaksiya oqimini qabul qilib boʻlmaydigan darajada sekinlashtirmasdan amalga oshirishi kerak.

Manbaning adabiyotlar sharhida anʼanaviy mashinaviy oʻqitish modellari yuqori fraud-detection samaradorligini bera olsa-da, markazlashgan maʼlumotlarni qayta ishlash va yagona nosozlik nuqtasini yuzaga keltirishi mumkinligi; blokcheyn ilovalari tranzaksiya yaxlitligi va auditability taʼminlasa-da, koʻpincha post-hoc tekshiruvga qaratilishi; federated learning yondashuvlari maxfiylikni qoʻllab-quvvatlashi, biroq dinamik tahdid baholashini har doim ham qamrab olmasligi; neyro-noaniq usullar esa noaniqlikni modellashtira olsa-da, toʻliq blockchain–AI FinTech arxitekturasi doirasida cheklangan qoʻllanishi ilgari suriladi.

Tadqiqot nishonga olgan boʻshliq tranzaksiya yaxlitligi, real vaqtga yaqin fraud detection, noaniqlik sharoitida tushuntiriladigan risk baholashi va taqsimlangan ishonch mexanizmini yagona uchidan-uchigacha arxitekturaga birlashtirishdir.

ANFB-AI qanday ishlaydi?

ANFB-AI har bir moliyaviy tranzaksiyani xulq-atvor va kontekst xususiyatlariga aylantiradi; mashinaviy oʻqitish asosidagi klassifikatordan olingan firibgarlik ehtimolini neyro-noaniq risk xulosalashi bilan birlashtiradi, hosil boʻlgan birlashtirilgan risk ballini uch darajali Accept–Monitor–Reject qaroriga aylantiradi va blokcheyn qatlamidan tranzaksiya yaxlitligi, tekshiriluvchanlik va oʻzgartirishga chidamlilik uchun foydalanadi.

Tizim arxitekturasi qatlamlari

FinTech ekotizimining matematik ifodasi

Manba FinTech tizimini taqsimlangan kiber-jismoniy tizim sifatida:

\[ S=(U,T,N,B) \]

koʻrinishida taʼriflaydi. Bu yerda \(U\) roʻyxatdan oʻtgan foydalanuvchilarni, \(T\) moliyaviy tranzaksiyalarni, \(N\) blockchain tugunlarini va \(B\) taqsimlangan ledger-ni ifodalaydi.

Har bir tranzaksiya esa:

\[ t_i=(x_i,y_i,\tau_i,\ell_i,\psi_i) \]

xususiyat vektori bilan ifodalanadi. \(x_i\) maxfiylikni saqlaydigan tarzda anonimlashtirilgan joʻnatuvchi–qabul qiluvchi identifikatorini; \(y_i\) tranzaksiya miqdorini; \(\tau_i\) vaqt maʼlumotini; \(\ell_i\) joylashuv va geografik-vaqt kontekstini; \(\psi_i\) esa avvalgi foydalanish xatti-harakatlaridan hosil qilingan xulq-atvor xususiyatlarini ifodalaydi.

Bu xususiyatlardan birgalikda foydalanish faqat noodatiy tranzaksiya miqdorlarini emas, kutilmagan tranzaksiya vaqtini, gʻayrioddiy joylashuv oʻzgarishini, takrorlanuvchi mikrotranzaksiyalarni, qurilma xatti-harakatini va avvalgi oʻzaro taʼsir naqshlaridagi ogʻishlarni ham risk baholashiga kiritishni maqsad qiladi.

Blockchain blok tuzilishi

Manbada har bir blok:

\[ b_k=\{t_1,t_2,\ldots,t_{n_k},h_{k-1},\sigma_k\} \]

koʻrinishida modellashtiriladi. Bu yerda \(t_1,\ldots,t_{n_k}\) blokdagi tranzaksiyalarni, \(h_{k-1}\) oldingi blokning kriptografik hash qiymatini va \(\sigma_k\) validator imzosini ifodalaydi.

Joriy blok hash-i:

\[ h_k=H(b_k\,\|\,h_{k-1}) \]

tarzida hisoblanadi. \(H(\cdot)\) collision-resistant hash funksiyasi; \(\|\) esa birlashtirish amalini bildiradi. Oldingi blok yoki tranzaksiya maʼlumotiga oʻzgartirish kiritilishi keyingi hash qiymatlarini oʻzgartirgani uchun tuzilma oʻzgarishlarni aniqlashni maqsad qiladi.

Konsensus sharti

Blok qabul qilinishi uchun manba:

\[ \sum_{v_j\in N} I(v_j(b_k))\geq\theta \]

shartidan foydalanadi. \(v_j(b_k)\) validator tugunining blok haqidagi qarorini; \(I(\cdot)\) tasdiq uchun 1, aks holda 0 qaytaruvchi indikator funksiyani; \(\theta\) esa talab etiladigan minimal validator tasdiqlari sonini bildiradi.

Simulyatsiyaning asosiy blockchain konfiguratsiyasida Proof-of-Authority ishlatilgani sabab validatorlar ruxsatli moliyaviy tashkilot tugunlarini ifodalaydi deb faraz qilinadi.

Tahdidni aniqlash klassifikatsiya muammosi sifatida qanday quriladi?

AI qatlamining qaror funksiyasi:

\[ f:\mathbb{R}^{d}\rightarrow\{0,1\} \]

deb taʼriflanadi. Chiqish 0 boʻlsa tranzaksiya qonuniy, 1 boʻlsa zararli deb belgilanadi.

Belgilangan tarixiy tranzaksiyalar toʻplami:

\[ D=\{(t_i,c_i)\}_{i=1}^{M},\qquad c_i\in\{0,1\} \]

va oʻqitish muammosi:

\[ \min_f\sum_{i=1}^{M}L(f(t_i),c_i) \]

koʻrinishida yoziladi. \(L\) klassifikatsiya xatosini ifodalovchi yoʻqotish funksiyasidir. Biroq yuklangan manba ushbu abstrakt modelda aynan qaysi loss funksiyasi ishlatilganini barcha modellar uchun batafsil bayon etmaydi.

Neyro-noaniq xulosalashning roli

Klassik binary classifier tranzaksiyani qonuniy yoki fraud sifatida ajratishga urinarkan, neyro-noaniq qatlam ayniqsa qaror chegarasiga yaqin va noaniq tranzaksiyalarga bosqichma-bosqich risk aʼzoligini berishni maqsad qiladi.

Manba fuzzy kirish toʻplamini:

\[ Z_i=\{y_i,\psi_i,\ell_i\} \]

deb taʼriflaydi. Tranzaksiya miqdori, xulq-atvor profili va geografik-vaqt konteksti Low, Medium va High kabi lingvistik sinflar bilan ifodalanadi.

Namunaviy fuzzy rule:

\[ R_k: \text{IF }y_i\text{ is }A_1^k \text{ AND }\psi_i\text{ is }A_2^k \text{ THEN Risk is }B_k \]

koʻrinishidadir.

Qoidalar birlashmasidan neyro-noaniq risk balli:

\[ R_f(t_i)= \frac{ \sum_{k=1}^{K} w_k \prod_j \mu_{A_j^k}(z_{ij}) }{ \sum_{k=1}^{K} \prod_j \mu_{A_j^k}(z_{ij}) } \]

sifatida hosil qilinadi. \(w_k\) \(k\)-qoidaning vaznini; \(\mu_{A_j^k}(z_{ij})\) tegishli kirishning aʼzolik darajasini koʻrsatadi. Normalizatsiya risk ballini masshtablashni taʼminlar ekan, vaznlarning oʻqitish orqali oʻzgarishi tizimni oʻzgaruvchan tranzaksiya naqshlariga moslashtirishni maqsad qiladi.

Birlashtirilgan risk balli nimani anglatadi?

Birlashtirilgan risk balli \(R(t_i)\), mashinaviy oʻqitishning tranzaksiya zararli boʻlish ehtimoliga doir chiqishini neyro-noaniq modelning noaniqlik va xulq-atvorga asoslangan risk baholashi bilan vaznli tarzda birlashtiradi; \(\lambda\) parametri statistik AI bahosi bilan tushuntiriladigan fuzzy reasoning orasidagi nisbiy vaznni belgilaydi.

Manbaning birlashtirilgan risk tenglamasi:

\[ R(t_i)= \lambda R_{ML}(t_i) + (1-\lambda)R_f(t_i), \qquad \lambda\in[0,1] \]

koʻrinishidadir.

\(R_{ML}(t_i)\) mashinaviy oʻqitish asosidagi fraud ehtimoli; \(R_f(t_i)\) neyro-noaniq risk ballidir. \(\lambda\) oshgani sari qarorda AI classifier-ga, kamaygani sari fuzzy reasoning qatlamiga koʻproq vazn beriladi.

Manba yuklangan versiyada \(\lambda\) ning aniq eksperimental qiymatini ochiq bayon etmaydi. Shu sababli Verianla matnida taxminiy \(\lambda\) qiymati qoʻllanmagan.

Accept–Monitor–Reject qarori

Manba 12-tenglamani quyidagi uch darajali qaror tuzilmasi bilan beradi:

\[ \delta(t_i)= \begin{cases} Accept, & R(t_i)<\eta_1\\ Monitor, & \eta_1\leq R(t_i)\\ Reject, & R(t_i)\geq\eta_2 \end{cases} \]

Manba ichidagi texnik izoh: Tenglamaning Monitor qatorida yuqori chegara chop etilmagan. Biroq darhol keyingi matnda oʻrta riskli tranzaksiyalar \(\eta_1\) bilan \(\eta_2\) orasida ekani aniq aytiladi. Shuning uchun izoh darajasida koʻzda tutilgan oʻrta oraliq \( \eta_1\leq R(t_i)<\eta_2 \) ekanligi koʻrinadi; bu ifoda tenglamani indamay tuzatish emas, balki manbaning izoh matnida bildirilgan qaror mantiqidir.

Past riskli tranzaksiyalar avtomatik qabul qilinadi. Oʻrta riskli tranzaksiyalar qoʻshimcha tekshiruv yoki qoʻlda koʻrib chiqish uchun kuzatuvga olinadi. Yuqori riskli tranzaksiyalar rad etiladi.

Smart contract va inson nazoratining roli

Doirada smart contract-lar tranzaksiya limitlari, identifikatsiya tekshiruvi, AML/KYC nazoratlari va riskka asoslangan xavfsizlik siyosatlarini avtomatik qoʻllashi koʻzda tutiladi. Oʻrta riskli holatlarda esa inson tahlilchisi yoki qoʻshimcha tekshiruv ishga tushishi mumkin.

Shunday qilib, modelning maqsadi faqat avtomatik fraud blocking emas; avtomatlashtirish bilan human-in-the-loop nazoratini bir risk zanjirida birlashtirishdir.

Manbadagi tranzaksiya ketma-ketligi nega ehtiyotkorlik bilan oʻqilishi kerak?

Manba 2-shaklda tranzaksiyani preprocessing qatlamidan blockchain qatlamiga, u yerdan adaptive threat detection va decision module-ga olib boradigan oqimni taqdim etadi. Bunga qarama-qarshi ravishda, amaliy modelda tranzaksiyalar avval AI-based threat detection-ga yuborilishi va faqat qonuniy tranzaksiyalar blockchain-ga uzatilishi bayon qilinadi. Operational workflow boʻlimida esa blockchain tekshiruvi va AI risk tahlili parallel olib borilishi aytiladi.

Shu sababli yuklangan versiya blockchain va AI oʻrtasidagi toʻliq ish ketma-ketligini yagona vaqt modeli bilan qatʼiy belgilamaydi. Ilmiy yadroda ishonchli aytish mumkin boʻlgan umumiy nuqta shuki, blockchain tekshiruvi va AI/neyro-noaniq risk tahlili bir xil transaction lifecycle ichida oʻzaro bogʻlangan.

Tadqiqot Usuli va Natijalari

Simulyatsiya muhiti

Blockchain konfiguratsiyasi

Foydalanilgan tranzaksiya maʼlumotlari

Manba ushbu uch maʼlumot guruhi real, blockchain asosidagi va sintetik tranzaksiya xatti-harakatlarini birgalikda ifodalaydi deb taʼkidlaydi. Biroq uch maʼlumot guruhining yagona training/evaluation pipeline ichida qanday ajratilgani, train/validation/test boʻlinishining aniq nisbatlari va har bir model bir xil namunalarda qanday oʻqitilgani yuklangan versiyada batafsil berilmagan.

Uchta fraud ssenariysi

Baholash metrikalari

Accuracy:

\[ Accuracy= \frac{TP+TN} {TP+TN+FP+FN} \]

TP — fraudni toʻgʻri aniqlash, TN — legitimate tranzaksiyani toʻgʻri aniqlash, FP — notoʻgʻri fraud ogohlantirishi va FN — oʻtkazib yuborilgan fraud namunasidir.

Manba fraud holatlari kam boʻlgani uchun accuracy yolgʻiz oʻzi chalgʻitishi mumkinligini tan oladi va precision metrikasidan ham foydalanadi:

\[ Precision= \frac{TP} {TP+FP} \]

Precision ayniqsa normal tranzaksiyalarning xato ravishda fraud deb bloklanishini baholash nuqtai nazaridan muhim.

Blockchain vaqt metrikalari

Tranzaksiyani tasdiqlash vaqti:

\[ T_c= t_{confirmed}-t_{submitted} \]

Tranzaksiya tarmoqqa yuborilishi bilan blockchain ledger-da yakuniy tasdiqlanishi oʻrtasidagi vaqtni oʻlchaydi.

Blok tarqalishi kechikishi:

\[ D_b= \max_{n\in N}(t_n^{receive}) - t^{broadcast} \]

Blok yaratilishidan tarmoqdagi tugunlarga yetib borishigacha oʻtgan eng katta tarqalish vaqtini ifodalaydi.

Uchidan-uchigacha kechikish esa:

\[ L_{total} = L_{edge} + L_{AI} + L_{blockchain} \]

deb taʼriflanadi. Shunday qilib preprocessing/edge jarayonlari, AI xulosalashi va blockchain tekshiruvining umumiy tranzaksiya kechikishiga hissasi birgalikda koʻrib chiqiladi.

Taqqoslangan usullar

ANFB-AI ikkita zamonaviy baseline bilan taqqoslanadi. Hybrid Deep Learning (2025), manba taʼrifiga koʻra, kuchli AI-only fraud-detection yondashuvidir. Dynamic Feature Fusion (2025) esa global graph tuzilmalarini mahalliy semantik xususiyatlar bilan birlashtiruvchi blockchain fraud-detection yondashuvidir.

Yuklangan versiyada taqqoslashlar umumiy simulyatsiya muhitida oʻtkazilgani aytiladi. Biroq baseline modellarning barcha oʻqitish sozlamalari, giperparametrlari, qayta implementatsiya tafsilotlari va takroriy ishga tushirish noaniqliklari batafsil bayon etilmagan.

Accuracy natijalari

Manba 3-shaklda model boʻyicha umumiy accuracy taqqoslashida taxminan Hybrid Deep Learning uchun %98,7, Dynamic Feature Fusion uchun %97,9 va ANFB-AI uchun %99,2 koʻrinadi. Bu qiymatlar grafikdan taxminan oʻqilgan.

Har uch modelda ham fraud yuki oshgani sari accuracy pasayadi. Manba ANFB-AI dagi pasayishning cheklanganroq boʻlishini adaptiv fuzzy reasoning va concept-drift-ga moslasha olish bilan bogʻlaydi. Biroq bu mexanizm alohida ablation tadqiqoti bilan ajratib koʻrsatilmagan.

Precision natijalari

5-shaklda umumiy precision taxminan Hybrid DL %96,8, Dynamic Feature Fusion %97,4 va ANFB-AI %98,9 darajasida.

Manba talqiniga koʻra fuzzy rule-based reasoning chegaradagi tranzaksiyalarni ehtiyotkorroq baholaydi va keraksiz transaction rejection ulushini kamaytirishi mumkin.

Transaction confirmation time

7-shaklda model boʻyicha umumiy tranzaksiyani tasdiqlash vaqtlari taxminan Hybrid DL 1,9 soniya, Dynamic Feature Fusion 1,35 soniya va ANFB-AI 1,1 soniya koʻrinadi.

Manba qisqaroq tasdiqlash vaqtini risk baholashining edge AI qatlamiga oʻtkazilishi, validator tanlovining soddalashtirilishi va PoA konsensusi bilan bogʻlaydi.

Blok tarqalishi kechikishi

9-shakldagi umumiy taqqoslashda taxminiy blok tarqalishi kechikishi Hybrid DL uchun 210 ms, Dynamic Feature Fusion uchun 165 ms va ANFB-AI uchun 130 ms.

Tranzaksiya/fraud yuki oshgan sari barcha yondashuvlarda propagation delay ortadi. Manba ANFB-AI ning pastroq kechikishini permissioned tarmoq tuzilishi, PoA konsensusi va soddaroq blok tarqalishi bilan bogʻlaydi.

Uchidan-uchigacha kechikish

11-shaklning model boʻyicha umumiy grafigida taxminiy jami kechikish Hybrid DL uchun 2,7 soniya, Dynamic Feature Fusion uchun 2,05 soniya va ANFB-AI uchun 1,75 soniya.

Manba ANFB-AI ning past umumiy kechikishini AI va blockchain komponentlarini modulli/parallel ishlatish mumkinligi hamda fuzzy inference orqali qayta ishlash xarajatining kamaytirilishi bilan bogʻlaydi.

Simulyatsiya natijalari haqiqiy bank muhitida isbotlangan samaradorlikni anglatadimi?

Yoʻq; yuklangan tadqiqot nazorat qilinadigan besh tugunli simulyatsiya/implementation muhitida samaradorlik koʻrsatadi va haqiqiy moliya tashkilotining jonli tranzaksiya oqimi, production-grade validator tarmogʻi, tashkilotlararo real tarmoq kechikishlari, tartibga soluvchi operatsiyalar va adversarial dala sharoitlarida validatsiya oʻtkazmaydi; shu sababli natijalar real dunyoda joriy etishning bevosita isboti emas, balki taklif etilgan arxitekturaning nazorat qilinadigan sharoitdagi samaradorlik koʻrsatkichidir.

Manba qoʻllab-quvvatlaydigan natijalar

• ANFB-AI arxitekturasi permissioned blockchain, AI klassifikatsiyasi va adaptive neuro-fuzzy risk xulosalashini yagona modelda birlashtiradi.
• Nazorat qilinadigan S1, S2 va S3 simulyatsiyalarida ANFB-AI manba grafiklarida ikkita taqqoslash usulidan yuqoriroq accuracy va precision koʻrsatadi.
• Xuddi shu simulyatsiyalarda ANFB-AI ning transaction confirmation time, block propagation delay va end-to-end latency qiymatlari pastroq.
• Fraud ulushi oshganda barcha modellarda samaradorlik pasayishi va/yoki kechikish ortishi kuzatiladi.
• Uch darajali risk-qaror arxitekturasi past riskli tranzaksiyalarni qabul qilish, oʻrta riskli tranzaksiyalarni kuzatish va yuqori riskli tranzaksiyalarni rad etishni maqsad qiladi.
• Blockchain qatlami hash, validator tasdigʻi va konsensus orqali tranzaksiya yaxlitligi va auditability taʼminlashni maqsad qiladi.

Manba qoʻllab-quvvatlamaydigan natijalar

Yuklangan versiya ANFB-AI haqiqiy bank ishlab chiqarish tizimlarida xuddi shu aniqlik va kechikishni taʼminlashini, barcha fraud turlariga qarshi xavfsizligini, hujumchilar modelni chetlab oʻta olmasligini, real tashkilotlararo tarmoqlarda xuddi shu masshtablanuvchanlikni saqlashini, federated learning amalda qoʻllanganini yoki modelning uzoq muddatli cyber-adversarial bardoshliligi isbotlanganini koʻrsatmaydi.

Asosiy metodologik cheklovlar

Simulyatsiya–dala farqi: Beshta virtual tugunli proof-of-concept muhiti haqiqiy koʻp tashkilotli moliya infratuzilmasining barcha operatsion murakkabligini ifodalamaydi.

Raw-result yetishmasligi: Yuklangan versiyada 3–12-shakllardagi samaradorlik qiymatlari asosan grafik koʻrinishda berilgan, toʻliq raqamli source-of-truth jadvallari taqdim etilmagan.

Noaniqlikni oʻlchash: Yuklangan dastlabki versiyada grafiklarda error bars, ishonch oraliqlari yoki takroriy tajribalar taqsimotlari koʻrsatilmagan.

Model tafsilotlari: Mashinaviy oʻqitish classifier-ining yakuniy arxitekturasi, barcha giperparametrlar, optimizer, loss funksiyasining aniq tanlovi va training/test boʻlish protokoli toʻliq qayta ishlab chiqarish darajasida bayon etilmagan.

Neyro-noaniq parametrlar: Aʼzolik funksiyalarining shakllari, boshlangʻich qiymatlari, barcha fuzzy rule seti va gradient-based rule-weight update sozlamalari toʻliq berilmagan.

Risk chegaralari: \( \lambda \), \( \eta_1 \) va \( \eta_2 \) uchun tajribalarda ishlatilgan aniq qiymatlar ochiq bayon etilmagan.

Workflow nomuvofiqligi: Blockchain va AI risk tahlilining tranzaksiya ketma-ketligi turli boʻlimlarda turlicha bayon etilgan.

12-tenglama yozuvi: Monitor shartining yuqori chegarasi matematik qatorda yoʻqdek koʻrinadi; izoh matni oʻrta risk sohasini \(\eta_1\) bilan \(\eta_2\) oraligʻi deb taʼriflaydi.

Federated-learning noaniqligi: Manba ayrim boʻlimlarda faqat model parametrlari almashiladigan markazlashmagan learning yondashuvini tilga olar ekan, federated learning-ni kelajakdagi ish sifatida ham taʼriflaydi.

Kelajakdagi tadqiqot yoʻnalishlari

Manba xulosa boʻlimida uchta asosiy kelajak tadqiqot yoʻnalishini koʻrsatadi: turli blockchain tarmoqlari oʻrtasida cross-chain interoperability; moliya tashkilotlari oʻrtasida maxfiylikni saqlovchi hamkorlikdagi oʻqitish uchun federated learning; va doirani jonli moliyaviy transaction stream-larda amaliy qoʻllash.

Bu soʻnggi qadam ayniqsa muhim. Real amaliyotda tranzaksiya taqsimotining vaqt oʻtishi bilan oʻzgarishi, tashkilotlararo tarmoq topologiyasi, haqiqiy KYC/AML qoidalari, kechikish navbatlari, validator nosozliklari, hujumchi xatti-harakati, adversarial manipulation, model drift va tartibga soluvchi nazorat bir vaqtda sinovdan oʻtkazilishi kerak.

Ilmiy maʼno

Tadqiqotning asosiy hissasi faqat “yuqoriroq fraud-detection accuracy” emas. Muhimroq gʻoya moliyaviy risk qarorini uchta alohida xavfsizlik mantiqining kesishmasiga joylashtirishdir: mashinaviy oʻqitish naqshlarni statistik tarzda taniydi; neyro-noaniq qatlam noaniq va chegaradagi holatlarga darajali risk beradi; blockchain esa tranzaksiya yozuvining yaxlitligi va auditability uchun taqsimlangan ishonch qatlamini yaratadi.

Bu tuzilma xavfsizlik tizimini faqat binary fraud classifier boʻlishdan chiqarib, transaction integrity, noaniqlik, xulq-atvor oʻzgarishi va operatsion qaror birgalikda koʻrib chiqiladigan qatlamli risk arxitekturasiga aylantirishni maqsad qiladi. Biroq yuklangan versiyada bu arxitekturaning haqiqiy moliya tashkiloti miqyosida qoʻllanishi hali koʻrsatilmagan.

Manba va Usul Haqida Izoh

Asl sarlavha: An Adaptive Neuro-Fuzzy Blockchain–AI Framework for Secure and Intelligent FinTech Transactions

Mualliflar: Gunjan Mishra; Yash Mishra.

Masʼul muallif: Hozirgi Scientific Reports qaydi Gunjan Mishra-ni corresponding author sifatida koʻrsatadi.

Manba PDF affiliatsiyalari: Gunjan Mishra — Retail Banking, Debit Card, Capital One, McLean, Virginia, USA. Yash Mishra — JK Lakshmipat University, India.

Yuklangan manba turi: Mart 2026 davriga oid dastlabki/preprint versiya.

Hozirgi nashr holati: Shu tadqiqot keyinchalik Scientific Reports jurnalida ekspert baholashidan oʻtib qabul qilingan maqola sifatida chop etilgan.

Jurnal: Scientific Reports.

Nashriyot: Springer Nature.

Ekspert baholangan versiyaning nashr sanasi: 31 Avgust 2026.

Ekspert baholangan versiyaning DOI-si: 10.1038/s41598-026-66643-6

Litsenziya: Ekspert baholangan ochiq kirish versiyasi CC BY 4.0 sifatida chop etilgan.

Versiya ogohlantirishi: Ushbu Verianla ilmiy yadrosining tajriba, formula, simulyatsiya va natija mazmuni foydalanuvchi taqdim etgan dastlabki PDF-ga asoslangan. Ekspert baholangan Scientific Reports versiyasi ilmiy baholash va hisobot tuzilmasini yaxshilagan; ikki versiya jim tarzda birlashtirilmagan.

Asosiy usul: Permissioned blockchain + Proof-of-Authority + AI/ML fraud classification + adaptive neuro-fuzzy inference + birlashtirilgan risk balli + Accept/Monitor/Reject qaror tizimi + simulyatsiyaga asoslangan tizim samaradorligini baholash.

Blockchain muhiti: Hyperledger Fabric 2.4, Ethereum Testnet, beshta virtual moliyaviy tashkilot tuguni, 10–50 ms tugun tarmoq kechikishi.

AI muhiti: Python 3.11, TensorFlow 2.12, PyTorch 2.1; NVIDIA RTX 4090.

Maʼlumot manbalari: Kaggle Credit Card Fraud Detection — 284.807 tranzaksiya / 492 fraud; CCXT asosidagi 100.000 simulyatsiya qilingan kripto tranzaksiya; 50.000 sintetik bank tranzaksiyasi.

Stress ssenariylari: S1 %0,1 fraud; S2 %1 fraud; S3 %5 fraud; har bir ssenariyda 50.000 tranzaksiya.

Taqqoslash usullari: Hybrid Deep Learning (2025) va Dynamic Feature Fusion (2025).

Samaradorlik metrikalari: Accuracy, Precision, Transaction Confirmation Time, Block Propagation Delay, End-to-End Transaction Latency.

Moliyalashtirish: Yuklangan dastlabki PDF-da alohida va aniq Funding Statement mavjud emas.

Maʼlumotlar mavjudligi: Yuklangan dastlabki PDF-da alohida Data Availability Statement mavjud emas.

Mualliflar hissasi: Yuklangan dastlabki PDF-da alohida CRediT Author Contributions boʻlimi mavjud emas.

Manfaatlar toʻqnashuvi: Yuklangan dastlabki PDF-da alohida Conflict of Interest boʻlimi mavjud emas. Hozirgi Scientific Reports qaydi mualliflar competing interest bildirmaganini koʻrsatadi.

Asosiy talqin chegarasi: Manbadagi yuqori accuracy/precision va past latency natijalari nazorat qilinadigan simulyatsiya va proof-of-concept muhitiga tegishli. Jonli moliya tashkiloti infratuzilmasida umumiy amal qiladigan dala samaradorligi sifatida talqin qilinmasligi kerak.