Resumo Técnico: TSAI-MetaFraud

Declaração do Problema

A rápida evolução das plataformas de metaverso estabeleceu ecossistemas digitais persistentes onde os usuários se envolvem em interações sociais, negociações de ativos virtuais e atividades econômicas complexas. Embora esses ambientes ofereçam novas oportunidades, eles introduzem desafios significativos de segurança, incluindo transações fraudulentas, atividade de bots automatizados, manipulação de contas e comportamento malicioso coordenado.

A pesquisa existente em detecção de fraude tem se baseado amplamente em conjuntos de dados de domínios tradicionais, como setor bancário, e-commerce e criptomoedas. No entanto, esses recursos normalmente focam em aspectos isolados — ou redes de transações ou comportamento do usuário — em vez da natureza multimodal e unificada das economias do metaverso. Além disso, os conjuntos de dados de metaverso disponíveis publicamente carecem de componentes críticos, como registros de transações financeiras, anotações de fraude ou rótulos de bots simultaneamente. Essa escassez impede o desenvolvimento e a avaliação reprodutível de métodos de detecção de fraude multimodais que possam analisar conjuntamente a atividade comportamental, as interações financeiras e as estruturas relacionais dentro de uma única economia virtual.

Metodologia

Para abordar essas limitações, os autores apresentam o TSAI-MetaFraud, um benchmark de dados multimodal e multitarefa gerado dentro de um ambiente de metaverso simulado.

Geração de Dados e Ambiente

• Plataforma: O conjunto de dados foi construído usando o OpenSimulator, uma plataforma de código aberto compatível com o protocolo do Second Life, que suporta interações de avatares, propriedade de ativos virtuais e transferências de moeda in-world.
• População: A simulação envolveu 936 avatares ativos representando diversos perfis comportamentais e financeiros.
  • Usuários Benignos: Realizaram movimentos normais e transações legítimas.
  • Fraude Comportamental: Bots automatizados exibindo padrões de interação sintéticos e características de digitação anormais.
  • Fraude Financeira: Contas com comportamentos de movimento realistas, mas que se envolvem em atividades financeiras ilícitas (ex: estratificação de transações).
  • Fraude Híbrida: Contas que combinam padrões comportamentais automatizados com atividade financeira fraudulenta.
  • Desconhecido: Um subconjunto de contas com rótulos mascarados para simular a incerteza de investigações do mundo real.
• Modelagem Comportamental: O comportamento humano foi modelado através de dinâmica de digitação derivada do conjunto de dados público KMT, ajustado com Estimadores de Densidade de Kernel Gaussiano (KDEs). As contas automatizadas foram geradas usando bots "ingênuos" (tempo rígido) e bots "furtivos" (amostragem de distribuições humanas com variância reduzida) para criar uma sobreposição significativa entre as classes benignas e maliciosas.
• Coleta de Dados: Um pipeline de múltiplas camadas capturou trajetórias de movimento, interações de objetos e tempo de digitação em tempo real, juntamente com logs do lado do servidor para todos os eventos financeiros (timestamps, valores, taxas, tipos).

Representação de Dados

O conjunto de dados é distribuído em dois formatos para suportar diversas comunidades de pesquisa:

1. Formato de Grafo: Um grafo relacional modular representando avatares e sessões como nós e transações como arestas direcionadas. Inclui quatro tabelas: atributos de avatar, biometria de sessão, arestas de transação e rótulos de avatar.
2. Formato Tabular: Uma representação plana unificada onde cada aresta de transação é um vetor de características de 24 dimensões fundindo atributos de transação, centralidades de rede de remetente/destinatário e biometria de sessão do remetente.

Tarefas de Benchmark

Os autores definem quatro tarefas específicas para avaliar métodos multimodais e baseados em grafos:

1. Detecção de Fraude de Transação: Classificação multiclasse de arestas de transação (Benigno, Fraude Comportamental, Fraude Financeira, Híbrida) sob um cenário indutivo estrito (contas não vistas).
2. Classificação de Nós Cross-Modal: Classificar nós de avatar em quatro categorias usando uma combinação de características comportamentais de nível de sessão e características de conta derivadas de grafos.
3. Predição de Link Temporal: Prever transações futuras em uma rede em evolução com base em snapshots históricos de grafos.
4. Detecção de Fraude com Supervisão Fraca: Inferir rótulos multiclasse para uma população amplamente não rotulada (90% dos rótulos mascarados) para simular restrições de investigação do mundo real.

Principais Contribuições

1. Conjunto de Dados TSAI-MetaFraud: O primeiro benchmark multimodal que captura conjuntamente atividade comportamental, transações financeiras, interações estruturadas em grafos e comportamentos relacionados à fraude dentro de um ambiente de metaverso unificado.
2. Suíte de Benchmark Abrangente: Definição de quatro tarefas distintas abrangendo detecção de fraude, detecção de bots, predição de link temporal e aprendizado com supervisão fraca, permitindo a avaliação sistemática de métodos multimodais.
3. Avaliações de Baseline: Provisão de resultados de baseline usando modelos clássicos de aprendizado de máquina (Regressão Logística, Random Forest, XGBoost) e Redes Neurais de Grafos (GraphSAGE, Propagação de Rótulos) para caracterizar a dificuldade do conjunto de dados e estabelecer níveis de desempenho de referência.
4. Lançamento Aberto: Disponibilidade pública do conjunto de dados e do framework de avaliação para apoiar a pesquisa reprodutível.

Resultados e Análise

Experimentos de baseline revelam desafios significativos e características de desempenho distintas entre as modalidades:

• Fraude Comportamental vs. Financeira: Modelos baseados em árvores (Random Forest, XGBoost) alcançaram forte desempenho na detecção de Fraude Comportamental (scripts automatizados) e usuários benignos, aproveitando características de nível de sessão como intensidade de atividade e tempo. No entanto, esses modelos falharam completamente em identificar Fraude Financeira e Híbrida (F1-scores de 0.00), indicando que padrões financeiros ilícitos são expressos através de estruturas de transação, e não através de atributos comportamentais locais.
• Redes Neurais de Grafos: O modelo heterogêneo GraphSAGE demonstrou capacidade de detectar fraudes Financeiras e Híbridas ao aproveitar as relações de transação e a estrutura da rede. Contudo, teve dificuldades com a Fraude Comportamental em comparação aos métodos baseados em árvores, sugerindo que mecanismos padrão de passagem de mensagem podem suavizar as anomalias locais de alta frequência (ex: tempo de digitação) que definem o comportamento automatizado.
• Predição de Link Temporal: Heurísticas topológicas tradicionais (Vizinhos Comuns, Coeficiente de Jaccard) tiveram desempenho insatisfatório. O GraphSAGE superou significativamente esses métodos, destacando a necessidade de representações estruturais aprendidas para redes dinâmicas.
• Aprendizado com Supervisão Fraca: Sob severa escassez de rótulos (90% mascarados), todos os métodos sofreram degradação substancial de desempenho. Métodos de difusão em grafos (Propagação de Rótulos, GraphSAGE) tiveram dificuldade em propagar sinais dos poucos nós rotulados disponíveis para classes raras, resultando em baixos F1-scores macro (~0.23).

Significância e Alegações

Os autores posicionam o TSAI-MetaFraud como um recurso crítico para o avanço do aprendizado multimodal, mineração de grafos e IA confiável em ecossistemas emergentes de metaverso.

• Preenchendo a Lacuna: O conjunto de dados aborda a falta de benchmarks realistas que unifiquem comportamento do usuário, atividade financeira e redes de interação, o que é essencial para o desenvolvimento de sistemas robustos de detecção de fraude.
• Necessidade Multimodal: Os resultados demonstram explicitamente que as modalidades comportamental e transacional fornecem informações complementares. Características comportamentais são essenciais para detecção de bots, enquanto a estrutura do grafo é indispensável para identificar padrões complexos de lavagem de dinheiro.
• Restrições Realistas: Ao incorporar desequilíbrio de classes, evolução temporal e supervisão limitada, o benchmark reflete as dificuldades práticas da investigação de fraudes, motivando o desenvolvimento de métodos de aprendizado mais robustos, eficientes em termos de rótulos e adaptáveis.

O artigo conclui que o TSAI-MetaFraud fornece um banco de testes rigoroso para avaliar abordagens futuras de segurança em mundos virtuais, oferecendo uma plataforma unificada para pesquisa reprodutível em um domínio de aplicação que está evoluindo rapidamente, mas que atualmente carece de recursos de avaliação padronizados.