Las criptomonedas están en alta demanda ahora debido a su naturaleza volátil y no rastreable. Bitcoin, Ethereum y Dogecoin son solo algunos ejemplos. Esta investigación busca identificar engaños y probable fraude en los procesos transaccionales de Ethereum. Hemos desarrollado esta capacidad a través de ChaosNet, una Red Neuronal Artificial construida utilizando mapas de Series Luröth Generalizadas. El caos ha sido descubierto objetivamente en el cerebro en muchas escalas espaciotemporales. Varias simulaciones neuronales sintéticas, incluido el modelo de Hindmarsh-Rose, poseen caos, y se sabe que las neuronas individuales del cerebro muestran fenómenos de explosión caótica. Aunque el caos está incluido en varias Redes Neuronales Artificiales (ANNs), por ejemplo, en Redes Neuronales Generativas Recursivas, no existen ANNs para tareas clásicas compuestas enteramente de caoticidad. ChaosNet utiliza la propiedad de transitividad topológica de las neuronas GLS caóticas para realizar problemas de clasificación en conjuntos de datos con un rendimiento de vanguardia, reduciendo la cantidad de muestras de entrenamiento necesarias. Esta red neuronal sintética puede realizar tareas de categorización al reunir una cantidad definida de datos de entrenamiento. ChaosNet utiliza algunas de las mejores características de redes compuestas por neuronas biológicas, que derivan de la fuerte actividad caótica de neuronas individuales, para resolver tareas de clasificación complejas al mismo nivel o mejor que las Redes Neuronales Artificiales estándar. Se ha demostrado que requiere muchas menos muestras de entrenamiento. Esta capacidad de ChaosNet ha sido bien aprovechada para el objetivo de nuestra investigación. Además, en este artículo, ChaosNet se ha integrado con varios algoritmos de ML bien conocidos para atender los propósitos de este estudio. Los resultados obtenidos son mejores que los resultados genéricos.