論文の概要: Detecting DeFi Securities Violations from Token Smart Contract Code with
Random Forest Classification
- arxiv url: http://arxiv.org/abs/2112.02731v1
- Date: Mon, 6 Dec 2021 01:44:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 17:02:05.382002
- Title: Detecting DeFi Securities Violations from Token Smart Contract Code with
Random Forest Classification
- Title（参考訳）: ランダム森林分類によるトークンスマートコントラクトコードからのデフィ証券違反の検出
- Authors: Arianna Trozze, Bennett Kleinberg, and Toby Davies
- Abstract要約: DeFi(Decentralized Finance)は、さまざまなブロックチェーン上のスマートコントラクトを通じて構築および配信される金融製品とサービスのシステムである。
DeFiは暗号通貨関連の犯罪、特に様々な種類の証券違反の中心となっている。
本研究の目的は、トークンのスマートコントラクトコードに基づいて、証券違反の可能性があるDeFiプロジェクトを特定することである。
- 参考スコア（独自算出の注目度）: 0.2523415604068923
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Decentralized Finance (DeFi) is a system of financial products and services
built and delivered through smart contracts on various blockchains. In the past
year, DeFi has gained popularity and market capitalization. However, it has
also become an epicenter of cryptocurrency-related crime, in particular,
various types of securities violations. The lack of Know Your Customer
requirements in DeFi has left governments unsure of how to handle the magnitude
of offending in this space. This study aims to address this problem with a
machine learning approach to identify DeFi projects potentially engaging in
securities violations based on their tokens' smart contract code. We adapt
prior work on detecting specific types of securities violations across Ethereum
more broadly, building a random forest classifier based on features extracted
from DeFi projects' tokens' smart contract code. The final classifier achieves
a 99.1% F1-score. Such high performance is surprising for any classification
problem, however, from further feature-level, we find a single feature makes
this a highly detectable problem. Another contribution of our study is a new
dataset, comprised of (a) a verified ground truth dataset for tokens involved
in securities violations and (b) a set of valid tokens from a DeFi aggregator
which conducts due diligence on the projects it lists. This paper further
discusses the use of our model by prosecutors in enforcement efforts and
connects its potential use to the wider legal context.
- Abstract（参考訳）: DeFi(Decentralized Finance)は、さまざまなブロックチェーン上のスマートコントラクトを通じて構築および配信される金融製品とサービスのシステムである。
ここ数年、DeFiの人気と市場資本化が続いている。
しかし、暗号通貨関連の犯罪、特に様々な種類の証券違反の重心ともなっている。
defiにおける顧客の要求を知ることの欠如により、政府はこの分野における攻撃の規模をどう扱うべきかを把握できなくなっている。
本研究は,トークンのスマートコントラクトコードに基づいて,有価証券違反に関与する可能性のあるDeFiプロジェクトを特定するための機械学習アプローチを用いて,この問題に対処することを目的とする。
DeFiプロジェクトのトークンのスマートコントラクトコードから抽出された特徴に基づいて、ランダムな森林分類器を構築することで、Ethereum全体で特定の種類の証券違反を検出するための事前作業に適応する。
最終分類器は99.1%のF1スコアを達成する。
このような高い性能は、どの分類問題にも驚くが、機能レベルがさらに高くなると、単一の特徴が極めて検出可能な問題となる。
私たちの研究のもうひとつの貢献は、新しいデータセットです。
(a)有価証券違反に係るトークンの検証済み真理データセット
b) defiアグリゲータからの有効なトークンのセットで、リストにあるプロジェクトに対してデューデリジェンスを実行する。
本稿では,検事による法執行活動におけるモデルの利用についてさらに検討し,その利用可能性とより広い法的文脈との関連性について考察する。
関連論文リスト
- Privacy Risks of Speculative Decoding in Large Language Models [2.869014888726965]
大規模言語モデル(LLM)における投機的復号化は、投機的に複数のトークンを安価に予測し、それらを並列に検証することでトークン生成を加速する。
正誤予測の入力依存パターンを逆監視トークン生成時間とパケットサイズに漏洩させることが観察された。
悪意のある相手が3つの異なる投機的復号法で、指紋検索やプライベートユーザ入力を90%以上の精度で学習できることが示される。
論文 参考訳（メタデータ） (2024-11-01T23:14:30Z) - Effective Targeted Testing of Smart Contracts [0.0]
スマートコントラクトは不変であるため、バグを修正することはできない。
我々のフレームワークであるGriffinは、テストデータを生成するためにターゲットとなるシンボル実行技術を用いて、この欠陥に対処する。
本稿では、スマートコントラクトがターゲットとなるシンボル実行におけるレガシーソフトウェアとどのように異なるのか、そしてこれらの違いがツール構造に与える影響について論じる。
論文 参考訳（メタデータ） (2024-07-05T04:38:11Z) - SoK: Decentralized Finance (DeFi) -- Fundamentals, Taxonomy and Risks [0.40462801392105]
分散ファイナンス(Decentralized Finance、DeFi)は、暗号通貨とは必ずしも関係のない金融サービスを指す。
この研究は、DeFiの総値ロック(TVL)の90%以上をカバーするDeFiプロトコルの主要なカテゴリを体系的に提示する。
すべてのDeFiプロトコルは、流動性プール、ペッグと合成トークン、アグリゲータプロトコルの3つのグループのうちの1つに分類され、次にリスク分析が続く。
論文 参考訳（メタデータ） (2024-04-17T11:42:53Z) - LookAhead: Preventing DeFi Attacks via Unveiling Adversarial Contracts [15.071155232677643]
分散型金融(DeFi)インシデントは、30億ドルを超える経済的損害をもたらした。
現在の検出ツールは、攻撃活動を効果的に識別する上で重大な課題に直面している。
本稿では,敵対的契約の特定に焦点をあてた,DeFi攻撃検出のための新たな方向を提案する。
論文 参考訳（メタデータ） (2024-01-14T11:39:33Z) - Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。
ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。
3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-07-11T07:48:39Z) - Leveraging Machine Learning for Multichain DeFi Fraud Detection [5.213509776274283]
本稿では,最も大きなチェーンを含むさまざまなチェーンから特徴を抽出するフレームワークを提案し,広範囲なデータセットで評価する。
XGBoostやニューラルネットワークなど、さまざまな機械学習手法を使用して、DeFiと対話する不正アカウントの検出を識別した。
本稿では,新しいDeFi関連機能の導入により,評価結果が大幅に改善されることを実証する。
論文 参考訳（メタデータ） (2023-05-17T15:48:21Z) - FedSOV: Federated Model Secure Ownership Verification with Unforgeable
Signature [60.99054146321459]
フェデレートラーニングにより、複数のパーティがプライベートデータを公開せずにグローバルモデルを学ぶことができる。
本稿では,FedSOVという暗号署名に基づくフェデレート学習モデルのオーナシップ検証手法を提案する。
論文 参考訳（メタデータ） (2023-05-10T12:10:02Z) - Blockchain Large Language Models [65.7726590159576]
本稿では,異常なブロックチェーントランザクションを検出するための動的,リアルタイムなアプローチを提案する。
提案するツールであるBlockGPTは、ブロックチェーンアクティビティのトレース表現を生成し、大規模な言語モデルをスクラッチからトレーニングして、リアルタイム侵入検出システムとして機能させる。
論文 参考訳（メタデータ） (2023-04-25T11:56:18Z) - PEOPL: Characterizing Privately Encoded Open Datasets with Public Labels [59.66777287810985]
プライバシとユーティリティのための情報理論スコアを導入し、不誠実なユーザの平均パフォーマンスを定量化する。
次に、ランダムなディープニューラルネットワークの使用を動機付ける符号化スキームのファミリーを構築する際のプリミティブを理論的に特徴づける。
論文 参考訳（メタデータ） (2023-03-31T18:03:53Z) - Quantum Proofs of Deletion for Learning with Errors [91.3755431537592]
完全同型暗号方式として, 完全同型暗号方式を初めて構築する。
我々の主要な技術要素は、量子証明器が古典的検証器に量子状態の形でのLearning with Errors分布からのサンプルが削除されたことを納得させる対話的プロトコルである。
論文 参考訳（メタデータ） (2022-03-03T10:07:32Z) - ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep
Neural Network and Transfer Learning [80.85273827468063]
既存の機械学習ベースの脆弱性検出方法は制限され、スマートコントラクトが脆弱かどうかのみ検査される。
スマートコントラクトのための初のDeep Neural Network(DNN)ベースの脆弱性検出フレームワークであるESCORTを提案する。
ESCORTは6種類の脆弱性に対して平均95%のF1スコアを達成し,検出時間は契約あたり0.02秒であることを示す。
論文 参考訳（メタデータ） (2021-03-23T15:04:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。