論文の概要: Detecting DeFi Securities Violations from Token Smart Contract Code
- arxiv url: http://arxiv.org/abs/2112.02731v5
- Date: Fri, 26 May 2023 12:07:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 00:37:12.352689
- Title: Detecting DeFi Securities Violations from Token Smart Contract Code
- Title（参考訳）: トークンスマートコントラクトコードからのDeFi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。
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、証券違反の可能性のあるDeFiプロジェクトを特定できるかどうかを明らかにすることである。
- 参考スコア（独自算出の注目度）: 0.4263043028086136
- 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 been connected to crime, in particular, various types of securities
violations. The lack of Know Your Customer requirements in DeFi poses
challenges to governments trying to mitigate potential offending in this space.
This study aims to uncover whether this problem is suited to a machine learning
approach, namely, whether we can 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, building classifiers based on features extracted from DeFi projects'
tokens' smart contract code (specifically, opcode-based features). Our final
model is a random forest model that achieves an 80\% F-1 score against a
baseline of 50\%. Notably, we further explore the code-based features that are
most important to our model's performance in more detail, analyzing tokens'
Solidity code and conducting cosine similarity analyses. We find that one
element of the code our opcode-based features may be capturing is the
implementation of the SafeMath library, though this does not account for the
entirety of our features. Another contribution of our study is a new data set,
comprised of (a) a verified ground truth data set for tokens involved in
securities violations and (b) a set of legitimate tokens from a reputable DeFi
aggregator. This paper further discusses the potential use of a model like ours
by prosecutors in enforcement efforts and connects it 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、犯罪、特に様々な種類の証券違反とも関係がある。
DeFiにおけるKnow Your Customer要件の欠如は、この分野での潜在的な攻撃を緩和しようとする政府に課題をもたらす。
本研究は,この問題が機械学習のアプローチに適合するかどうか,すなわちトークンのスマートコントラクトコードに基づいて,証券違反の可能性のあるdefiプロジェクトを識別できるかどうかを明らかにすることを目的としている。
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(特にオペコードベースの機能)から抽出された機能に基づいて分類器を構築する。
最終モデルは,基準値50\%に対して80\%のF-1スコアを得るランダム森林モデルである。
特に、私たちはさらに、モデルのパフォーマンスにとって最も重要なコードベースの機能を調べ、トークンの固形度コードを分析し、コサインの類似度分析を行います。
私たちは、Opcodeベースのフィーチャがキャプチャしているかもしれないコードの1つの要素がSafeMathライブラリの実装であることに気付きました。
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)証券違反にかかわるトークンの検証された根拠真理データ
b) 請求可能なDeFiアグリゲータからの正当なトークンの集合
本報告では,法執行における検事による我々のようなモデルの利用の可能性についても検討し,より広い法的文脈と結びつける。
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。