Fugu-MT 論文翻訳(概要): Do not rug on me: Zero-dimensional Scam Detection

論文の概要: Do not rug on me: Zero-dimensional Scam Detection

arxiv url: http://arxiv.org/abs/2201.07220v1
Date: Sun, 16 Jan 2022 16:22:43 GMT
ステータス: 処理完了
システム内更新日: 2022-01-20 15:26:56.828058
Title: Do not rug on me: Zero-dimensional Scam Detection
Title（参考訳）: ゼロ次元の詐欺を検知する「do not rug on me」
Authors: Bruno Mazorra, Victor Adan, Vanesa Daza
Abstract要約: 本稿では,20Kトークンのデータセットを拡大し,トークンを詐欺としてラベル付けするための新しい手法を提案する。本稿では,トークン伝搬とスマートコントラクトに関連する新しい特徴を持つ機械学習に基づくアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Uniswap, like other DEXs, has gained much attention this year because it is a non-custodial and publicly verifiable exchange that allows users to trade digital assets without trusted third parties. However, its simplicity and lack of regulation also makes it easy to execute initial coin offering scams by listing non-valuable tokens. This method of performing scams is known as rug pull, a phenomenon that already existed in traditional finance but has become more relevant in DeFi. Various projects such as [34,37] have contributed to detecting rug pulls in EVM compatible chains. However, the first longitudinal and academic step to detecting and characterizing scam tokens on Uniswap was made in [44]. The authors collected all the transactions related to the Uniswap V2 exchange and proposed a machine learning algorithm to label tokens as scams. However, the algorithm is only valuable for detecting scams accurately after they have been executed. This paper increases their data set by 20K tokens and proposes a new methodology to label tokens as scams. After manually analyzing the data, we devised a theoretical classification of different malicious maneuvers in Uniswap protocol. We propose various machine-learning-based algorithms with new relevant features related to the token propagation and smart contract heuristics to detect potential rug pulls before they occur. In general, the models proposed achieved similar results. The best model obtained an accuracy of 0.9936, recall of 0.9540, and precision of 0.9838 in distinguishing non-malicious tokens from scams prior to the malicious maneuver.
Abstract（参考訳）: Uniswapは、他のDEXと同様、ユーザーが信頼できる第三者なしでデジタル資産を取引できる、非合法かつ公に検証可能な取引所であるため、今年は注目を集めている。しかし、その単純さと規制の欠如により、価値のないトークンをリストアップすることで、初期通貨発行詐欺の実行も容易になる。この詐欺行為の方法は、従来の金融業界にはすでに存在していたが、DeFiではより関係が深いルーグプルとして知られている。例えば[34,37]のようなさまざまなプロジェクトは、EVM互換チェーンにおけるラグプルの検出に寄与している。しかし, ユニスワップにおける詐欺トークンの検出・特徴化の第1段階は [44] であった。著者らはUnixwap V2交換に関するすべてのトランザクションを収集し、トークンを詐欺としてラベル付ける機械学習アルゴリズムを提案した。しかし,このアルゴリズムは,実行後の詐欺を正確に検出するためにのみ有用である。本稿では,20kトークンのデータセットを増加させ,トークンを詐欺としてラベル付ける新しい手法を提案する。データを手動で解析した後、Unixwapプロトコルにおける様々な悪意ある操作の理論的分類を考案した。本稿では,トークンの伝播とスマートコントラクトヒューリスティックに関連する新しい特徴を持つ機械学習に基づくアルゴリズムを提案する。一般に、提案されたモデルは同様の結果を得た。最良のモデルは0.9936の精度、0.9540のリコール、そして悪意のないトークンと不正な操作前の詐欺を区別する精度0.9838の精度を得た。

関連論文リスト

FIRP: Faster LLM inference via future intermediate representation prediction [54.897493351694195]
FIRPはデコードステップ毎に1つではなく複数のトークンを生成する。いくつかのモデルとデータセットで1.9x-3xのスピードアップ比を示す広範な実験を行った。
論文参考訳（メタデータ） (2024-10-27T15:53:49Z)
From Programming Bugs to Multimillion-Dollar Scams: An Analysis of Trapdoor Tokens on Decentralized Exchanges [12.488993570076923]
Trapdoorトークンを使うと、ユーザーは購入できるが販売を妨げられる。簡単に言えば、論理的なバグや/または所有者のみの機能をスマートコントラクトコードに埋め込むことで、Trapdoorトークンを使用することで、ユーザは購入するが販売を阻止できる。我々は,Trapdoorトークンの最初の体系的分類と,それらのプログラミング手法の包括的リストを開発する。
論文参考訳（メタデータ） (2023-09-09T06:47:23Z)
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)
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)
Explainable Ponzi Schemes Detection on Ethereum [1.3812010983144802]
ポンツィスキームは最も一般的な詐欺の一つである。本稿では,実世界のスマートポンジ契約を検出する分類器を提案する。優れた分類品質を保証し、AI技術を用いた分類への影響を調査する、小型で効果的な機能のセットを特定します。
論文参考訳（メタデータ） (2023-01-12T08:38:23Z)
An Attention-based Long Short-Term Memory Framework for Detection of Bitcoin Scams [2.0720586052989978]
Bitcoinは、サイバー詐欺に関わる最も一般的な暗号通貨だ。本稿では、トランザクションがPonziスキームや他のサイバー詐欺に関与しているかどうかを決定するために、マルチクラス分類問題を検討する。
論文参考訳（メタデータ） (2022-10-26T01:20:21Z)
Token Spammers, Rug Pulls, and SniperBots: An Analysis of the Ecosystem of Tokens in Ethereum and in the Binance Smart Chain (BNB) [50.888293380932616]
トークンと流動性のプールの生態系を研究する。トークンの約60%が1日以内でアクティブであることが分かりました。 1日間の暴走が2億4000万ドルという利益を生み出したと見積もっている。
論文参考訳（メタデータ） (2022-06-16T14:20:19Z)
Detecting DeFi Securities Violations from Token Smart Contract Code [0.4263043028086136]
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。
論文参考訳（メタデータ） (2021-12-06T01:44:08Z)
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)
ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators [108.3381301768299]
Masked Language Modeling (MLM) は、BERT のような事前学習手法で、いくつかのトークンを [MASK] に置き換えて、元のトークンを再構築するためにモデルをトレーニングすることで入力を破損させた。代用トークン検出という,より効率的な事前学習タスクを提案する。
論文参考訳（メタデータ） (2020-03-23T21:17:42Z)

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。