論文の概要: SoK: Comprehensive Analysis of Rug Pull Causes, Datasets, and Detection Tools in DeFi
- arxiv url: http://arxiv.org/abs/2403.16082v1
- Date: Sun, 24 Mar 2024 10:24:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-26 17:35:43.036442
- Title: SoK: Comprehensive Analysis of Rug Pull Causes, Datasets, and Detection Tools in DeFi
- Title(参考訳): SoK:DeFiにおけるラグビープル原因・データセット・検出ツールの総合的分析
- Authors: Dianxiang Sun, Wei Ma, Liming Nie, Yang Liu,
- Abstract要約: ルーグプルは暗号通貨エコシステムに重大な脅威をもたらし、実質的な金融損失をもたらし、分散金融(DeFi)プロジェクトへの信頼を損なう。
新しいラグプルパターンの出現に伴い、ラグプルの研究は状態から外れている。
我々は,34の根本原因を包含する分類を提示し,業界ソースから着想を得た6つの新しいカテゴリを紹介した: 燃える,隠された所有者,所有権の移転,不確定契約,外部呼び出し,偽LPロック。
- 参考スコア(独自算出の注目度): 14.172486637733797
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rug pulls pose a grave threat to the cryptocurrency ecosystem, leading to substantial financial loss and undermining trust in decentralized finance (DeFi) projects. With the emergence of new rug pull patterns, research on rug pull is out of state. To fill this gap, we first conducted an extensive analysis of the literature review, encompassing both scholarly and industry sources. By examining existing academic articles and industrial discussions on rug pull projects, we present a taxonomy inclusive of 34 root causes, introducing six new categories inspired by industry sources: burn, hidden owner, ownership transfer, unverified contract, external call, and fake LP lock. Based on the developed taxonomy, we evaluated current rug pull datasets and explored the effectiveness and limitations of existing detection mechanisms. Our evaluation indicates that the existing datasets, which document 2,448 instances, address only 7 of the 34 root causes, amounting to a mere 20% coverage. It indicates that existing open-source datasets need to be improved to study rug pulls. In response, we have constructed a more comprehensive dataset containing 2,360 instances, expanding the coverage to 54% with the best effort. In addition, the examination of 14 detection tools showed that they can identify 25 of the 34 root causes, achieving a coverage of 73.5%. There are nine root causes (Fake LP Lock, Hidden Fee, and Destroy Token, Fake Money Transfer, Ownership Transfer, Liquidity Pool Block, Freeze Account, Wash-Trading, Hedge) that the existing tools cannot cover. Our work indicates that there is a significant gap between current research and detection tools, and the actual situation of rug pulls.
- Abstract(参考訳): ルーグプルは暗号通貨エコシステムに重大な脅威をもたらし、実質的な金融損失をもたらし、分散金融(DeFi)プロジェクトへの信頼を損なう。
新しいラグプルパターンの出現に伴い、ラグプルの研究は状態から外れている。
このギャップを埋めるために,我々はまず,学術資料と産業資料の両方を含む文献レビューの広範な分析を行った。
既存の学術論文やルーグプルプロジェクトに関する産業議論を通じて,34の根本原因を包含する分類を提示し,業界ソースから着想を得た6つの新しいカテゴリー,すなわち,バーン,隠れ所有者,所有権移転,不検証契約,外部呼び出し,偽LPロックを紹介した。
本研究は,現生のラグプルデータセットを解析し,既存の検出機構の有効性と限界について検討した。
評価の結果、既存のデータセットは2,448のインスタンスで、34のルート原因のうち7つにしか対応せず、たった20%のカバレッジしかありません。
これは、ルーグプルを研究するために、既存のオープンソースデータセットを改善する必要があることを示している。
これに対し、我々は2360のインスタンスを含むより包括的なデータセットを構築し、ベストな努力でカバー範囲を54%に拡大しました。
さらに、14の検出ツールを検査した結果、34の根本原因のうち25が特定でき、73.5%のカバレッジを達成できた。
9つの根本原因(Fake LP Lock, Hidden Fee, Destroy Token, Fake Money Transfer, Ownership Transfer, Liquidity Pool Block, Freeze Account, Wash-Trading, Hedge)は、既存のツールではカバーできない。
我々の研究は、現在の調査ツールと検出ツールの間には大きなギャップがあることと、ラグプルの実際の状況があることを示唆している。
関連論文リスト
- Fact Checking Beyond Training Set [64.88575826304024]
本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。
本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。
次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
論文 参考訳(メタデータ) (2024-03-27T15:15:14Z) - Exposing the Deception: Uncovering More Forgery Clues for Deepfake
Detection [36.92399832886853]
現在のディープフェイク検出アプローチは、一箇所または数箇所の偽の手がかりにのみ焦点を絞って、オーバーフィッティングの罠に陥る可能性がある。
本稿では,複数の重複しない局所表現を抽出し,それらをグローバルな意味豊かな特徴に融合することにより,より広範な偽の手がかりを捉える新しい枠組みを提案する。
提案手法は,5つのベンチマークデータセット上での最先端性能を実現する。
論文 参考訳(メタデータ) (2024-03-04T07:28:23Z) - SEPSIS: I Can Catch Your Lies -- A New Paradigm for Deception Detection [9.20397189600732]
本研究は, 心理学のレンズを通して, 騙しの問題を探究するものである。
そこで本研究では,NLP技術を利用した偽造検出のための新しいフレームワークを提案する。
我々は、微調整言語モデルのデータレスマージを利用した、新しいマルチタスク学習パイプラインを提案する。
論文 参考訳(メタデータ) (2023-12-01T02:13:25Z) - A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual
Learning [76.47138162283714]
蓄積とは、以前取得した情報や知識の喪失または劣化を指す。
フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
調査では、忘れることは二重刃の剣であり、ある場合には有益で望ましいと論じている。
論文 参考訳(メタデータ) (2023-07-16T16:27:58Z) - Untargeted Backdoor Watermark: Towards Harmless and Stealthy Dataset
Copyright Protection [69.59980270078067]
我々は,異常なモデル行動が決定論的でない,未目標のバックドア透かし方式を探索する。
また、提案した未ターゲットのバックドア透かしをデータセットのオーナシップ検証に利用する方法について論じる。
論文 参考訳(メタデータ) (2022-09-27T12:56:56Z) - Black-box Dataset Ownership Verification via Backdoor Watermarking [67.69308278379957]
我々は、リリースデータセットの保護を、(目立たしい)サードパーティモデルのトレーニングに採用されているかどうかの検証として定式化する。
バックドアの透かしを通じて外部パターンを埋め込んでオーナシップの検証を行い,保護することを提案する。
具体的には、有毒なバックドア攻撃(例えばBadNets)をデータセットのウォーターマーキングに利用し、データセット検証のための仮説テストガイダンスメソッドを設計する。
論文 参考訳(メタデータ) (2022-08-04T05:32:20Z) - Rumor Detection with Self-supervised Learning on Texts and Social Graph [101.94546286960642]
異種情報ソース上での自己教師型学習を対照的に提案し,それらの関係を明らかにするとともに,噂をよりよく特徴付ける。
我々はこの枠組みをSRD(Self-supervised Rumor Detection)と呼ぶ。
3つの実世界のデータセットに対する大規模な実験により、ソーシャルメディア上での噂の自動検出におけるSRDの有効性が検証された。
論文 参考訳(メタデータ) (2022-04-19T12:10:03Z) - DeepTrust: A Reliable Financial Knowledge Retrieval Framework For
Explaining Extreme Pricing Anomalies [0.0]
DeepTrustは、Twitter上の信頼できる金融知識検索フレームワークで、極端な価格変動を高速で説明する。
提案するフレームワークは,異常検出,情報検索,信頼性評価のための3つのモジュールから構成される。
このフレームワークは2021年4月29日と30日の2つの自己注釈付き金融異常、すなわちTwitterとFacebookの株価で評価されている。
論文 参考訳(メタデータ) (2022-03-11T06:29:22Z) - HoVer: A Dataset for Many-Hop Fact Extraction And Claim Verification [74.66819506353086]
HoVerはマルチホップエビデンス抽出と事実検証のためのデータセットである。
クレームに関連するいくつかのウィキペディア記事から事実を抽出するモデルに挑戦する。
3/4ホップのクレームのほとんどは複数の文で書かれており、長距離依存関係を理解する複雑さが増している。
論文 参考訳(メタデータ) (2020-11-05T20:33:11Z)
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。