論文の概要: Towards Effective Detection of Ponzi schemes on Ethereum with Contract Runtime Behavior Graph
- arxiv url: http://arxiv.org/abs/2406.00921v1
- Date: Mon, 3 Jun 2024 01:17:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 02:47:03.193706
- Title: Towards Effective Detection of Ponzi schemes on Ethereum with Contract Runtime Behavior Graph
- Title（参考訳）: コントラクトランタイムビヘイビアグラフを用いたEthereum上のPonziスキームの有効検出に向けて
- Authors: Ruichao Liang, Jing Chen, Cong Wu, Kun He, Yueming Wu, Weisong Sun, Ruiying Du, Qingchuan Zhao, Yang Liu,
- Abstract要約: 詐欺の一種であるポンツィスキームは、近年スマートコントラクトで発見され、巨額の損失をもたらした。
既存の検出手法は主にルールベースのアプローチと機械学習技術に焦点を当てている。
PonziGuardは,契約実行時の動作に基づく効率的なPonzi検出手法である。
- 参考スコア（独自算出の注目度）: 17.79695486585971
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ponzi schemes, a form of scam, have been discovered in Ethereum smart contracts in recent years, causing massive financial losses. Existing detection methods primarily focus on rule-based approaches and machine learning techniques that utilize static information as features. However, these methods have significant limitations. Rule-based approaches rely on pre-defined rules with limited capabilities and domain knowledge dependency. Using static information like opcodes for machine learning fails to effectively characterize Ponzi contracts, resulting in poor reliability and interpretability. Moreover, relying on static information like transactions for machine learning requires a certain number of transactions to achieve detection, which limits the scalability of detection and hinders the identification of 0-day Ponzi schemes. In this paper, we propose PonziGuard, an efficient Ponzi scheme detection approach based on contract runtime behavior. Inspired by the observation that a contract's runtime behavior is more effective in disguising Ponzi contracts from the innocent contracts, PonziGuard establishes a comprehensive graph representation called contract runtime behavior graph (CRBG), to accurately depict the behavior of Ponzi contracts. Furthermore, it formulates the detection process as a graph classification task on CRBG, enhancing its overall effectiveness. The experiment results show that PonziGuard surpasses the current state-of-the-art approaches in the ground-truth dataset. We applied PonziGuard to Ethereum Mainnet and demonstrated its effectiveness in real-world scenarios. Using PonziGuard, we identified 805 Ponzi contracts on Ethereum Mainnet, which have resulted in an estimated economic loss of 281,700 Ether or approximately $500 million USD. We also found 0-day Ponzi schemes in the recently deployed 10,000 smart contracts.
- Abstract（参考訳）: 詐欺の一種であるPonziスキームは、近年Ethereumスマートコントラクトで発見されており、巨額の損失をもたらしている。
既存の検出方法は、主に静的情報を特徴として利用するルールベースのアプローチと機械学習技術に焦点を当てている。
しかし、これらの手法には大きな制限がある。
ルールベースのアプローチは、限られた機能とドメイン知識に依存した事前定義されたルールに依存します。
マシンラーニングにオプコードのような静的情報を使用することで、Ponziコントラクトを効果的に特徴付けることができなくなり、信頼性と解釈性が低下する。
さらに、機械学習のためのトランザクションのような静的情報に依存するには、検出を実現するために一定の数のトランザクションが必要になるため、検出のスケーラビリティが制限され、0日のPonziスキームの識別が妨げられる。
本稿では,契約実行時の動作に基づく効率的なPonziスキーム検出手法であるPonziGuardを提案する。
PonziGuard氏は、契約のランタイム動作が、無実のコントラクトからPonziコントラクトを分離する上でより効果的であるという観察に触発されて、契約ランタイム動作グラフ(CRBG)と呼ばれる包括的なグラフ表現を確立し、Ponziコントラクトの振る舞いを正確に表現する。
さらに、CRBG上のグラフ分類タスクとして検出プロセスを定式化し、全体的な効果を高める。
実験の結果、PonziGuardは、地上の真実のデータセットにおける現在の最先端のアプローチを超越していることがわかった。
我々はPonziGuardをEthereum Mainnetに適用し、実世界のシナリオでその効果を実証した。
PonziGuardを使ってEthereum Mainnet上の805のPonzi契約を特定しました。
また、最近デプロイされた1万のスマートコントラクトにおいて、0日間のPonziスキームも見つけました。
関連論文リスト
- Semantic Sleuth: Identifying Ponzi Contracts via Large Language Models [10.770371122781956]
PonziSleuthは、Ponziスマートコントラクトを検出する最初のLCM駆動のアプローチである。
大規模なデータ要求なしに、同等で、しばしば優れたパフォーマンスを提供する。
実世界検出において、PonziSleuthは2024年3月にEtherscanによって承認された4,597件の契約から15件の新しいポンツィ計画の特定に成功した。
論文 参考訳（メタデータ） (2024-11-12T02:54:59Z) - Vulnerability Scanners for Ethereum Smart Contracts: A Large-Scale Study [44.25093111430751]
2023年だけでも、そのような脆弱性は数十億ドルを超える巨額の損失をもたらした。
スマートコントラクトの脆弱性を検出し、軽減するために、さまざまなツールが開発されている。
本研究では,既存のセキュリティスキャナの有効性と,現在も継続している脆弱性とのギャップについて検討する。
論文 参考訳（メタデータ） (2023-12-27T11:26:26Z) - Improving the Accuracy of Transaction-Based Ponzi Detection on Ethereum [13.233535179219633]
昔ながらの詐欺であるPonziスキームが、ブロックチェーンで人気になった。
ほとんどのPonzi検出方法は、そのスマートコントラクトソースコードに基づいてPonziスキームを検出する。
我々は、マシンラーニングアルゴリズムが最大30%高いF1スコアを達成することができる85の新機能(22のアカウントベース、63の新しい時系列機能)を提案する。
論文 参考訳（メタデータ） (2023-08-31T01:54:31Z) - 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) - SourceP: Detecting Ponzi Schemes on Ethereum with Source Code [0.5898893619901381]
SourcePは、事前訓練されたモデルとデータフローを使用して、プラットフォーム上のスマートPonziスキームを検出する方法である。
まず、スマートコントラクトのソースコードをデータフローグラフに変換し、学習コード表現に基づく事前学習モデルを導入し、分類モデルを構築する。
実験の結果、SourcePは87.2%のリコールと90.7%のFスコアを達成し、スマートPonziスキームを検出した。
論文 参考訳（メタデータ） (2023-06-02T16:40:42Z) - 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) - Data-driven Smart Ponzi Scheme Detection [11.467476506780969]
スマートPonziスキームは、スマートコントラクトアカウントと暗号通貨を使用してPonziスキームを実装する、新しいタイプの経済犯罪である。
本稿では,データ駆動型スマートPonziスキーム検出システムを提案する。
従来の手法と比較して、提案システムは非常に限定的な人間とコンピュータの相互作用を必要とする。
論文 参考訳（メタデータ） (2021-08-20T07:45:36Z) - Smart Contract Vulnerability Detection: From Pure Neural Network to
Interpretable Graph Feature and Expert Pattern Fusion [48.744359070088166]
従来のスマートコントラクトの脆弱性検出方法は、専門家の規則に大きく依存している。
最近のディープラーニングアプローチはこの問題を軽減するが、有用な専門家の知識をエンコードすることができない。
ソースコードから専門家パターンを抽出する自動ツールを開発する。
次に、深いグラフの特徴を抽出するために、コードをセマンティックグラフにキャストします。
論文 参考訳（メタデータ） (2021-06-17T07:12:13Z) - 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) - Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。
さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。
実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
論文 参考訳（メタデータ） (2020-09-17T17:59:27Z)
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。