論文の概要: DeFiGuard: A Price Manipulation Detection Service in DeFi using Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2406.11157v1
- Date: Mon, 17 Jun 2024 02:51:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-18 18:43:55.311088
- Title: DeFiGuard: A Price Manipulation Detection Service in DeFi using Graph Neural Networks
- Title（参考訳）: DeFiGuard: グラフニューラルネットワークを用いたDeFiの価格操作検出サービス
- Authors: Dabao Wang, Bang Wu, Xingliang Yuan, Lei Wu, Yajin Zhou, Helei Cui,
- Abstract要約: 本稿では,グラフニューラルネットワーク(GNN)を用いた新しい検出サービスDeFiGuardを紹介する。
DeFiGuardはトランザクション解析、グラフ構築、モデルトレーニング、PMA検出を統合している。
GNNモデルを用いたDeFiGuardは、精度、TPR、FPR、AUC-ROCのベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 20.373624767892302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The prosperity of Decentralized Finance (DeFi) unveils underlying risks, with reported losses surpassing 3.2 billion USD between 2018 and 2022 due to vulnerabilities in Decentralized Applications (DApps). One significant threat is the Price Manipulation Attack (PMA) that alters asset prices during transaction execution. As a result, PMA accounts for over 50 million USD in losses. To address the urgent need for efficient PMA detection, this paper introduces a novel detection service, DeFiGuard, using Graph Neural Networks (GNNs). In this paper, we propose cash flow graphs with four distinct features, which capture the trading behaviors from transactions. Moreover, DeFiGuard integrates transaction parsing, graph construction, model training, and PMA detection. Evaluations on a dataset of 208 PMA and 2,080 non-PMA transactions show that DeFiGuard with GNN models outperforms the baseline in Accuracy, TPR, FPR, and AUC-ROC. The results of ablation studies suggest that the combination of the four proposed node features enhances DeFiGuard's efficacy. Moreover, DeFiGuard classifies transactions within 0.892 to 5.317 seconds, which provides sufficient time for the victims (DApps and users) to take action to rescue their vulnerable funds. In conclusion, this research offers a significant step towards safeguarding the DeFi landscape from PMAs using GNNs.
- Abstract（参考訳）: 分散ファイナンス(DeFi)の繁栄は、2018年から2022年にかけて、分散アプリケーション(DApps)の脆弱性により、損失が320億米ドルを超えたという、基本的なリスクを明らかにしている。
重要な脅威の1つは、取引実行中に資産価格を変更する価格操作攻撃(PMA)である。
その結果、PMAは5000万USドル以上の損失を計上した。
本稿では,グラフニューラルネットワーク(GNN)を用いた新しい検出サービスであるDeFiGuardを紹介する。
本稿では4つの特徴を持つキャッシュフローグラフを提案する。
さらに、DeFiGuardはトランザクション解析、グラフ構築、モデルトレーニング、PMA検出を統合している。
208のPMAと2,080の非PMAトランザクションのデータセットの評価によると、GNNモデルによるDeFiGuardは、精度、TPR、FPR、AUC-ROCのベースラインを上回っている。
アブレーション研究の結果,提案した4つのノード特徴の組み合わせがDeFiGuardの有効性を高めることが示唆された。
さらに、DeFiGuardは0.892秒から5.317秒以内にトランザクションを分類し、被害者(DAppsやユーザー)が脆弱な資金を救うために行動を起こすのに十分な時間を提供している。
結論として、本研究は、GNNを用いてPMAからDeFiランドスケープを保護するための重要なステップを提供する。
関連論文リスト
- A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。
推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。
アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
論文 参考訳（メタデータ） (2025-02-18T22:07:36Z) - DeFiScope: Detecting Various DeFi Price Manipulations with LLM Reasoning [13.536828549768858]
我々は、最初のLCMベースのアプローチであるDeFiScopeを導入し、DeFi価格操作攻撃を検出する。
DeFiScopeは高い精度の96%、リコールレートの80%を達成し、SOTAのアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2025-02-17T07:45:03Z) - Large Multimodal Agents for Accurate Phishing Detection with Enhanced Token Optimization and Cost Reduction [2.8161155726745237]
本稿では,大規模なマルチモーダルエージェント,特に Gemini 1.5 Flash と GPT-4o mini を用いて,API によるURLと Web ページのスクリーンショットの解析を行う。
1つのエージェントがURLを評価し、2つめのエージェントがURLとスクリーンショットの両方を評価する。
コスト分析によれば、エージェントアプローチでは、GPT-4o miniはマルチモーダルアプローチの約4.2倍のWebサイトを100ドルあたり処理できる。
論文 参考訳（メタデータ） (2024-12-03T09:13:52Z) - Graph Network Models To Detect Illicit Transactions In Block Chain [0.0]
暗号通貨は マネーロンダリングのような違法な活動を 増加させています
残差ネットワーク型アーキテクチャ(GAT-ResNet)を用いたグラフアテンションネットワークの適用により,この問題に対処する新しい手法を提案する。
以上の結果から,GAT-ResNetモデルが既存のグラフネットワークモデルよりも精度,信頼性,スケーラビリティに優れる可能性が示唆された。
論文 参考訳（メタデータ） (2024-09-23T04:38:44Z) - DeFiTail: DeFi Protocol Inspection through Cross-Contract Execution Analysis [4.891180928768215]
DeFi(Decentralized Finance)プロトコルは、ブロックチェーン上に開発された暗号通貨で、デジタル資産を管理する。
本稿では,DeFiTailを提案する。DeFiTailは,ディープラーニングを利用してアクセス制御とフラッシュローンのエクスプロイトを検出する最初のフレームワークである。
DeFiTailは98.39%のアクセス制御、97.43%のフラッシュローンのエクスプロイトを達成している。
論文 参考訳（メタデータ） (2024-05-17T18:14:19Z) - Supervised Autoencoder MLP for Financial Time Series Forecasting [0.0]
この調査は2010年1月1日から2022年4月30日までの取引資産としてS&P500指数、EUR/USD、BTC/USDに焦点を当てている。
具体的には、シャープとインフォメーション比を用いて、ノイズ増大と三重障壁ラベルがリスク調整されたリターンに与える影響を具体的に調べる。
その結果、教師付きオートエンコーダは、バランスの取れたノイズ増大とボトルネックサイズにより、戦略の有効性を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2024-04-02T11:44:37Z) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳（メタデータ） (2023-10-02T12:33:28Z) - 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) - G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks
through Attributed Client Graph Clustering [116.4277292854053]
Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。
FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。
本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:15:04Z) - 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) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z)
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。