論文の概要: DeFiScope: Detecting Various DeFi Price Manipulations with LLM Reasoning

• arxiv url: http://arxiv.org/abs/2502.11521v1
• Date: Mon, 17 Feb 2025 07:45:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:13:30.672681
• Title: DeFiScope: Detecting Various DeFi Price Manipulations with LLM Reasoning
• Title（参考訳）: DeFiScope:LLM推論による各種DeFi価格操作の検出
• Authors: Juantao Zhong, Daoyuan Wu, Ye Liu, Maoyi Xie, Yang Liu, Yi Li, Ning Liu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.536828549768858
• License:
• Abstract: DeFi (Decentralized Finance) is one of the most important applications of today's cryptocurrencies and smart contracts. It manages hundreds of billions in Total Value Locked (TVL) on-chain, yet it remains susceptible to common DeFi price manipulation attacks. Despite state-of-the-art (SOTA) systems like DeFiRanger and DeFort, we found that they are less effective to non-standard price models in custom DeFi protocols, which account for 44.2% of the 95 DeFi price manipulation attacks reported over the past three years. In this paper, we introduce the first LLM-based approach, DeFiScope, for detecting DeFi price manipulation attacks in both standard and custom price models. Our insight is that large language models (LLMs) have certain intelligence to abstract price calculation from code and infer the trend of token price changes based on the extracted price models. To further strengthen LLMs in this aspect, we leverage Foundry to synthesize on-chain data and use it to fine-tune a DeFi price-specific LLM. Together with the high-level DeFi operations recovered from low-level transaction data, DeFiScope detects various DeFi price manipulations according to systematically mined patterns. Experimental results show that DeFiScope achieves a high precision of 96% and a recall rate of 80%, significantly outperforming SOTA approaches. Moreover, we evaluate DeFiScope's cost-effectiveness and demonstrate its practicality by helping our industry partner confirm 147 real-world price manipulation attacks, including discovering 81 previously unknown historical incidents.
• Abstract（参考訳）: DeFi(Decentralized Finance)は、今日の暗号通貨とスマートコントラクトの最も重要な応用の1つである。 数十億のTotal Value Locked(TVL)をチェーン上で管理しているが、DeFiの価格操作の一般的な攻撃の影響を受けない。 DeFiRangerやDeFortのような最先端(SOTA)システムにもかかわらず、カスタムDeFiプロトコルの非標準価格モデルでは効果が低く、過去3年間で報告された95の価格操作攻撃の44.2%を占めていた。 本稿では、標準価格モデルとカスタム価格モデルの両方において、DeFi価格操作攻撃を検出するための最初のLCMベースのアプローチであるDeFiScopeを紹介する。 我々の洞察では、大規模言語モデル(LLM)は、コードから価格計算を抽象化し、抽出された価格モデルに基づいてトークン価格の変化の傾向を推測する知性を持っている。 この点において LLM をさらに強化するため,Foundry を利用してオンチェーンデータを合成し,DeFi 価格固有の LLM を微調整する。 低レベルのトランザクションデータから回収された高レベルのDeFi操作とともに、DeFiScopeは体系的なマイニングパターンに従ってさまざまなDeFi価格操作を検出する。 実験結果から,DeFiScopeの精度は96%,リコール率は80%であり,SOTAのアプローチよりも優れていた。 さらに,DeFiScopeの費用対効果を評価し,業界パートナーによる81件の歴史的事件の発見を含む147件の現実的な価格操作攻撃の確認を支援することで,その実用性を実証した。

関連論文リスト

• Ormer: A Manipulation-resistant and Gas-efficient Blockchain Pricing Oracle for DeFi [9.920027665004971]
  現在、算術平均時間重み付き平均価格(TWAP)オーラクルは、プロトコルの実行に信頼性がありガス効率の高い固定時間フレームで外部価格データを平均化することで、DeFiにおいて広く使用されている。 本稿では,一括パラボリック式に基づいて,現在のストリーミング資産価格の中央値の予測を抑える新しいオンチェーンガス効率価格アルゴリズム(Ormer)を提案する。 評価の結果,Ormerは平均絶対価格誤差を15.3%,時間遅延を49.3%削減した。
  論文  参考訳（メタデータ） (2024-10-10T13:18:00Z)
• DeFiGuard: A Price Manipulation Detection Service in DeFi using Graph Neural Networks [20.373624767892302]
  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。
  論文  参考訳（メタデータ） (2024-06-17T02:51:18Z)
• Advancing Anomaly Detection: Non-Semantic Financial Data Encoding with LLMs [49.57641083688934]
  本稿では,Large Language Models (LLM) 埋め込みを用いた財務データにおける異常検出の新しい手法を提案する。 実験により,LLMが異常検出に有用な情報をもたらし,モデルがベースラインを上回っていることが確認された。
  論文  参考訳（メタデータ） (2024-06-05T20:19:09Z)
• 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)
• Data-Free Hard-Label Robustness Stealing Attack [67.41281050467889]
  本稿では,Data-Free Hard-Label Robustness Stealing(DFHL-RS)攻撃について紹介する。 ターゲットモデルのハードラベルをクエリするだけで、モデル精度とロバスト性の両方を盗むことができる。 本手法は,AutoAttackに対して77.86%,頑健な39.51%の精度を実現する。
  論文  参考訳（メタデータ） (2023-12-10T16:14:02Z)
• 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)
• Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
  分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。 最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。 我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T04:34:54Z)
• 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)
• 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)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with Lazy Clients [124.48732110742623]
  フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。 BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。 遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
  論文  参考訳（メタデータ） (2020-12-02T12:18:27Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)

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。