論文の概要: RPHunter: Unveiling Rug Pull Schemes in Crypto Token via Code-and-Transaction Fusion Analysis

• arxiv url: http://arxiv.org/abs/2506.18398v2
• Date: Sun, 29 Jun 2025 09:39:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 13:01:42.698107
• Title: RPHunter: Unveiling Rug Pull Schemes in Crypto Token via Code-and-Transaction Fusion Analysis
• Title（参考訳）: RPHunter:コード・アンド・トランザクション・フュージョン分析による暗号トークンのラグプルスキームの公開
• Authors: Hao Wu, Haijun Wang, Shangwang Li, Yin Wu, Ming Fan, Wuxia Jin, Yitao Zhao, Ting Liu,
• Abstract要約: Rug Pullの詐欺は暗号通貨に対する永続的な脅威として浮上している。 現在の方法は、コードリスクを検出するために事前に定義されたパターンに依存するか、統計的トランザクションデータを使用して検出モデルをトレーニングする。 我々は,RPHunterを提案する。RPHunterは,ラグプル検出のためのコードとトランザクションを統合する新しい手法である。
• 参考スコア（独自算出の注目度）: 16.92219039117235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rug pull scams have emerged as a persistent threat to cryptocurrency, causing significant financial losses. A typical scenario involves scammers deploying honeypot contracts to attract investments, restricting token sales, and draining the funds, which leaves investors with worthless tokens. Current methods either rely on predefined patterns to detect code risks or utilize statistical transaction data to train detection models. However, real-world Rug Pull schemes often involve a complex interplay between malicious code and suspicious transaction behaviors. These methods, which solely focus on one aspect, fall short in detecting such schemes effectively. In this paper, we propose RPHunter, a novel technique that integrates code and transaction for Rug Pull detection. First, RPHunter establishes declarative rules and performs flow analysis to extract code risk information, further constructing a semantic risk code graph (SRCG). Meanwhile, to leverage transaction information, RPHunter formulates dynamic token transaction activities as a token flow behavior graph (TFBG) in which nodes and edges are characterized from network structure and market manipulation perspectives. Finally, RPHunter employs graph neural networks to extract complementary features from SRCG and TFBG, integrating them through an attention fusion model to enhance the detection of Rug Pull. We manually analyzed 645 Rug Pull incidents from code and transaction aspects and constructed a ground-truth dataset. We evaluated RPHunter on our dataset, achieving a precision of 95.3%, a recall of 93.8% and an F1 score of 94.5%, which highlights superior performance compared to existing methods. Furthermore, when applied to the real-world scenarios, RPHunter has identified 4801 Rug Pull tokens, achieving a precision of 90.7%.
• Abstract（参考訳）: ラッシュプル詐欺は暗号通貨に対する永続的な脅威として現れ、大きな損失をもたらした。 典型的なシナリオは、投資を引き付けるためにハニーポット契約をまき散らし、トークンの販売を制限し、投資家に価値のないトークンを残させる資金を排水することである。 現在の方法は、コードリスクを検出するために事前に定義されたパターンに依存するか、統計的トランザクションデータを使用して検出モデルをトレーニングする。 しかし、現実世界のRug Pullスキームは、悪意のあるコードと不審なトランザクション行動の間の複雑な相互作用を伴うことが多い。 一つの側面にのみ焦点をあてるこれらの手法は、そのようなスキームを効果的に検出するには不十分である。 本稿では,ラグプル検出のためのコードとトランザクションを統合する新しい手法であるRPHunterを提案する。 まず、RPHunterは宣言的ルールを確立し、フロー分析を行い、コードリスク情報を抽出し、さらにセマンティックリスクコードグラフ(SRCG)を構築する。 一方、RPHunterは、トランザクション情報を活用するために、ノードとエッジがネットワーク構造と市場操作の観点から特徴付けられるトークンフロー行動グラフ(TFBG)として、動的トークントランザクションアクティビティを定式化する。 最後に、RPHunterはグラフニューラルネットワークを使用して、SRCGとTFBGから補完的な特徴を抽出し、アテンション融合モデルを通じてそれらを統合して、ラグビープルの検出を強化する。 コードとトランザクションの面から645のRug Pullインシデントを手動で分析し、基幹のデータセットを構築しました。 我々はRPHunterをデータセット上で評価し、95.3%の精度、93.8%のリコール、94.5%のF1スコアを達成した。 さらに、実世界のシナリオに適用すると、RPHunterは4801のラグビープルトークンを特定し、90.7%の精度を達成した。

関連論文リスト

• Efficient Blockchain-based Steganography via Backcalculating Generative Adversarial Network [105.47203971578871]
  汎用ブロックチェーンベースのステガノグラフィーフレームワーク(GBSF)を提案する。 送信者は、追加の隠蔽データを埋め込んでチャネル容量を高めるために、量や手数料などの必要なフィールドを生成する。 GBSFに基づいて, 可逆的生成逆ネットワーク(R-GAN)を設計する。 対数直観的データ前処理とカスタムアクティベーション機能を備えたR-GAN,すなわちCCR-GANを提案する。
  論文  参考訳（メタデータ） (2025-06-19T04:43:41Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• CRPWarner: Warning the Risk of Contract-related Rug Pull in DeFi Smart Contracts [30.68899693638844]
  ラグビープルは「ラグビープル」詐欺の最も悪名高い例の1つである。 ラグビープルのイベントは、既に大きな財政的損失をもたらしている。 ルーグプルイベントの解析に基づいて、スマートコントラクトにおける悪意のある関数を識別するCRPWarnerを提案する。
  論文  参考訳（メタデータ） (2024-03-03T07:48:38Z)
• Securing Transactions: A Hybrid Dependable Ensemble Machine Learning Model using IHT-LR and Grid Search [2.4374097382908477]
  本稿では,複数のアルゴリズムをインテリジェントに組み合わせて不正識別を強化する,最先端のハイブリッドアンサンブル(ENS)機械学習(ML)モデルを提案する。 実験は,284,807件の取引からなる公開クレジットカードデータセットを用いて実施した。 提案したモデルは、99.66%、99.73%、98.56%、99.79%の精度で、それぞれDT、RF、KNN、ENSモデルに完全100%の精度を実現している。
  論文  参考訳（メタデータ） (2024-02-22T09:01:42Z)
• Zero-Shot Detection of Machine-Generated Codes [83.0342513054389]
  本研究は,LLMの生成したコードを検出するためのトレーニング不要な手法を提案する。 既存のトレーニングベースまたはゼロショットテキスト検出装置は、コード検出に効果がないことがわかった。 本手法は,リビジョン攻撃に対する堅牢性を示し,Javaコードによく適応する。
  論文  参考訳（メタデータ） (2023-10-08T10:08:21Z)
• 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)
• Effective Illicit Account Detection on Large Cryptocurrency MultiGraphs [16.25273745598176]
  暗号通貨関連の不正行為の増加は、ユーザーにとって大きな損失をもたらした。 現在の検出方法は、主に機能工学に依存しているか、あるいは暗号取引ネットワーク内の複雑な情報を活用するのに不十分である。 本稿では,有意なエッジを持つ有向多重グラフによってモデル化された暗号取引ネットワークにおける不正なアカウントを検出する効果的な方法であるDIAMを提案する。
  論文  参考訳（メタデータ） (2023-09-04T09:01:56Z)
• 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)
• 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)
• Do not rug on me: Zero-dimensional Scam Detection [0.0]
  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。
  論文  参考訳（メタデータ） (2022-01-16T16:22:43Z)
• 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)

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。