論文の概要: On-Chain Decentralized Learning and Cost-Effective Inference for DeFi Attack Mitigation

• arxiv url: http://arxiv.org/abs/2510.16024v1
• Date: Wed, 15 Oct 2025 18:58:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.782051
• Title: On-Chain Decentralized Learning and Cost-Effective Inference for DeFi Attack Mitigation
• Title（参考訳）: DeFi攻撃軽減のためのオンチェーン分散学習とコスト効果推論
• Authors: Abdulrahman Alhaidari, Balaji Palanisamy, Prashant Krishnamurthy,
• Abstract要約: DeFiプラットフォームでは、ビジネスロジックや会計上の脆弱性を利用したトランザクションによって、毎年数十億ドルが失われている。 i) コスト削減のためにLayer-2上でガス禁止計算を行い、(ii) 検証済みのモデル更新をLayer-1に伝達し、(iii) スマートコントラクト内でガス境界付き低遅延推論を可能にする。
• 参考スコア（独自算出の注目度）: 4.37137147573556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Billions of dollars are lost every year in DeFi platforms by transactions exploiting business logic or accounting vulnerabilities. Existing defenses focus on static code analysis, public mempool screening, attacker contract detection, or trusted off-chain monitors, none of which prevents exploits submitted through private relays or malicious contracts that execute within the same block. We present the first decentralized, fully on-chain learning framework that: (i) performs gas-prohibitive computation on Layer-2 to reduce cost, (ii) propagates verified model updates to Layer-1, and (iii) enables gas-bounded, low-latency inference inside smart contracts. A novel Proof-of-Improvement (PoIm) protocol governs the training process and verifies each decentralized micro update as a self-verifying training transaction. Updates are accepted by \textit{PoIm} only if they demonstrably improve at least one core metric (e.g., accuracy, F1-score, precision, or recall) on a public benchmark without degrading any of the other core metrics, while adversarial proposals get financially penalized through an adaptable test set for evolving threats. We develop quantization and loop-unrolling techniques that enable inference for logistic regression, SVM, MLPs, CNNs, and gated RNNs (with support for formally verified decision tree inference) within the Ethereum block gas limit, while remaining bit-exact to their off-chain counterparts, formally proven in Z3. We curate 298 unique real-world exploits (2020 - 2025) with 402 exploit transactions across eight EVM chains, collectively responsible for \$3.74 B in losses.
• Abstract（参考訳）: DeFiプラットフォームでは、ビジネスロジックや会計上の脆弱性を利用したトランザクションによって、毎年数十億ドルが失われている。 既存の防御は、静的コード分析、パブリックメムプールスクリーニング、アタッカー契約検出、信頼されたオフチェーンモニタに重点を置いており、いずれも同一ブロック内で実行されるプライベートリレーや悪意のあるコントラクトによるエクスプロイトを防止していない。 私たちは、最初に分散化された、完全なオンチェーンの学習フレームワークを提示します。 i) コスト削減のため、Layer-2上でガス禁止計算を行う。 (ii) 検証済みのモデル更新をLayer-1に伝達し、 (iii)スマートコントラクト内でガス結合型低遅延推論を可能にする。 新たなProof-of-Improvement(PoIm)プロトコルは、トレーニングプロセスを管理し、各分散化されたマイクロ更新を自己検証トレーニングトランザクションとして検証する。 更新は、少なくとも1つのコアメトリック(例えば、精度、F1スコア、精度、リコール)を、他のコアメトリックを損なうことなく、公的なベンチマークで明示的に改善した場合のみ、textit{PoIm}によって受け入れられる。 我々は、Ethereumブロックガス限界内において、ロジスティック回帰、SVM、MPP、CNN、ゲートRNN(正式には決定木推論をサポートする)の推論を可能にする量子化およびループアンロール技術を開発し、Z3で正式に証明されたオフチェーンガスのビットエクササイズを継続する。 私たちは8つのEVMチェーンにわたる402のエクスプロイトトランザクションで298のユニークな実世界のエクスプロイト(2020年-2025年)をキュレートします。

関連論文リスト

• R-Stitch: Dynamic Trajectory Stitching for Efficient Reasoning [80.104336426172]
  CoT(Chain-of- Thought)は、大規模言語モデルの問題解決能力を高める。 CoTは長い自己回帰軌道のためにかなりの推論コストを発生させる。 トレーニング不要なハイブリッドデコーディングフレームワークであるR-Stitchを紹介する。
  論文  参考訳（メタデータ） (2025-07-23T08:14:36Z)
• Decompiling Smart Contracts with a Large Language Model [51.49197239479266]
  Etherscanの78,047,845のスマートコントラクトがデプロイされているにも関わらず(2025年5月26日現在)、わずか767,520 (1%)がオープンソースである。 この不透明さは、オンチェーンスマートコントラクトバイトコードの自動意味解析を必要とする。 バイトコードを可読でセマンティックに忠実なSolidityコードに変換する,先駆的な逆コンパイルパイプラインを導入する。
  論文  参考訳（メタデータ） (2025-06-24T13:42:59Z)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• Blockchain Amplification Attack [13.13413794919346]
  攻撃者は修正ノードのネットワークトラフィックを3,600倍に増幅し,攻撃を行うために必要な約13,800倍の経済的損害を与えることを示す。 これらのリスクにもかかわらず、アグレッシブなレイテンシ削減は、修正ノードの存在を正当化するために、さまざまなプロバイダに十分な利益をもたらす可能性がある。
  論文  参考訳（メタデータ） (2024-08-02T18:06:33Z)
• LookAhead: Preventing DeFi Attacks via Unveiling Adversarial Contracts [15.071155232677643]
  DeFi(Decentralized Finance)は、30億ドルを超える損失を計上している。 現在の検出ツールは、攻撃活動を効果的に識別する上で重大な課題に直面している。 敵契約を公開することでDeFi攻撃を検出する新しいフレームワークであるLookAheadを提案する。
  論文  参考訳（メタデータ） (2024-01-14T11:39:33Z)
• 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)
• 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)

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。