論文の概要: How To Cook The Fragmented Rug Pull?

• arxiv url: http://arxiv.org/abs/2511.15463v1
• Date: Wed, 19 Nov 2025 14:22:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.840621
• Title: How To Cook The Fragmented Rug Pull?
• Title（参考訳）: 壊れたラグプルをどうやって調理する?
• Authors: Minh Trung Tran, Nasrin Sohrabi, Zahir Tari, Qin Wang,
• Abstract要約: rugプル検出器は単純なワークフローを前提とします – デプロイは流動性プール(LP)トークンを保持して,プールを崩壊させてキャッシュアウトする1ないし数回の大規模な販売(1日以内)を実行します。 実際には、多くの現実世界の出口は、時間次元とアクター次元の両方で攻撃を分割することでこれらの仮定に違反している。 我々は,この攻撃を断裂したラグプル (FRP) として定式化し,緩やかな煮込み牛肉専用にコンパクトなレシピを提供する。
• 参考スコア（独自算出の注目度）: 5.849850957491873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing rug pull detectors assume a simple workflow: the deployer keeps liquidity pool (LP) tokens and performs one or a few large sells (within a day) that collapse the pool and cash out. In practice, however, many real-world exits violate these assumptions by splitting the attack across both time and actor dimensions: attackers break total extraction into many low-impact trades and route proceeds through multiple non-owner addresses, producing low-visibility drains. We formalize this family of attacks as the fragmented rug pull (FRP) and offer a compact recipe for a slow-stewed beef special: (i) keep the lid on (to preserve LP control so on-chain extraction remains feasible), (ii) chop thin slices (to split the total exit volume into many low-impact micro-trades that individually fall below impact thresholds), and (iii) pass the ladle (to delegate sells across multiple wallets so that each participant takes a small share of the extraction). Technically, we define three atomic predicate groups and show that their orthogonal combinations yield evasive strategies overlooked by prior heuristics (USENIX Sec 19, USENIX Sec 23). We validate the model with large-scale measurements. Our corpus contains 303,614 LPs, among which 105,434 are labeled as FRP pools. The labeled subset includes 34,192,767 pool-related transactions and 401,838 inflated-seller wallets, involving 1,501,408 unique interacting addresses. Notably, owner-wallet participation in inflated selling among FRP-flagged LPs has declined substantially (33.1% of cases), indicating a shift in scam behavior: the liquidity drain is no longer held on the owner wallet. We also detected 127,252 wallets acting as serial scammers when repeatedly engaging in inflated selling across multiple FRP LPs. Our empirical findings demonstrate that the evasive strategies we define are widespread and operationally significant.
• Abstract（参考訳）: 既存のルーグプル検知器は単純なワークフローを前提としており、展開装置は流動性プール(LP)トークンを保持し、プールを崩壊させて現金化する1つまたは数つの大きな販売(1日以内)を行う。 しかし実際には、多くの現実世界の出口は、攻撃を時間とアクターの両方の次元に分割することでこれらの仮定に違反している。 我々は、この攻撃を断裂したラグプル(FRP)として形式化し、緩やかな煮込み牛肉専用にコンパクトなレシピを提供する。 (i)蓋をオンにしておく(LP制御を維持するため、オンチェーン抽出は可能のままである) (二)切削スライス(総出口体積を衝撃閾値以下で個別に低下する多数の低衝撃マイクロトレーダに分割する)、 三 ろうそくを渡すこと(各参加者が取り出しの少額の分け前を取るように、複数の財布をまたいで販売すること。) 技術的には、3つの原子述語群を定義し、それらの直交結合が先行ヒューリスティックス(USENIX Sec 19, USENIX Sec 23)によって見過ごされる回避戦略をもたらすことを示す。 大規模な測定でモデルを検証した。 我々のコーパスには303,614個のLPがあり、そのうち105,434個はFRPプールとラベル付けされている。 ラベル付きサブセットには、34,192,767のプール関連トランザクションと401,838個の膨らんだセラーウォレットがあり、それぞれ1,501,408個のユニークなアドレスが含まれている。 特に、FRPフラッグ付きLPの膨らませた販売におけるオーナー・ウォレットの参加は大幅に減少し(33.1%のケース)、詐欺行動の変化を示唆している。 また,複数のFRP LPを用いたインフレーション販売において,シリアルスキャマーとして機能する127,252個の財布も検出した。 私たちの経験的発見は、私たちが定義する回避戦略が広く、運用上重要であることを示している。

関連論文リスト

• On-Chain Decentralized Learning and Cost-Effective Inference for DeFi Attack Mitigation [4.37137147573556]
  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。
  論文  参考訳（メタデータ） (2025-10-15T18:58:34Z)
• When Priority Fails: Revert-Based MEV on Fast-Finality Rollups [0.0]
  本研究は, ロールアップにおける取引復帰の経済性について検討し, 偶然の失敗ではなく, MEV戦略の均衡結果であることを示す。 再変換トランザクションの80%以上がスワップであり、半分はUnixwap v3, v4のUSDC-WETHプールをターゲットにしている。 本研究は,MEVマイクロ構造のロールアップにおける構造的特徴としてリバージョンを確立し,シーケンシング,料金市場,リバージョン保護に対するプロトコルレベルの改革の必要性を強調した。
  論文  参考訳（メタデータ） (2025-06-02T09:18:53Z)
• The Sharpness Disparity Principle in Transformers for Accelerating Language Model Pre-Training [51.84624027213658]
  本稿では、各ブロックのシャープネスに合わせてLRを調整する戦略であるブロックワイズ学習率(LR)を提案する。 モデルサイズは0.12Bから2Bの範囲である。 最近提案されたメモリ効率のAdam-miniにBlockwise LRを組み込むことで、2倍のスピードアップと2倍のメモリ節約を実現しています。
  論文  参考訳（メタデータ） (2025-02-26T10:06:37Z)
• Provably Efficient Action-Manipulation Attack Against Continuous Reinforcement Learning [49.48615590763914]
  我々は,モンテカルロ木探索法を用いて効率的な行動探索と操作を行うLCBTというブラックボックス攻撃アルゴリズムを提案する。 提案手法は, DDPG, PPO, TD3の3つの攻撃的アルゴリズムに対して, 連続的な設定で実行し, 攻撃性能が期待できることを示す。
  論文  参考訳（メタデータ） (2024-11-20T08:20:29Z)
• 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)
• CleanCLIP: Mitigating Data Poisoning Attacks in Multimodal Contrastive Learning [63.72975421109622]
  CleanCLIPは、バックドア攻撃によって引き起こされる学習された刺激的関連を弱める微調整フレームワークである。 CleanCLIPは、マルチモーダル・コントラッシブ・ラーニングに対するバックドア・アタックを根絶しながら、良質な例によるモデル性能を維持している。
  論文  参考訳（メタデータ） (2023-03-06T17:48:32Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• Improved Certified Defenses against Data Poisoning with (Deterministic) Finite Aggregation [122.83280749890078]
  本報告では, 一般中毒に対する予防的対策として, フィニット・アグリゲーション(Finite Aggregation)を提案する。 トレーニングセットを直接非結合部分集合に分割するDPAとは対照的に、我々の方法はまず、トレーニングセットをより小さな非結合部分集合に分割する。 我々は、決定論的および集約的認証された防御設計をブリッジして、我々の方法の代替的な見解を提供する。
  論文  参考訳（メタデータ） (2022-02-05T20:08:58Z)
• Strategic Liquidity Provision in Uniswap v3 [13.436603092715247]
  流動性提供者(LP)は、資産の価格の1つ以上の閉区間に流動性を割り当てる。 動的流動性供給問題を形式化し、ニューラルネットワークベースの最適化フレームワークを提供する一般的な戦略に焦点をあてる。
  論文  参考訳（メタデータ） (2021-06-22T19:48:02Z)

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。