論文の概要: From Viral to Void: Multi-Dimensional Behavioral and Contractual Analysis for Rug Pull Identification
- arxiv url: http://arxiv.org/abs/2608.01609v1
- Date: Mon, 03 Aug 2026 02:34:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.300777
- Title: From Viral to Void: Multi-Dimensional Behavioral and Contractual Analysis for Rug Pull Identification
- Title（参考訳）: ウイルスからボイドへ:多次元行動解析とラグプル同定のための契約解析
- Abstract要約: ラッシュプル詐欺は、極端に低い配備コスト、隠蔽実行、迅速な資金移動、高い検出困難が特徴である。
本稿では,悪意のあるスマートコントラクト設計,オンチェーントランザクション異常,流動性操作,ソーシャルメディア開示といった次元に基づく多次元機能システムを開発する。
実験の結果、このモデルは0.927の精度、F1スコア0.787の精度、AUC-ROC0.952の精度を実現し、従来の手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 2.7875224007687827
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As the blockchain and decentralized finance (DeFi) ecosystems continue to expand and mature, rug pull scams involving meme coins are occurring with increasing frequency, posing a threat to the security of investors' assets and the healthy development of the industry. Rug Pull scams are characterized by extremely low deployment costs, covert execution, rapid fund transfers, and high detection difficulty. Traditional manual reviews or fixed rules struggle to meet real-time early warning requirements, and existing detection methods generally suffer from issues such as a single feature dimension, inadequate handling of class imbalance, and weak model generalization and interpretability. To address these shortcomings, this paper focuses on the detection of Ethereum-based rug pull scams. First, we clarify their definitions, types, and harm mechanisms, and construct a multi-dimensional feature system based on dimensions such as malicious smart contract design, on-chain transaction anomalies, liquidity manipulation, and social media disclosures. Next, using the "Second Uncle Coin"(token symbol: BOBU) case as an example, we reconstruct the attack process and derive quantitative detection metrics. Subsequently, a risk detection model based on a Multi-Layer Perceptron (MLP) is designed. We employ a combined strategy of SMOTE oversampling and Focal Loss to address the issue of sample imbalance, dynamically search for optimal thresholds to balance precision and recall, and incorporate gradient pruning and early stopping to enhance training stability. Experiments show that the model achieves an accuracy of 0.927, an F1 score of 0.787, and an AUC-ROC of 0.952 on the test set, outperforming traditional methods. Finally, a visualizable web-based detection system is developed using the Flask framework, enabling batch risk assessment, high-risk ranking display, and result export functions.
- Abstract（参考訳）: ブロックチェーンと分散金融(DeFi)エコシステムが拡大と成熟を続ける中、ミームコインを含む不正なプル詐欺が頻度を増して発生し、投資家の資産のセキュリティと業界の健全な発展を脅かしている。
ラッシュプル詐欺は、極端に低い配備コスト、隠蔽実行、迅速な資金移動、高い検出困難が特徴である。
従来の手動レビューや固定ルールは、リアルタイムの早期警告要件を満たすのに苦労しており、既存の検出方法は、単一の特徴次元、クラス不均衡の不十分なハンドリング、弱いモデルの一般化と解釈可能性といった問題に一般的に苦しむ。
これらの欠点に対処するために、本研究ではEthereumベースのラグプル詐欺の検出に焦点を当てる。
まず, 不正なスマートコントラクト設計, オンチェーントランザクション異常, 流動性操作, ソーシャルメディア開示などに基づく多次元機能システムを構築し, それらの定義, タイプ, 害機構を明らかにした。
次に,第2のアンクル・コイン(トークン記号:BOBU)のケースを例に,攻撃過程を再構築し,定量的検出指標を導出する。
その後、MLP(Multi-Layer Perceptron)に基づくリスク検出モデルが設計される。
我々は,SMOTEオーバーサンプリングとFocal Lossの併用戦略を用いて,サンプル不均衡の問題に対処し,精度とリコールのバランスをとるための最適しきい値を動的に探索し,グラデーションプルーニングと早期停止を取り入れてトレーニング安定性を向上する。
実験の結果、このモデルは0.927の精度、F1スコア0.787の精度、AUC-ROC0.952の精度を実現し、従来の手法よりも優れていた。
最後に、Fraskフレームワークを用いて、バッチリスク評価、ハイリスクランキング表示、結果のエクスポート機能を実現する可視化可能なWebベース検知システムを開発した。
関連論文リスト
- Combating Organized Platform Abuse: Amplifying Weak Risk Signals with Structural Information [0.7734726150561086]
大規模なオンラインサービスプラットフォームは、組織化されたプラットフォームの乱用による深刻な問題に直面している。
本稿では,Fraudster の Trilemma を提案する: 組織的攻撃者は,スケール,低コスト,分散キャッシュアウトを同時に達成できない。
簡単な統計的手法を用いて、低精度個々の弱い信号を高精度な強い決定に変換する。
論文 参考訳（メタデータ） (2026-05-08T07:38:43Z) - OOM-RL: Out-of-Money Reinforcement Learning Market-Driven Alignment for LLM-Based Multi-Agent Systems [4.970665847294818]
目的的アライメントパラダイムとして textbfOut-of-Money Reinforcement Learning (OOM-RL) を導入する。
本研究は,ハイターン・サイコファンティック・ベースラインから,ロバストで流動性に配慮したアーキテクチャへのシステム進化を詳述する。
我々は、厳格な経済罰と主観的人間選好の代用が、実環境における自律的エージェントの整合のための堅牢な方法論を提供すると結論付けている。
論文 参考訳（メタデータ） (2026-04-13T13:45:42Z) - A Blueprint for Self-Evolving Coding Agents in Vehicle Aerodynamic Drag Prediction [9.020568132598827]
本稿では, 産業制約下でのドラッグ係数$C_d$を予測するために, 実行可能サロゲートパイプラインを検出する自己進化型符号化エージェントの契約中心の青写真を提案する。
この方法は、静的モデルインスタンスではなく、プログラム上の制約付き最適化としてサロゲート発見を定式化する。
厳しい評価契約は、任意の候補が承認される前に、漏洩防止、決定論的リプレイ、マルチシード、ロバスト性、資源予算を強制する。
論文 参考訳（メタデータ） (2026-03-23T08:36:57Z) - LROO Rug Pull Detector: A Leakage-Resistant Framework Based on On-Chain and OSINT Signals [1.0382948833881696]
rug pullはスマートコントラクトベースのエコシステムにおける最も一般的な攻撃の1つです。
本稿では,早期のラグプル検出のためのリーク・アウェア・フレームワークを提案する。
オンチェーンの行動メトリクスと時間的に整合したオープンソースインテリジェンス(OSINT)信号を統合する。
論文 参考訳（メタデータ） (2026-03-11T21:35:53Z) - How Far Can Unsupervised RLVR Scale LLM Training? [57.44753418846446]
検証可能な報酬を伴う教師なし強化学習(URLVR)は、監督ボトルネックを越えてLLMトレーニングをスケールするための経路を提供する。
最近の研究は、モデル固有の信号を活用し、期待できる早期の利得を示しているが、その可能性と限界は未だ不明である。
我々は、URLVRメソッドを報酬源に基づく固有対外部に分類し、統一された理論的枠組みを確立する。
論文 参考訳（メタデータ） (2026-03-09T17:38:11Z) - Reward Under Attack: Analyzing the Robustness and Hackability of Process Reward Models [68.45272703833209]
現状のPRMは、逆最適化圧力下で体系的に利用可能であることを示す。
これらの脆弱性を定量化するために、敵の圧力を増大させる3段階の診断フレームワークを導入する。
我々は、PRM-BiasBenchと診断ツールキットをリリースし、デプロイ前にロバストネスの評価を可能にする。
論文 参考訳（メタデータ） (2026-02-20T23:38:03Z) - StableAML: Machine Learning for Behavioral Wallet Detection in Stablecoin Anti-Money Laundering on Ethereum [1.6492745888221318]
世界の違法なファンドフローは年間3.1兆ドルを超えており、流動性のために洗剤として好まれる。
本研究では、データセットを分析し、行動特徴を用いてロバストなAMLフレームワークを開発する。
高精度検出を自動化することにより、イノベーションを損なうことなく、経済的不作為の経済的コストを効果的に高めるアプローチを提案する。
論文 参考訳（メタデータ） (2026-02-19T21:13:39Z) - Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。
累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。
主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
論文 参考訳（メタデータ） (2026-02-10T21:08:53Z) - TaintSentinel: Path-Level Randomness Vulnerability Detection for Ethereum Smart Contracts [2.064923532131528]
ブロックチェーン技術の本質的な決定性は、スマートコントラクト内でセキュアな乱数を生成する上で大きな課題となる。
本稿では,スマートコントラクトを実行経路レベルで解析する新たなパスセンシティブな脆弱性検出システムであるTaintSentinelを提案する。
4,844件の実験を行い,既存のツールと比較してTaintSentinelの優れた性能を示した。
論文 参考訳（メタデータ） (2025-10-21T00:35:45Z) - One Token Embedding Is Enough to Deadlock Your Large Reasoning Model [91.48868589442837]
我々は, LRMの生成制御フローをハイジャックする資源枯渇手法であるDeadlock Attackを提案する。
提案手法は4つの先進LEMにおいて100%の攻撃成功率を達成する。
論文 参考訳（メタデータ） (2025-10-12T07:42:57Z) - 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) - RobustBench: a standardized adversarial robustness benchmark [84.50044645539305]
ロバストネスのベンチマークにおける主な課題は、その評価がしばしばエラーを起こし、ロバストネス過大評価につながることである。
我々は,白箱攻撃と黒箱攻撃のアンサンブルであるAutoAttackを用いて,敵対的ロバスト性を評価する。
分散シフト,キャリブレーション,アウト・オブ・ディストリビューション検出,フェアネス,プライバシリーク,スムースネス,転送性に対するロバスト性の影響を解析した。
論文 参考訳（メタデータ） (2020-10-19T17:06:18Z)
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。