Betrügerische Token und Rug Pulls auf Uniswap erkennen

Artikel arXiv papers · Autor: Pengcheng Xia et al.

Zusammenfassung

Die Studie untersucht betrügerische Token auf Uniswap V2. Anhand von Transaktionsdaten beschreibt sie Handelsaktivitäten und identifiziert mutmaßliche Betrugsfälle. Der Erkennungsansatz kombiniert eine Guilt-by-Association-Heuristik mit Verfahren des maschinellen Lernens, um Token, Pools und verknüpfte Adressen zu markieren, die an Rug Pulls beteiligt sein könnten. Außerdem berichtet die Studie, dass manche betrügerischen Smart Contracts Mechanismen enthalten, die Nutzer täuschen oder einschränken sollen.

Die Autoren identifizieren mehr als zehntausend mutmaßlich betrügerische Token und schätzen, dass etwa die Hälfte der in ihrem Datensatz gelisteten Token Betrugsfälle waren. Sie berichten auch über kollaborierende Adressen, potenzielle Opfer und geschätzte Betrugserlöse. Diese Ergebnisse beziehen sich auf die untersuchten Aktivitäten auf Uniswap V2 und die verwendete Klassifizierungsmethode; sie sind keine allgemeinen Schätzungen für alle dezentralen Börsen oder spätere Zeiträume. Das Dokument nennt die Früherkennung als möglichen Anwendungsfall des Ansatzes, enthält hier jedoch keine Angaben zur Modellevaluierung oder zu falsch positiven Raten.

Kernaussagen

Die Studie analysiert Transaktionsdaten von Uniswap V2, um mutmaßlich betrügerische Token und Pools zu beschreiben.
Die Erkennungsmethode kombiniert eine Guilt-by-Association-Heuristik mit maschinellem Lernen.
Die Autoren berichten, dass viele identifizierte Betrugsfälle Rug Pulls nutzen und manche Smart Contracts täuschende Mechanismen enthalten.
Die Analyse beschreibt miteinander kolludierende Adressen und schätzt Opferzahlen und Erlöse innerhalb des Datensatzes.
Die berichtete Häufigkeit und die Erlöse hängen von den Daten und der Klassifizierungsmethode der Studie ab.

Schlagwörter

Krypto DeFi Maschinelles Lernen On-Chain-Daten Marktmikrostruktur

Volltext

# Trade or Trick? Detecting and Characterizing Scam Tokens on Uniswap Decentralized Exchange

The prosperity of the cryptocurrency ecosystem drives the need for digital asset trading platforms. Beyond centralized exchanges (CEXs), decentralized exchanges (DEXs) are introduced to allow users to trade cryptocurrency without transferring the custody of their digital assets to the middlemen, thus eliminating the security and privacy issues of traditional CEX. Uniswap, as the most prominent cryptocurrency DEX, is continuing to attract scammers, with fraudulent cryptocurrencies flooding in the ecosystem. In this paper, we take the first step to detect and characterize scam tokens on Uniswap. We first collect all the transactions related to Uniswap V2 exchange and investigate the landscape of cryptocurrency trading on Uniswap from different perspectives. Then, we propose an accurate approach for flagging scam tokens on Uniswap based on a guilt-by-association heuristic and a machine-learning powered technique. We have identified over 10K scam tokens listed on Uniswap, which suggests that roughly 50% of the tokens listed on Uniswap are scam tokens. All the scam tokens and liquidity pools are created specialized for the "rug pull" scams, and some scam tokens have embedded tricks and backdoors in the smart contracts. We further observe that thousands of collusion addresses help carry out the scams in league with the scam token/pool creators. The scammers have gained a profit of at least \$16 million from 39,762 potential victims. Our observations in this paper suggest the urgency to identify and stop scams in the decentralized finance ecosystem, and our approach can act as a whistleblower that identifies scam tokens at their early stages.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.