رفتن به محتوا
همه اسناد کتابخانه

شناسایی توکن‌های کلاهبرداری و راگ پول در یونی‌سواپ

مقاله arXiv papers · نویسنده: Pengcheng Xia et al.

خلاصه

این پژوهش توکن‌های متقلبانه در یونی‌سواپ V2 را بررسی می‌کند و با استفاده از داده‌های تراکنش، فعالیت معاملاتی را توصیف و کلاهبرداری‌های احتمالی را شناسایی می‌کند. روش شناسایی آن، ابتکارِ «گناه به‌واسطه ارتباط» را با تکنیک‌های یادگیری ماشین ترکیب می‌کند تا توکن‌ها، استخرها و آدرس‌های مرتبطی را که ممکن است در راگ پول دخیل باشند علامت‌گذاری کند. همچنین گزارش می‌دهد که برخی قراردادهای کلاهبرداری سازوکارهایی برای فریب‌دادن یا محدودکردن کاربران دارند.

نویسندگان بیش از ده هزار توکن مشکوک به کلاهبرداری شناسایی می‌کنند و برآورد می‌کنند که حدود نیمی از توکن‌های فهرست‌شده در مجموعه‌داده‌شان کلاهبرداری بوده‌اند. آن‌ها همچنین از آدرس‌های همدست، قربانیان احتمالی و سودهای برآوردشده کلاهبرداری گزارش می‌دهند. این یافته‌ها فعالیت یونی‌سواپ V2 بررسی‌شده در پژوهش و روش طبقه‌بندی آن را توصیف می‌کنند؛ این ارقام برآوردهایی همگانی برای همه صرافی‌های غیرمتمرکز یا دوره‌های بعدی نیستند. سند شناسایی زودهنگام را کاربردی بالقوه برای این روش می‌داند، اما در اینجا جزئیاتی درباره ارزیابی مدل یا نرخ مثبت کاذب ارائه نمی‌کند.

ایده‌های کلیدی

  • این پژوهش داده‌های تراکنش یونی‌سواپ V2 را برای توصیف توکن‌ها و استخرهای مشکوک به کلاهبرداری تحلیل می‌کند.
  • روش شناسایی، ابتکارِ «گناه به‌واسطه ارتباط» را با یادگیری ماشین ترکیب می‌کند.
  • نویسندگان گزارش می‌دهند که بسیاری از کلاهبرداری‌های شناسایی‌شده از راگ پول استفاده می‌کنند و برخی قراردادها سازوکارهای فریبنده دارند.
  • این تحلیل، آدرس‌های همدست را توصیف می‌کند و قربانیان و عواید را در محدوده مجموعه‌داده خود برآورد می‌کند.
  • میزان شیوع و سود گزارش‌شده به داده‌های پژوهش و روش طبقه‌بندی آن بستگی دارد.

برچسب‌ها

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


# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.