TM-RUGPULL: A Temporary Sound, Multimodal Dataset for Early Detection of RUG Pulls Across the Tokenized Ecosystem
تقدم الورقة البحثية TM-RugPull، وهو عبارة عن مجموعة بيانات متعددة الوسائط ومنسقة بدقة تضم 1,028 مشروعاً من المشاريع الرمزية (token projects) المصممة للتغلب على تسرب البيانات والقيود المتعلقة بتعدد الوسائط في الموارد الحالية، مما يضع معياراً جديداً للكشف المبكر عن عمليات الاحتيال من نوع "rug-pull" عبر النظام البيئي للرموز المميزة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل عالم العملات الرقمية كأنه سوق رقمي ضخم وصاخب. في هذا السوق، يقوم الناس بإنشاء "رموز مميزة" (عملات رقمية) جديدة لبيعها للمستثمرين. وفي بعض الأحيان، يكون المبتكرون صادقين ويبنون شيئاً ذا قيمة، ولكن في أحيان أخرى، يكونون محتالين يقومون بعملية "سحب البساط" (Rug Pull).
فكر في "سحب البساط" كأنه مشغل لعبة في ملاهٍ، يضع كشكاً، ويأخذ أموال الجميع، ثم فجأة يسحب السجادة من تحت أقدام اللاعبين ويهرب بالنقود قبل أن يدرك أحد أن اللعبة كانت مغدورة.
الورقة البحثية التي شاركتها، TM-RugPull، تدور حول بناء "دليل تدريبي" أفضل للكمبيوتر ليتعرف على هؤلاء المحتالين قبل أن يهربوا. إليك التفاصيل بتبسيط شدٍ:
المشكلة: دليل التدريب "المعكوس"
حالياً، الأدوات التي تستخدمها الحواسيب للعثور على المحتالين معيبة. الأمر يشبه محاولة تعليم حارس أمن كيفية رصد لص من خلال عرض صور للص، بعد أن يكون قد سرق المال بالفعل وهرب.
- العيب: تستخدم مجموعات البيانات القديمة أدلة لا تظهر إلا بعد اكتمال عملية الاحتيال (مثل انهيار السعر أو اختفاء الأموال).
- النتيجة: الحواسيب التي تتدرب على هذه البيانات تعتقد أنها بارعة في التنبؤ بالاحتيال، لكنها تفشل في العالم الحقيقي لأنها تبحث عن أدلة لا توجد إلا بعد فوات الأوان. كما أنها تركز فقط على نوع واحد من المشاريع (DeFi)، مما يجعلها تغفل عن عمليات الاحتيال في عملات "الميم"، أو الألعاب، أو عملات المشاهير.
الحل: مجموعة بيانات "السفر عبر الزمن"
ابتكر المؤلفون مجموعة بيانات جديدة تسمى TM-RugPull. لقد صمموها وفق قاعدة صارمة للسفر عبر الزمن: "يمكنك فقط النظر إلى المعلومات المتاحة قبل وقوع الكارثة".
إليك كيف بنوا هذه المجموعة:
1. جمهور متنوع (1,000 مشروع)
بدلاً من الاكتفاء بالنظر إلى التطبيقات المالية الجادة، جمعوا 1,000 مشروع مختلف. تخيل طابوراً يتضمن:
- تطبيقات مالية جادة (DeFi).
- نكات إنترنت مضحكة (عملات الميم - Meme tokens).
- فنون رقمية وألعاب (NFTs).
- عملات تحمل علامات تجارية لمشاهير.
هذا يضمن أن يتعلم الكمبيوتر كيفية رصد المحتالين في أي نوع من المشاريع الرقمية، وليس فقط في المشاريع الجادة.
2. قاعدة "نقطة المنتصف" (منع تسرب الوقت)
للتأكد من أن الكمبيوتر لا يغش عبر النظر إلى المستقبل، اختار المؤلفون "نقطة منتصف" زمنية محددة لكل مشروع.
- القاعدة: يُسمح للكمبيوتر فقط برؤية البيانات من النصف الأول من حياة المشروع (قبل نقطة المنتصف).
- الاختبار: إذا تبين لاحقاً أن المشروع كان عملية احتيال، يتم تقييم الكمبيوتر بناءً على ما إذا كان بإمكانه التنبؤ بذلك باستخدام الأدلة المبكرة فقط. إذا استخدم الكمبيوتر دليلاً ظهر بعد بدء عملية الاحتيال، فسيتم استبعاده. وهذا ما يسمى بمنع "التسرب الزمني" (Temporal Leakage).
3. ثلاث عيون على السوق (بيانات متعددة الأنماط)
للحصول على صورة كاملة، تنظر مجموعة البيانات إلى المشاريع من خلال ثلاث "عدسات" مختلفة في آن واحد:
- العدسة 1: السلوك على الشبكة (On-Chain): مراقبة حركة الأموال والرموز الفعلية على البلوكشين (مثل مراقبة آلة تسجيل النقد).
- العدسة 2: بيانات العقد الذكي (Smart Contract Metadata): قراءة "القواعد" المكتوبة في الكود نفسه (مثل قراءة الخط الصغير في عقد ما).
- العدسة 3: الاستخبارات مفتوحة المصدر (OSINT): التحقق من وسائل التواصل الاجتماعي، وبحث جوجل، والأخبار (مثل الاستماع إلى الإشاعات في ساحة المدينة).
- لماذا يهم ذلك؟ غالباً ما يبدأ الناس في التحدث عن عملية احتيال على تويتر أو جوجل قبل أن تختفي الأموال فعلياً من البلوكشين. هذه المجموعة من البيانات تلتقط تلك الهمسات المبكرة.
4. فريق المحققين البشريين (التصنيف اليدوي)
لم يترك المؤلفون للكمبيوتر مهمة تحديد من هو المحتال. بل استخدموا فريقاً من الخبراء البشريين.
- العملية: راقبوا المشاريع لمدة 72 ساعة بعد وقوع الخطب. إذا اختفت السيولة، وتوقف النشاط، وتجمد السعر، فقد صنفوا ذلك على أنه "سحب بساط" (Rug Pull).
- شبكة الأمان: قاموا بمراجعة ذلك مقابل قواعد بيانات الاحتيال المعروفة، واشترطوا موافقة خبيرين على النتيجة لضمان عدم وجود أخطاء.
النتيجة
تقدم الورقة البحثية مجموعة تدريب نظيفة، صادقة، ومتنوعة للذكاء الاصطناعي.
- تحتوي على 1,000 مشروع (حوالي 60% محتالون، و40% مشاريع صادقة).
- تغطي 5 سلاسل بلوكشين مختلفة (مثل Ethereum وBinance).
- تمنع منعاً باتاً "الغش" باستخدام معلومات مستقبلية.
باختصار: بنى المؤلفون "محاكي طيران" لحراس أمن الذكاء الاصطناعي. بدلاً من تدريبهم على فيديوهات لحوادث وقعت بالفعل، قاموا بتدريبهم على إشارات ما قبل الحادث حتى يتمكن الحراس من منع الطائرة من التحطم في المقام الأول. لقد جعلوا هذا المحاكي والكود الخاص ببنائه متاحاً للجميع لاستخدامه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.