TM-RUGPULL: A Temporary Sound, Multimodal Dataset for Early Detection of RUG Pulls Across the Tokenized Ecosystem
El artículo presenta TM-RugPull, un conjunto de datos multimodal rigurosamente curado de 1.028 proyectos de tokens diseñado para superar las fugas de datos y las limitaciones de modalidad en los recursos existentes, estableciendo así un nuevo referente para la detección temprana de estafas de tipo rug-pull en todo el ecosistema tokenizado.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Imagina el mundo de las criptomonedas como un enorme y bullicioso mercado digital. En este mercado, las personas crean nuevos "tokens" (monedas digitales) para venderlos a inversores. A veces, los creadores son honestos y construyen algo valioso. Otras veces, son estafadores que ejecutan un "Rug Pull" (estafa con retirada de liquidez).
Piensa en un Rug Pull como un operador de juegos de feria que monta un puesto, cobra el dinero de todos y luego, de repente, arranca la alfombra de debajo de los jugadores y huye con el efectivo antes de que nadie se dé cuenta de que el juego está amañado.
El documento que compartiste, TM-RugPull, trata sobre construir un "manual de entrenamiento" mejor para que las computadoras detecten a estos estafadores antes de que huyan. Aquí tienes el desglose en términos sencillos:
El Problema: El "Manual de Entrenamiento" al Revés
Actualmente, las herramientas que usan las computadoras para encontrar estafadores son defectuosas. Es como intentar enseñar a un guardia de seguridad a detectar a un ladrón mostrándole fotos del ladrón después de que ya ha robado el dinero y huido.
- El Defecto: Los conjuntos de datos antiguos utilizan pistas que solo aparecen después de que la estafa ha terminado (como el desplome del precio o la desaparición del dinero).
- El Resultado: Las computadoras entrenadas con estos datos piensan que son excelentes prediciendo estafas, pero en el mundo real fallan porque están buscando pistas que no existen hasta que es demasiado tarde. Además, la mayoría solo examinan un tipo de proyecto (DeFi), pasando por alto estafas en memes, juegos o tokens de celebridades.
La Solución: El Conjunto de Datos de "Viaje en el Tiempo"
Los autores crearon un nuevo conjunto de datos llamado TM-RugPull. Lo diseñaron siguiendo una regla estricta de viaje en el tiempo: "Solo puedes mirar la información disponible antes de que ocurra el desastre."
Así es como lo construyeron:
1. Una Multitud Diversa (Los 1.000 Proyectos)
En lugar de solo mirar aplicaciones financieras serias, reunieron 1.000 proyectos diferentes. Imagina una fila que incluye:
- Aplicaciones financieras serias (DeFi).
- Chistes graciosos de internet (tokens Meme).
- Arte digital y juegos (NFTs).
- Monedas con marca de celebridades.
Esto asegura que la computadora aprenda a detectar estafas en cualquier tipo de proyecto digital, no solo en los serios.
2. La Regla del "Punto Medio" (Deteniendo la Fuga Temporal)
Para asegurar que la computadora no haga trampas mirando el futuro, los autores seleccionaron un "Punto Medio" específico en el tiempo para cada proyecto.
- La Regla: A la computadora solo se le permite ver datos de la primera mitad de la vida del proyecto (antes del punto medio).
- La Verificación: Si el proyecto resulta ser una estafa más tarde, a la computadora solo se le califica sobre si pudo haberlo predicho usando solo las pistas tempranas. Si la computadora usó una pista que apareció después de que comenzó la estafa, queda descalificada. Esto se llama prevenir la "fuga temporal".
3. Tres Ojos en el Mercado (Datos Multimodales)
Para obtener una imagen completa, el conjunto de datos examina los proyectos a través de tres "lentes" diferentes simultáneamente:
- Lente 1: Comportamiento en la Cadena de Bloques (On-Chain): Observando el movimiento real del dinero y los tokens en la blockchain (como vigilar la caja registradora).
- Lente 2: Metadatos del Contrato Inteligente: Leyendo las "reglas" escritas en el código mismo (como leer la letra pequeña de un contrato).
- Lente 3: OSINT (Inteligencia de Fuentes Abiertas): Revisando redes sociales, búsquedas en Google y noticias (como escuchar los chismes en la plaza del pueblo).
- Por qué importa: A menudo, la gente empieza a hablar de una estafa en Twitter o Google antes de que el dinero desaparezca realmente en la blockchain. Este conjunto de datos atrapa esos primeros susurros.
4. El Equipo de Detectives Humanos (Etiquetado Manual)
Los autores no dejaron que una computadora decidiera quién es un estafador. Utilizaron un equipo de expertos humanos.
- El Proceso: Observaron los proyectos durante 72 horas después de que las cosas salieron mal. Si la liquidez desaparecía, la actividad se detenía y el precio se congelaba, lo etiquetaban como un "Rug Pull".
- La Red de Seguridad: Verificaron esto dos veces contra bases de datos de estafas conocidas y tuvieron que dos expertos estar de acuerdo en el veredicto para asegurar que no se cometieran errores.
El Resultado
El documento presenta un conjunto de entrenamiento limpio, honesto y diverso para la IA.
- Tiene 1.000 proyectos (aproximadamente 60% estafadores, 40% honestos).
- Cubre 5 blockchains diferentes (como Ethereum y Binance).
- Prohíbe estrictamente "hacer trampas" usando información futura.
En resumen: Los autores construyeron un "simulador de vuelo" para los guardias de seguridad de la IA. En lugar de entrenarlos con videos de accidentes que ya ocurrieron, los entrenaron con las señales pre-accidente para que los guardias puedan realmente evitar que el avión se estrelle desde el principio. Han puesto este simulador y el código para construirlo a disposición de todos para que los usen.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.