🤖 AI

Early Rug Pull Warning for BSC Meme Tokens via Multi-Granularity Wash-Trading Pattern Profiling

Dit artikel presenteert een end-to-end waarschuwingssysteem voor BSC-memetokens dat rug-pull-risico's vroegtijdig detecteert door middel van multi-granulariteitsanalyse van was-handelspatronen, waarbij een Random Forest-model met succes hoge nauwkeurigheid en een gemiddelde voorspellingsperiode van bijna 4 uur bereikt.

Oorspronkelijke auteurs: Dingding Cao, Bianbian Jiao, Jingzong Yang, Yujing Zhong, Wei Yang

Gepubliceerd 2026-03-17

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Dingding Cao, Bianbian Jiao, Jingzong Yang, Yujing Zhong, Wei Yang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat de wereld van crypto, en dan specifiek de "meme-tokens" op het BNB Smart Chain-netwerk (BSC), een enorm, wild feest is. Iedereen schreeuwt, er worden duizenden nieuwe munten per dag gemaakt, en mensen hopen snel rijk te worden. Maar op dit feestje zitten ook veel oplichters. Ze maken een nep-munt, laten de prijs even stijgen (alsof iedereen er dol op is), en dan pakt de maker plotseling al het geld en verdwijnt. Dit heet een "Rug Pull" (een rug trekken, alsof je iemand op een stoel trekt en hij valt).

Deze wetenschappelijke paper is als een slimme, waakzame bodyguard die probeert deze oplichters te vangen voordat ze wegrennen met de koffer.

Hier is hoe het werkt, vertaald in simpele taal:

1. Het Probleem: De "Valse Vrienden"

Op dit feestje doen de oplichters alsof er veel mensen hun munt kopen. Maar in werkelijkheid kopen ze hun eigen munt steeds van zichzelf of van vrienden. Dit noemen ze "Wash-Trading". Het is alsof je in een leeg restaurant zit, maar je roept hardop: "Wow, wat een drukte!" om andere klanten te lokken.

Bestaande systemen zijn vaak te traag of te dom om dit te zien. Ze kijken alleen naar de "contracten" (de regels van het spel), maar vergeten te kijken naar hoe de mensen zich gedragen.

2. De Oplossing: De "Drie Soorten Dansers"

De auteurs van dit paper hebben een nieuw systeem bedacht dat kijkt naar drie specifieke manieren waarop deze oplichters dansen (traden):

De "Zelf-danser" (Self): Iemand koopt en verkoopt continu aan zichzelf.
De "Matched-danser" (Matched): Twee vrienden spelen perfect op elkaar in, alsof ze een dansje doen (jij koopt van mij, ik van jou).
De "Cirkel-danser" (Circular): Een groepje van drie of meer mensen die het geld rond laten gaan in een cirkel, alsof ze een ketting van handen vasthouden.

Het systeem scant de hele blockchain op deze patronen. Het is alsof een detective niet alleen kijkt naar wie er binnenkomt, maar ook naar hoe ze met elkaar praten en bewegen.

3. Het Systeem: De "Risico-Score"

Het systeem pakt al deze gedragingen en maakt er een risico-score van. Het kijkt naar 12 verschillende dingen, zoals:

Hoe vaak wordt er gehandeld?
Zijn er maar een paar mensen die alles doen?
Is het geld in en uit het systeem onevenwichtig?

Vervolgens gebruikt het een slim computerprogramma (een Random Forest, wat je kunt zien als een groepje experts die samen beslissen) om te zeggen: "Dit muntje ziet er verdacht uit, waarschuw de mensen!"

4. De Resultaten: Hoe goed werkt het?

Het team heeft dit getest op 7 verschillende meme-tokens. Hier zijn de resultaten:

Het is heel nauwkeurig: Als het systeem zegt "Pas op!", is de kans dat het gelijk heeft erg groot (93%). Het maakt dus niet veel fouten door onschuldige mensen te verdenken.
Het is niet perfect: Het mist soms een paar oplichters (het ziet ze niet altijd). Het is dus meer een nauwkeurige filter dan een alarm dat altijd afgaat.
De "Lead Time" (De waarschuwingstijd): Dit is het coolste deel. Het systeem geeft vaak een waarschuwing gemiddeld 3,8 uur voordat de oplichter het geld weghaalt.
- Analogie: Het is alsof je een stormvoorspelling krijgt voordat de wind echt begint te waaien. Je hebt nog net genoeg tijd om je spullen veilig te stellen of weg te gaan.

5. Wat betekent dit voor jou?

Dit onderzoek is een grote stap vooruit, maar het is nog niet de "heilige graal".

Sterke punt: Het kan echte oplichters onderscheiden van normale muntjes door te kijken naar hun gedrag, niet alleen naar hun regels.
Zwakke punt: Het mist soms de grootste oplichters (het systeem is conservatief).
Toekomst: De auteurs willen het systeem nog slimmer maken, zodat het minder fouten maakt en nog sneller waarschuwt.

Kortom: Dit paper presenteert een slimme "lees-in-de-geest" voor crypto-feestjes. Het kijkt naar hoe mensen met elkaar handelen, herkent de nep-dansjes van oplichters, en geeft je een paar uur waarschuwingstijd voordat ze met je geld wegrennen. Het is geen magische bol die alles ziet, maar het is wel een heel handig hulpmiddel om niet in de val te trappen.

Probleemstelling

In het gedecentraliseerde financieel ecosysteem (DeFi), en specifiek op de Binance Smart Chain (BSC), leiden de hoge frequentie van token-uitgiften en korte speculatieve cycli tot een aanzienlijk risico op "rug pulls" (fraude waarbij ontwikkelaars liquiditeit weghalen en investeerders hun geld verliezen). Bestaande methoden voor risicodetectie kampen met drie belangrijke beperkingen in deze context:

Schaarste aan anomalieën en onvolledige labels: Er zijn weinig bekende rug-pull-gevallen en de labels zijn vaak onzeker.
Snelle risicovorming: Statistische kenmerken verouderen snel in de dynamische meme-tokenmarkt.
Beperkte interpreteerbaarheid: Veel modellen geven waarschuwingen zonder een verifieerbare keten van gedragsbewijzen, wat moeilijk te vertalen is naar operationele beslissingen.

Het doel van dit onderzoek is het ontwikkelen van een end-to-end waarschuwingssysteem dat rug pulls kan voorspellen voordat ze plaatsvinden, zelfs onder omstandigheden van zwak toezicht (weak supervision) en beperkte data.

Methodologie

De auteurs stellen een framework voor dat bestaat uit vier fasen: datasetconstructie, kenmerkmodellering, risicovoorspelling en foutanalyse.

1. Dataverzameling en Labeling:

Data: BEP-20 transactierecords van de BSC.
Dataset: 7 meme-tokens met in totaal 33.242 transactierecords (maximaal 5.000 records per token om bias te voorkomen).
Labeling: Vanwege gebrek aan perfecte labels wordt een "weak-supervision" strategie gebruikt. Tokens worden gecategoriseerd als high_risk of non_high_risk (waarbij onbekende gevallen tijdelijk als veilig worden behandeld).

2. Multi-Granulariteit Wash-Trading Profiling:
Het kernidee is het vertalen van manipulatiepatronen naar berekenbare kenmerken. Drie specifieke "wash-trading" patronen worden gemodelleerd:

Self: Zelfloopende transacties of sterk geassocieerde adressen.
Matched: Frequente gepaarde transacties tussen adressenparen.
Circular: Cyclusvormige fondsoverdrachten over meerdere adressen.

Op basis hiervan worden 12 token-niveau gedragskenmerken geconstrueerd die transactie-, adres- en stroomniveau-signalen verenigen. Deze kenmerken omvatten:

Activiteit: Aantal transacties, unieke verzenders/ontvangers.
Structuur: Verhouding verzender/ontvanger, concentratie (top-10 adressen).
Statistieken: Gemiddelde/median transactiehoeveelheid, volatiliteit.
Tijdsdynamiek: "Burstiness" (pieken in activiteit), levensduur van actieve minuten.
Flow: Netto-stroomonevenwichtigheid en herhaling van routes.

3. Modellering en Inferentie:

Twee toezichthoudende modellen worden vergeleken: Logistieke Regressie (baseline) en Random Forest.
Het model voorspelt een risicoprobabiliteit. Een waarschuwing wordt geactiveerd als de score een drempelwaarde ( $\tau$ ) overschrijdt.
Een cruciale metriek is de Lead Time: het tijdsverschil tussen de eerste waarschuwing en het daadwerkelijke rug-pull-evenement.

Belangrijkste Resultaten

De experimenten tonen aan dat niet-lineaire modellen beter presteren dan lineaire baselines in deze context.

Prestatievergelijking: Random Forest overtreft Logistieke Regressie op alle kernmetrieken.
- AUC: 0.9098 (vs. 0.7243)
- PR-AUC: 0.9185 (vs. 0.7397)
- F1-score: 0.7429 (vs. 0.6316)
- Precisie: 0.9286 (zeer hoog, wat betekent dat er weinig vals-positieven zijn).
Ablatie-analyse:
- Het verwijderen van transactie-niveau kenmerken leidt tot de grootste daling in prestatie ( $\Delta$ PR-AUC = -0.1843), wat aangeeft dat handelsgedrag de belangrijkste drijver is.
- Adres-niveau kenmerken leveren een stabiele, aanvullende winst op ( $\Delta$ PR-AUC = -0.0573).
- Contract-niveau kenmerken (in deze versie beperkt) bleken minder discriminerend.
Lead Time: Voor een subset van de samples is een gemiddelde Lead Time van 3,81 uur bereikt (mediaan: 1,03 uur). Dit suggereert dat er een operationeel venster bestaat om actie te ondernemen.
Foutprofiel: Het systeem toont een conservatief gedrag met slechts 1 vals-positief (FP) maar 8 vals-negatieven (FN). Dit betekent dat het systeem zeer nauwkeurig is wanneer het een alarm slaat, maar niet alle risico's opvangt.

Bijdragen

Uitvoerbaar Framework: Een reproduceerbare pijplijn voor rug-pull-waarschuwingen, van ruwe on-chain data tot operationele waarschuwingsscores.
Empirische Validatie: Bewijs dat multi-granulariteit wash-trading kenmerken effectief zijn onder zwak toezicht, waarbij transactie- en adreskenmerken de belangrijkste bijdrage leveren aan het risicoranking.
Operationele Inzichten: In plaats van alleen classificatiemetrieken, worden praktische indicatoren zoals "Lead Time" en foutprofielen (FP/FN) gerapporteerd. Dit positioneert het systeem als een hoog-nauwkeurige screener (voor menselijke triage) in plaats van een volledig geautomatiseerd alarm.

Betekenis en Toekomstperspectief

De studie benadrukt dat voor meme-tokens op BSC, gedragsanalyse (transactiedynamiek) belangrijker is dan statische contractanalyse voor vroege detectie. Het voorgestelde systeem biedt een praktische oplossing voor risicobeheerders en beleggers om manipulatie te identificeren voordat liquiditeit wordt weggehaald.

Beperkingen en Toekomstig Werk:

De huidige "Lead Time" is een benadering voor tokens met weinig transacties; toekomstig werk richt zich op exacte tijdstempels van events.
De dataset is klein (7 tokens); validatie op grotere schaal is nodig.
Het systeem mist momenteel nog een hoge recall (het mist veel risico's). Toekomstige verbeteringen omvatten rijkere contractkenmerken (bijv. belastingmechanismen, blacklist-functies) en robuustere statistische validatie (time-split validation).

Kortom, dit onderzoek levert een bewezen, interpreteerbaar raamwerk dat de kloof overbrugt tussen het detecteren van wash-trading patronen en het leveren van tijdige, actieerbare waarschuwingen voor rug pulls.