Drift-Aware Incremental Clustering for Cryptocurrency Rug-Pull Detection: An Empirical Comparison Against Periodic-Retrain Baselines on Real Ethereum Data
本文实证评估了一种从恶意软件检测中改编而来的漂移感知增量聚类方法，用于识别以太坊上的加密货币“拉地毯”（rug pulls）行为，研究发现，尽管该方法在某些情况下提供了较低的误报率，但定期重新训练的有监督基准模型最终实现了更高且更稳定的整体性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，互联网是一个巨大的、繁忙的数字市场，任何人都可以开设店铺。在加密货币的世界里，这个市场被称为“DeFi”（去中心化金融）。这非常令人兴奋，因为你可以进行数字货币交易，而不需要一个银行老板在背后盯着你。但是，就像一个真实的跳蚤市场一样，它也有属于自己的骗子。其中最常见的诡计被称为“拉地毯”（rug pull）。想象一下，一个摊主搭建了一个闪亮的崭新摊位，吸引了一群人来购买他们的商品，然后突然收起整个摊位，带着钱逃跑了，留下顾客手里只剩下一堆空盒子。
为了抓住这些小偷，计算机科学家构建了“保安”——智能程序，它们观察市场并试图在坏人逃跑前识别出他们。通常，这些保安是通过向它们展示过去的诈骗案例来进行训练的，并且每隔几个月重新训练一次，以学习骗子可能使用的新花招。然而，骗子非常狡猾；他们更换伪装和策略的速度比保安重新训练的速度还要快。在计算机病毒的世界里，科学家们尝试了一种不同的方法：他们不等待重新训练，而是使用一种“感知漂移”（drift-aware）系统，该系统不断观察细微的行为变化并进行即时更新，就像一个能在看到新伪装的瞬间就学会识别它的保安一样。这篇论文提出了一个简单的问题：这种“即时学习型”保安在捕捉加密货币骗子方面，是否比“定期重训型”保安表现得更好？
伟大的保安竞赛：即时学习者 vs. 定期训练者
在这项研究中，研究人员决定让两种不同类型的保安在真实的战场上——以太坊区块链上进行一场对决。他们使用了一个包含 633 个真实代币项目的数据库，其中一些是诚实的，而 327 个被确认为“拉地毯”（诈骗）。
竞争对手：
- 定期训练者（基准模型）： 这是标准的保安。它从已知诈骗列表中学习，部署后就一直待在那里，直到预定的时间（例如每 90 天）被带回学校，展示新的案例并进行重新训练。这就像一个努力为考试学习的学生，参加完考试后，再等待六个月才再次学习。
- 感知漂移聚类保安（新来者）： 这个保安的灵感来自于科学家如何捕捉不断演变的计算机病毒。它不等待重新训练的时间，而是实时观察市场。它根据行为将新的项目分为不同的“簇”（clusters）。如果一个新项目看起来可疑地像已知的诈骗，它就会被标记。如果一组新的项目开始一起表现异常，它会即时创建一个新的“可疑”类别。这就像一个不仅靠背诵坏人名单，而且能在看到新型窃贼出现的瞬间就立即识别出他们的保安。
实验：
研究人员设置了一场严格且公平的比赛。他们确保“感知漂移”保安无法窥视未来的答案（这是一个被称为“数据泄露”的问题，常会让科学家误以为新方法比实际效果更好）。他们将区块链的时间线分为五个不同的区块，并进行了五次比赛，以观察结果是否一致。
结果：
这里有一个转折：这个“即时学习者”并没有赢得比赛。事实上，传统的“定期训练者”保安表现得略好，且更加可靠。
- 准确度： 重训型的保安获得了更高的整体得分（称为 F1 分数），为 0.891，而即时学习者为 0.873。
- 稳定性： 在这一点上，差异巨大。定期训练型保安表现得稳如泰山，其捕捉骗子的能力随时间变化的波动非常小。然而，即时学习者却像是在坐过山车。它的捕捉能力（称为“精确率”）波动剧烈，变动幅度为 0.064，而定期训练型保安的变动仅为 0.015。
为什么新保安表现挣扎？
研究人员发现，“感知漂移”保安有一个特定的怪癖：它非常谨慎。在它确定有足够的证据（最小群体规模）之前，它不会将一个新的群体贴上诈骗标签。这使得它在避免错误指控无辜项目方面做得很好（低误报率），但也意味着它错过了很多实际的诈骗（较低的召回率）。这就像一个因为太害怕冤枉好人而放任许多真正的窃贼溜走的保安。
研究还揭示了一个关于测试这些想法的重要教训。起初，研究人员认为即时学习者正在获胜，但他们意识到自己在调整参数时，不小心让保安窥视了测试答案。一旦他们修复了这个“泄露”问题，结果发生了反转，显示出旧方法实际上更优越。
底线：
虽然“即时学习”听起来像是科幻小说中的概念，但这项研究表明，在使用目前的工具来捕捉加密货币“拉地毯”行为时，传统的训练和重训方法仍然是冠军。它更准确，也更加稳定。即时学习方法在避免虚假警报方面展现了潜力，但它还没有准备好取代旧有的保安。研究人员得出结论，要使即时学习者真正有效，我们需要给它更好的“眼睛”（关于交易如何流动的更详细数据），并教会它更好的判断何时拉响警报的方法。在那之前，定期重新训练仍然是抵御数字“拉地毯”最可靠的盾牌。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。