[論文レビュー] AI-powered Fraud Detection in Decentralized Finance: A Project Life Cycle Perspective

Bingqiao Luo, Zhang Zhen+4 more|arXiv (Cornell University)|Aug 30, 2023

Blockchain Technology Applications and Security被引用数 4

ひとこと要約

本稿では、開発、導入、成長、成熟、衰退の各段階をカバーするプロジェクトライフサイクルに基づくDeFi詐欺の分類法を提案する。これにより、段階別に最適化されたAI駆動の詐欺検出が可能となる。特に、決定木ベースおよびグラフベースのモデルが最も効果的であると判明し、リアルタイム分析、クロスチェーンデータ、プライバシー保護型AIの活用を提言することで、進化を続けるDeFiエコシステムにおける検出能力を強化する。

ABSTRACT

In recent years, blockchain technology has introduced decentralized finance (DeFi) as an alternative to traditional financial systems. DeFi aims to create a transparent and efficient financial ecosystem using smart contracts and emerging decentralized applications. However, the growing popularity of DeFi has made it a target for fraudulent activities, resulting in losses of billions of dollars due to various types of frauds. To address these issues, researchers have explored the potential of artificial intelligence (AI) approaches to detect such fraudulent activities. Yet, there is a lack of a systematic survey to organize and summarize those existing works and to identify the future research opportunities. In this survey, we provide a systematic taxonomy of various frauds in the DeFi ecosystem, categorized by the different stages of a DeFi project's life cycle: project development, introduction, growth, maturity, and decline. This taxonomy is based on our finding: many frauds have strong correlations in the stage of the DeFi project. According to the taxonomy, we review existing AI-powered detection methods, including statistical modeling, natural language processing and other machine learning techniques, etc. We find that fraud detection in different stages employs distinct types of methods and observe the commendable performance of tree-based and graph-related models in tackling fraud detection tasks. By analyzing the challenges and trends, we present the findings to provide proactive suggestion and guide future research in DeFi fraud detection. We believe that this survey is able to support researchers, practitioners, and regulators in establishing a secure and trustworthy DeFi ecosystem.

研究の動機と目的

• プロジェクトライフサイクル全体にわたるDeFi詐欺を体系的に分類するフレームワークの欠如に対処すること。
• DeFiプロジェクト開発の特定段階と関連する詐欺タイプの相関関係を分析すること。
• 自然言語処理（NLP）、統計モデリング、グラフベース学習を含む、既存のAI駆動の詐欺検出技術をレビューおよび評価すること。
• 研究上のギャップを特定し、特にリアルタイム検出、包括的なデータ活用、プライバシー保護型AIの分野における今後の方向性を提案すること。
• 研究者、実務家、規制当局がより信頼性の高いDeFiエコシステムを構築するのを支援すること。

提案手法

• 製品ライフサイクル理論に基づく、DeFi詐欺の新規分類法を提唱。開発、導入、成長、成熟、衰退の5段階に詐欺を分類する。
• 各段階におけるAI技術のレビュー。具体的には、決定木ベースのモデル（例：XGBoost）、グラフニューラルネットワーク、白書やSNS向けの自然言語処理（NLP）、統計モデリングを含む。
• ブロックチェーン上の取引パターン、スマートコントラクトコード、およびオフチェーンデータ（例：SNS、Telegram、Reddit）を分析し、詐欺の兆候を特定する。
• 単一ブロックチェーンを超えたシステム内での隠れた詐欺パターンを特定するため、クロスチェーン分析とホエールアカウント行動の分析を強調する。
• 効率的でスケーラブルなAIモデルを活用し、早期警戒機能を備えたリアルタイム詐欺検出システムの構築を提言する。
• ゼロ知識証明を含むプライバシー保護技術を導入し、KYC準拠とユーザーの匿名性の両立を実現する。

Figure 2. Big Events of Frauds in Recent 5 Years (Data from (Frontal, 2023 ) ).

実験結果

リサーチクエスチョン

• RQ1 DeFiプロジェクトのライフサイクルの特定段階と、さまざまなタイプのDeFi詐欺には、どのような相関関係があるか？
• RQ2 自然言語処理（NLP）、グラフベースモデル、決定木ベースのアルゴリズムなどのAI技術の中で、各プロジェクト段階における詐欺検出に最も効果的なものは何か？
• RQ3 クロスチェーンデータおよびオフチェーン行動シグナル（例：SNS、ホエールアカウント）は、詐欺検出をどのように強化するか？
• RQ4 リアルタイムおよび早期警戒型の詐欺検出システムをどのように設計すれば、DeFiにおける損失を事前に防ぐことができるか？
• RQ5 分散型システムにおいて、プライバシー、規制遵守（例：KYC）、効果的な詐欺検出のバランスを取る上での課題は何か？

主な発見

• DeFiプロジェクトのライフサイクル段階と詐欺タイプの間に強く相関関係が確認され、開発、導入、成長、成熟、衰退の各段階で明確に異なる詐欺パターンが顕在化している。
• 決定木ベースのモデル（例：XGBoost）およびグラフベースのモデルは、不正取引およびスマートコントラクトの異常を検出する上で優れたパフォーマンスを示している。
• 2011年から2023年までの間に、DeFi詐欺により167億ドル以上の暗号資産が失われており、ハッキングが231件、セキュリティ侵害が135件、不正スキームが95件報告されている。
• 暗号資産ホエールの4％が250億ドルを保有しており、犯罪活動に不釣り合いに多く関与していることが判明し、特別なアカウント監視の必要性が浮き彫りになった。
• リアルタイム詐欺検出はまだ未発達であり、効率性や早期検出に焦点を当てた研究が限られているため、能動的対応のための重要なギャップが生じている。
• プライバシー保護型AIおよびゼロ知識証明は、規制要件とユーザーのプライバシーを両立させる実現可能な道筋を提供するが、実装上の課題は依然として存在する。

Figure 3. DeFi Frauds along Project Life Cycle.