[論文レビュー] SoK: Comprehensive Analysis of Rug Pull Causes, Datasets, and Detection Tools in DeFi

Dianxiang Sun, Wei Ma+2 more|arXiv (Cornell University)|Mar 24, 2024

Nuclear Materials and PropertiesMaterials Science被引用数 3

ひとこと要約

本稿では、DeFiにおける34のラグプル原因の包括的分類を提案し、既存のデータセットおよび検出ツールの評価を行い、根本的要因の54％をカバーする拡張されたデータセットを提示する。現行の検出ツールは26.5％のラグプルタイプを逃しており、研究および実務における深刻なギャップを露呈している。

ABSTRACT

Rug pulls pose a grave threat to the cryptocurrency ecosystem, leading to substantial financial loss and undermining trust in decentralized finance (DeFi) projects. With the emergence of new rug pull patterns, research on rug pull is out of state. To fill this gap, we first conducted an extensive analysis of the literature review, encompassing both scholarly and industry sources. By examining existing academic articles and industrial discussions on rug pull projects, we present a taxonomy inclusive of 34 root causes, introducing six new categories inspired by industry sources: burn, hidden owner, ownership transfer, unverified contract, external call, and fake LP lock. Based on the developed taxonomy, we evaluated current rug pull datasets and explored the effectiveness and limitations of existing detection mechanisms. Our evaluation indicates that the existing datasets, which document 2,448 instances, address only 7 of the 34 root causes, amounting to a mere 20% coverage. It indicates that existing open-source datasets need to be improved to study rug pulls. In response, we have constructed a more comprehensive dataset containing 2,360 instances, expanding the coverage to 54% with the best effort. In addition, the examination of 14 detection tools showed that they can identify 25 of the 34 root causes, achieving a coverage of 73.5%. There are nine root causes (Fake LP Lock, Hidden Fee, and Destroy Token, Fake Money Transfer, Ownership Transfer, Liquidity Pool Block, Freeze Account, Wash-Trading, Hedge) that the existing tools cannot cover. Our work indicates that there is a significant gap between current research and detection tools, and the actual situation of rug pulls.

研究の動機と目的

• 学術的リサーチと実世界のDeFiラグプルパターンの間の拡大する乖離を是正するため、業界の知見と学術文献を統合する。
• 『バーン』、『隠れた所有者』、『偽りのLPロック』など、業界レポートに基づく6つの新規カテゴリを含む、34の根本的要因を特定・分類する。
• 提案された分類に基づき、既存の公開ラグプルデータセットのカバレッジを評価し、代表性および完全性の限界を明らかにする。
• 14の既存検出ツールの、ラグプル原因の全範囲を特定する有効性を評価し、顕著な盲点を特定する。
• 2,360件のインスタンスを含む、より包括的なデータセットを再構築することで、研究の再現性を向上させ、今後の検出ツール開発を支援する。

提案手法

• 661件の学術的および産業的出典を収集するため、7つのデータベース（Google Scholar、IEEE Xplore、Scopus、ACM DL、arXiv、Google Search、Twitter）を対象とした体系的文献レビューを実施。
• 専門家分析および学術的・産業的ソースからの検証を根拠に、6つのハイレベルカテゴリに分類された34の根本的要因の構造的分類を構築。
• 3つの既存公開ラグプルデータセットを、分類に基づいて評価し、根本的要因のカバレッジを測定。その結果、要因の20％しかカバーしていないことが判明。
• 既存データセットに90件の実世界のラグプルインスタンスを統合することで、より包括的な新しいデータセットを再構築。カバレッジは54％に向上。
• 再構築されたデータセットを用いて、14のオープンソースラグプル検出ツールを体系的に評価し、34の根本的要因すべてにおける検出カバレッジを測定。
• 文献統合、分類構築、データセット批判、ツール評価を統合した多段階的分析フレームワーク（RPAF）を適用し、方法論的厳密性を確保。

実験結果

リサーチクエスチョン

• RQ1 DeFiにおけるラグプルの完全かつ最新の根本的要因は何か。それらは過去に文書化されたパターンとどのように異なるか。
• RQ2 既存の公開ラグプルデータセットは、特定された根本的要因の全範囲をどの程度カバーしているか。
• RQ3 現在の検出ツールは、多様なラグプルメカニズムをどの程度効果的に特定できており、どこで不足しているか。
• RQ4 現在の研究およびツールリングにおける主な制限は何か。これらは、新規およびハイブリッドラグプル戦略の堅実な検出を妨げている。

主な発見

• 本研究では、学術文献で以前に認識されていなかった6つの新規カテゴリを含む、34の異なるラグプル根本的要因を同定。これらは『バーン』、『隠れた所有者』、『所有権移管』、『検証済みでないコントラクト』、『外部コール』、『偽りのLPロック』である。
• 既存の公開データセットは、34の根本的要因のうちたった20％しかカバーしておらず、3つの主要データセットに合計2,448件のインスタンスが記録されている。これは顕著な代表性の欠如を示している。
• 再構築されたデータセットはカバレッジを54％（2,360件のインスタンス）に向上させ、今後の研究における多様性と完全性を著しく向上させた。
• 評価対象の14の検出ツールのうち、34の根本的要因のうち25（73.5％）しか検出できず、『偽りのLPロック』、『洗い取り取引』、『ヘッジ戦略』などの9つの重要な要因は検出されなかった。
• 本研究では、現在の検出ツールが、特にソーシャルエンジニアリングや複雑なコントラクト論理を含むハイブリッドおよび進化するラグプル戦術に対応できていないことが判明した。
• 本研究は、現在の検出能力と現代のラグプルスキームの実際の複雑さとの間で深刻な不一致が生じていることを示しており、次世代の検出フレームワークの緊急の必要性を強調している。