[논문 리뷰] SoK: Comprehensive Analysis of Rug Pull Causes, Datasets, and Detection Tools in DeFi

Dianxiang Sun, Wei Ma외 2명|arXiv (Cornell University)|2024. 03. 24.

Nuclear Materials and PropertiesMaterials Science인용 수 3

한 줄 요약

이 논문은 DeFi에서 34가지 러그풀 원인에 대한 종합적인 분류 체계를 제안하고, 기존 데이터셋과 탐지 도구를 평가하며, 루트 원인의 54%를 커버하는 확장된 데이터셋을 제시한다. 분석 결과, 현재의 탐지 도구들이 러그풀 유형의 26.5%를 놓치고 있음을 확인하여 연구 및 실무 분야에서의 심각한 격차를 드러낸다.

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.

연구 동기 및 목표

• 학술 연구와 실제 DeFi 러그풀 패tern 간의 점점 커지는 괴리를 해소하기 위해 산업 인사이트를 학술 문헌과 융합한다.
• 산업 보고서(예: '버닝', '숨겨진 소유자', '가짜 LP 잠금')를 바탕으로 유래한 6개의 신규 카테고리 포함, 러그풀의 34가지 루트 원인을 식별하고 분류한다.
• 제안된 분류 체계에 기반해 기존 공개된 러그풀 데이터셋의 커버리지 수준을 평가하여 대표성과 완전성의 한계를 드러낸다.
• 14개의 기존 탐지 도구가 러그풀 원인의 전반적인 스펙트럼을 얼마나 효과적으로 식별하는지 평가하여 심각한 탐지 빈도를 확인한다.
• 연구 재현성 향상과 향후 탐지 도구 개발 지원을 위해 2,360건의 인스턴스를 포함한 보다 포괄적인 데이터셋을 재구성한다.

제안 방법

• 661건의 학술 및 산업 자료를 확보하기 위해 7개 데이터베이스(Google Scholar, IEEE Xplore, Scopus, ACM DL, arXiv, Google Search, Twitter)에서 체계적 문헌 리뷰를 수행했다.
• 전문가 분석과 학술 및 산업 자료의 검증을 바탕으로 6개의 고수준 카테고리로 분류된 34개의 루트 원인을 포함한 체계적 분류 체계를 개발했다.
• 제안된 분류 체계에 기반해 3개의 기존 공개 러그풀 데이터셋을 평가하여 커버리지 수준을 측정했으며, 루트 원인의 20%만 커버하는 것으로 확인되었다.
• 기존 데이터셋에 90건의 실제 러그풀 사례를 통합하여 새로운 더 포괄적인 데이터셋을 재구성했으며, 커버리지가 54%로 향상되었다.
• 재구성된 데이터셋을 활용해 14개의 오픈소스 러그풀 탐지 도구를 체계적으로 평가하여 34개의 루트 원인 전반에 걸친 탐지 커버리지 수준을 측정했다.
• 문헌 융합, 분류 체계 구축, 데이터셋 비판, 도구 평가를 통합한 다단계 분석 프레임워크(RPAF)를 적용하여 방법론적 엄밀함을 확보했다.

실험 결과

연구 질문

• RQ1 DeFi에서의 러그풀 루트 원인은 무엇이며, 이는 이전에 기록된 패턴과 어떻게 다를까?
• RQ2 기존 공개된 러그풀 데이터셋은 식별된 루트 원인의 전반적인 스펙트럼을 어느 정도 커버하고 있는가?
• RQ3 현재의 탐지 도구들은 다양한 러그풀 메커니즘을 얼마나 효과적으로 식별하는가? 어디서 부족한가?
• RQ4 현재 연구 및 도구 개발에서 러그풀 전략의 하이브리드 및 진화형 형태를 효과적으로 탐지하지 못하는 주요 한계는 무엇인가?

주요 결과

• 이 연구는 러그풀의 34가지 별개의 루트 원인을 규명하였으며, 이 중 학술 문헌에서 이전에 인식되지 않았던 6개의 새로운 카테고리가 포함되어 있다: 버닝, 숨겨진 소유자, 소유권 이관, 검증되지 않은 컨트랙트, 외부 호출, 가짜 LP 잠금.
• 기존 공개 데이터셋은 34개의 루트 원인 중 단 20%만 커버하고 있으며, 3개의 주요 데이터셋에 총 2,448건의 인스턴스가 기록되어 있어 심각한 대표성 격차가 있음을 시사한다.
• 재구성된 데이터셋은 커버리지가 54%로 향상되었으며(2,360건의 인스턴스), 향후 연구를 위한 다양성과 완전성 향상에 기여한다.
• 평가된 14개의 탐지 도구 중 루트 원인의 25개(73.5%)만 탐지 가능하며, 가짜 LP 잠금, 위장 거래, 헤지 전략 등 9개의 핵심 원인은 여전히 탐지되지 않는다.
• 이 연구는 현재의 탐지 도구들이 사회공학 기반 또는 복잡한 컨트랙트 로직을 포함한 하이브리드 및 진화형 러그풀 전략을 효과적으로 대응하지 못하고 있음을 드러냈다.
• 연구는 현재 탐지 기술의 능력과 현대 러그풀 기법의 실제 복잡성 간의 심각한 괴리를 입증하였으며, 향후 세대의 탐지 프레임워크 개발이 급한 필요성을 강조한다.