[论文解读] Trade or Trick? Detecting and Characterizing Scam Tokens on Uniswap Decentralized Exchange

Pengcheng Xia, Haoyu Wang+7 more|arXiv (Cornell University)|Sep 1, 2021

Blockchain Technology Applications and Security参考文献 39被引用 17

一句话总结

本文提出了一种结合罪责关联启发式方法与机器学习的混合检测框架，用于识别Uniswap V2上的欺诈代币，发现超过10,000个欺诈代币——约占列出代币的50%——揭示了协调一致的“跑路”骗局和共谋网络，导致至少39,762名受害者遭受1600万美元的损失。

ABSTRACT

The prosperity of the cryptocurrency ecosystem drives the need for digital asset trading platforms. Beyond centralized exchanges (CEXs), decentralized exchanges (DEXs) are introduced to allow users to trade cryptocurrency without transferring the custody of their digital assets to the middlemen, thus eliminating the security and privacy issues of traditional CEX. Uniswap, as the most prominent cryptocurrency DEX, is continuing to attract scammers, with fraudulent cryptocurrencies flooding in the ecosystem. In this paper, we take the first step to detect and characterize scam tokens on Uniswap. We first collect all the transactions related to Uniswap V2 exchange and investigate the landscape of cryptocurrency trading on Uniswap from different perspectives. Then, we propose an accurate approach for flagging scam tokens on Uniswap based on a guilt-by-association heuristic and a machine-learning powered technique. We have identified over 10K scam tokens listed on Uniswap, which suggests that roughly 50% of the tokens listed on Uniswap are scam tokens. All the scam tokens and liquidity pools are created specialized for the "rug pull" scams, and some scam tokens have embedded tricks and backdoors in the smart contracts. We further observe that thousands of collusion addresses help carry out the scams in league with the scam token/pool creators. The scammers have gained a profit of at least \$16 million from 39,762 potential victims. Our observations in this paper suggest the urgency to identify and stop scams in the decentralized finance ecosystem, and our approach can act as a whistleblower that identifies scam tokens at their early stages.

研究动机与目标

• 系统性地检测并表征Uniswap上存在的欺诈代币，Uniswap是无上市要求的领先去中心化交易所。
• 理解欺诈代币在去中心化金融（DeFi）生态系统中的普遍性、运作机制及其财务影响。
• 开发一种可扩展、高精度的检测方法，能够在大规模损失发生前早期识别欺诈代币。
• 揭示共谋地址与恶意智能合约模式在促成“跑路”骗局中的作用。
• 倡导利用所提出的检测技术在DeFi中建立声誉系统，以减轻未来欺诈风险。

提出的方法

• 作者收集并分析了所有Uniswap V2交易数据，以绘制交易图谱并识别可疑模式。
• 应用罪责关联启发式方法，将与已知欺诈地址或池子关联的代币标记为高风险。
• 基于人工标注的基准数据集（包含欺诈与合法代币）训练机器学习模型，使用行为特征与链上特征。
• 检测流程结合启发式扩展与机器学习验证，以提高准确性并减少误报。
• 特征包括代币创建模式、流动性池行为、交易频率，以及智能合约异常（如后门或转账限制）。
• 通过人工分析验证框架，并与已知欺诈事件交叉比对，以确保可靠性。

实验结果

研究问题

• RQ1 鉴于Uniswap V2的开放上市政策，其上欺诈代币的真实规模与普遍性如何？
• RQ2 欺诈代币在技术上如何运作？其智能合约与流动性池中存在哪些常见模式？
• RQ3 欺诈代币在多大程度上通过涉及虚假地址与流动性操纵的共谋网络进行协调？
• RQ4 受害者遭受了多大的财务损失？早期检测在多大程度上可减轻此类影响？
• RQ5 结合启发式与机器学习技术的混合方法能否在造成广泛损害前有效检测欺诈代币？

主要发现

• 在Uniswap V2上识别出超过10,000个欺诈代币及其相关流动性池，约占所有列出代币的50%。
• 所有欺诈代币及其池子均专门针对“跑路”攻击而创建，其中许多包含恶意代码，如后门或转账限制。
• 数千个共谋地址被观察到积极参与欺诈活动，协助洗钱与“跑路”骗局。
• 该欺诈生态系统从39,762名受害者处获利至少1600万美元，表明其为高度组织化且有利可图的运作。
• 所提出的检测方法能有效在早期阶段识别欺诈代币，展现出高准确率与实际部署的适用性。
• 本研究揭示，欺诈代币泛滥的根本原因在于去中心化平台缺乏监管与监督，表明其他DEX和DeFi项目也存在类似风险。