[论文解读] A Deep Dive into NFT Rug Pulls

Jintao Huang, Ningyu He+3 more|arXiv (Cornell University)|May 10, 2023

Software Engineering Research被引用 4

一句话总结

本文首次对NFT跑路骗局进行了全面研究，提出了一种基于规则的检测系统，识别出7,487个已确认的跑路项目——是现有数据集的30倍大——并开发了一个预测模型，能在跑路发生前96小时提前预警90%的骗局，从而实现对NFT生态中财务损失的早期缓解。

ABSTRACT

NFT rug pull is one of the most prominent type of scam that the developers of a project abandon it and then run away with investors' funds. Although they have drawn attention from our community, to the best of our knowledge, the NFT rug pulls have not been systematically explored. To fill the void, this paper presents the first in-depth study of NFT rug pulls. Specifically, we first compile a list of 253 known NFT rug pulls as our initial ground truth, based on which we perform a pilot study, highlighting the key symptoms of NFT rug pulls. Then, we enforce a strict rule-based method to flag more rug pulled NFT projects in the wild, and have labelled 7,487 NFT rug pulls as our extended ground truth. Atop it, we have investigated the art of NFT rug pulls, with kinds of tricks including explicit ones that are embedded with backdoors, and implicit ones that manipulate the market. To release the expansion of the scam, we further design a prediction model to proactively identify the potential rug pull projects in an early stage ahead of the scam happens. We have implemented a prototype system deployed in the real-world setting for over 5 months. Our system has raised alarms for 7,821 NFT projects, by the time of this writing, which can work as a whistle blower that pinpoints rug pull scams timely, thus mitigating the impacts.

研究动机与目标

• 系统性地调查NFT跑路骗局，这是NFT生态系统中一种主要的诈骗类型，但迄今为止缺乏全面分析。
• 通过基于规则的检测方法，利用链上和链下数据构建可靠的大规模数据集，以衡量NFT跑路骗局的真实普遍性。
• 揭示除基础的拉高出货（pump-and-dump）模式外，跑路者使用的复杂技术，包括后门利用和市场操纵。
• 开发一个实时预测模型，能够在资金被盗前主动标记潜在的跑路项目，从而实现早期干预。
• 在真实环境中部署原型预警系统，已成功对7,821个NFT项目发出警报，确认率较高。

提出的方法

• 通过社区贡献的数据构建了253个已知NFT跑路骗局的初始真实标签，用于试点症状分析。
• 设计了一套严格的基于规则的检测器，利用14个关键症状（例如：突然的代币转账、异常的铸造模式）在173,000个以太坊NFT项目中识别出7,487个额外的跑路项目。
• 使用定制分析器对智能合约和交易数据进行分析，将8种不同的骗局手法进行分类与研究，包括显式后门利用和隐式市场操纵。
• 利用73个链上和链下特征（例如：交易频率、钱包行为、社交媒体活动）构建机器学习预测模型，以检测早期预警信号。
• 自2022年11月起在以太坊上持续部署实时原型系统，持续监控并为可疑项目发出警报。
• 通过与外部证据交叉验证，并对7,821个项目进行事后确认，验证了结果，结果超出扩展的真实标签范围。

Figure 1: The activity of AniMoon on OpenSea.

实验结果

研究问题

• RQ1 哪些链上和链下的症状是NFT跑路骗局的典型特征？
• RQ2 NFT跑路骗局在以太坊NFT生态系统中有多普遍？此类骗局的真实规模如何？
• RQ3 除了简单的拉高出货模式外，跑路者还使用了哪些复杂手法？
• RQ4 是否可以利用早期阶段的信号在骗局发生前预测跑路事件？
• RQ5 实时预警系统在实践中识别和缓解NFT跑路骗局的有效性如何？

主要发现

• 通过基于规则的方法识别出7,487个NFT跑路项目，是现有社区维护数据集的30倍。
• 在7,487个跑路项目中，84%使用了至少一种复杂手法，如隐藏后门或市场操纵，远超基础的拉高出货行为。
• 预测模型成功在跑路发生前至少96小时对90%的NFT骗局事件发出警报，展现出强大的早期检测能力。
• 已部署的原型系统在实际运行中已对7,821个NFT项目发出警告，其中大多数通过后续证据被确认为骗局。
• 研究发现84%的跑路骗局涉及故意的技术或市场操纵，表明其具有高度的预谋性和复杂性。
• 本研究确认的7,487个跑路项目数据集是未来NFT诈骗与安全研究领域最大的公开基准数据集。

Figure 2: The whole process of AniMoon rug pull.