[论文解读] 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 4

一句话总结

本文提出了一种基于项目生命周期的去中心化金融（DeFi）欺诈分类法，涵盖开发、引入、增长、成熟和衰退五个阶段，实现了分阶段的AI驱动欺诈检测。研究识别出树模型和图模型最为有效，同时倡导采用实时分析、跨链数据以及隐私保护型AI，以提升在不断演化的DeFi生态系统中的检测能力。

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.

研究动机与目标

• 为解决缺乏系统性框架对DeFi欺诈进行全项目生命周期分类的问题。
• 分析不同类型的欺诈与DeFi项目开发特定阶段之间的相关性。
• 综述并评估现有的AI驱动欺诈检测技术，包括自然语言处理（NLP）、统计建模以及图学习方法。
• 识别研究空白并提出未来研究方向，尤其关注实时检测、全面数据利用以及隐私保护型AI。
• 为研究人员、从业者和监管机构提供指导，以构建更加可信的DeFi生态系统。

提出的方法

• 基于产品生命周期理论，提出一种新颖的DeFi欺诈分类法，将欺诈划分为五个阶段：开发、引入、增长、成熟和衰退。
• 在各阶段审查AI技术，包括树模型（如XGBoost）、图神经网络、用于白皮书和社交媒体的自然语言处理（NLP），以及统计建模。
• 通过分析链上交易模式、智能合约代码以及链下数据（如社交媒体、Telegram、Reddit）来识别欺诈信号。
• 强调跨链分析和巨鲸账户行为，以揭示超越单一区块链系统的隐藏欺诈模式。
• 倡导采用高效、可扩展的AI模型，构建具备早期预警能力的实时欺诈检测系统。
• 引入隐私保护技术，如零知识证明，以在满足KYC合规要求的同时平衡用户匿名性与欺诈检测需求。

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

实验结果

研究问题

• RQ1 不同类型的DeFi欺诈与项目生命周期的特定阶段之间存在何种关联？
• RQ2 在各项目阶段中，哪些AI技术——如NLP、图模型或树模型算法——在欺诈检测方面最为有效？
• RQ3 跨链数据以及链下行为信号（如社交媒体、巨鲸账户）在提升欺诈检测能力方面发挥何种作用？
• RQ4 如何设计实时与早期预警欺诈检测系统，以主动预防DeFi中的损失？
• RQ5 在去中心化系统中，如何在隐私保护、监管合规（如KYC）与有效欺诈检测之间实现平衡？

主要发现

• DeFi项目生命周期的各个阶段与欺诈类型之间存在显著相关性，不同阶段呈现出独特的欺诈模式，包括开发、引入、增长、成熟和衰退阶段。
• 树模型（如XGBoost）和图模型在检测欺诈性交易及智能合约异常方面表现出色。
• 2011年至2023年间，DeFi欺诈导致超过167亿美元的加密资产损失，共报告231起黑客攻击、135起安全事件和95起欺诈计划。
• 4%的加密巨鲸账户持有250亿美元资产，且在犯罪活动中占比过高，凸显对特殊账户实施监控的必要性。
• 实时欺诈检测仍处于发展初期，现有研究在效率与早期检测方面关注有限，导致主动干预存在关键缺口。
• 隐私保护型AI与零知识证明为在DeFi中调和监管需求与用户隐私提供了可行路径，尽管实际部署仍面临挑战。

Figure 3. DeFi Frauds along Project Life Cycle.