[论文解读] Characterizing EOSIO Blockchain

Yuheng Huang, Haoyu Wang+7 more|arXiv (Cornell University)|Feb 13, 2020

Blockchain Technology Applications and Security参考文献 22被引用 21

一句话总结

本文首次对EOSIO区块链进行了大规模测量研究，通过分析数十亿笔交易的链上与链下数据，识别出类似机器人账户及欺诈行为。利用行为聚类与异常检测技术，研究发现超过30%的账户为机器人账户，301个攻击账户导致超过80万EOS的损失，其中80个已由DApp团队确认。

ABSTRACT

EOSIO has become one of the most popular blockchain platforms since its mainnet launch in June 2018. In contrast to the traditional PoW-based systems (e.g., Bitcoin and Ethereum), which are limited by low throughput, EOSIO is the first high throughput Delegated Proof of Stake system that has been widely adopted by many applications. Although EOSIO has millions of accounts and billions of transactions, little is known about its ecosystem, especially related to security and fraud. In this paper, we perform a large-scale measurement study of the EOSIO blockchain and its associated DApps. We gather a large-scale dataset of EOSIO and characterize activities including money transfers, account creation and contract invocation. Using our insights, we then develop techniques to automatically detect bots and fraudulent activity. We discover thousands of bot accounts (over 30\% of the accounts in the platform) and a number of real-world attacks (301 attack accounts). By the time of our study, 80 attack accounts we identified have been confirmed by DApp teams, causing 828,824 EOS tokens losses (roughly 2.6 million US\$) in total.

研究动机与目标

• 为了在大规模范围内理解EOSIO区块链生态系统的运行机制，特别是交易模式与用户行为。
• 识别并描述EOSIO平台上普遍存在的类似机器人账户及欺诈活动。
• 检测并分析EOSIO DApp中真实存在的安全攻击，包括权限滥用与攻击链。
• 为DApp开发者、交易所及监管机构提供可操作的洞察与取证技术，以减轻欺诈行为并提升区块链安全性。
• 通过可推广的检测方法论，为在其他区块链平台上识别类似威胁奠定基础。

提出的方法

• 收集了超过30亿笔EOSIO交易、100万个账户以及链下DApp与攻击报告的大规模数据集。
• 对链上活动进行了探索性分析，包括资金转账、账户创建与合约调用。
• 应用行为聚类与基于图的分析方法，依据交易模式与相似性检测类似机器人账户。
• 使用启发式规则与人工验证标记可疑账户，重点关注群体行为与异常模式。
• 开发了攻击追踪技术，将恶意账户与特定DApp漏洞利用及损失事件关联。
• 将发现结果报告给DApp团队，并与交易所合作追踪并可能追回被盗资产。

实验结果

研究问题

• RQ1 EOSIO区块链上的主导交易模式与用户行为是什么？它们与正常使用行为有何偏离？
• RQ2 类似机器人账户在EOSIO平台上的普遍程度如何？其主要目的为何（如奖励猎取、点击欺诈等）？
• RQ3 EOSIO DApp中存在哪些类型的漏洞与攻击，特别是涉及权限滥用的攻击？
• RQ4 统计与行为分析在检测传统静态分析无法识别的恶意账户与攻击方面，其有效性如何？
• RQ5 所提出的检测与追踪技术在识别并确认真实世界欺诈与损失事件方面的有效性如何？

主要发现

• EOSIO账户中前0.47%的账户贡献了全部交易量的90%，表明活动高度集中。
• 超过30.75%的账户（381,008个）被标记为类似机器人账户，共涉及1.92亿笔交易与6.4亿EOS的转账。
• 超过5,500个账户表现出权限滥用行为，授予了'eosio.code'权限，构成隐蔽代币盗窃的高风险向量。
• 识别出301个可疑攻击账户，其中80个已由DApp团队确认，导致828,824 EOS代币损失（约260万美元）。
• 研究证实，欺诈与恶意活动在EOSIO上具有系统性特征，存在真实财务损失，并有协同攻击的证据。
• 检测框架成功促成了与DApp团队及交易所的合作，使四起案件中的被盗资金得以追踪并可能追回。