[论文解读] SoK: Comprehensive Analysis of Rug Pull Causes, Datasets, and Detection Tools in DeFi

Dianxiang Sun, Wei Ma+2 more|arXiv (Cornell University)|Mar 24, 2024

Nuclear Materials and PropertiesMaterials Science被引用 3

一句话总结

本文提出了去中心化金融（DeFi）中34种洗盘行为成因的全面分类体系，评估了现有数据集和检测工具，并提出了一个扩展后的数据集，覆盖了54%的成因。研究发现，当前检测工具未能识别26.5%的洗盘类型，暴露出研究与实践中存在的关键空白。

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.

研究动机与目标

• 通过整合行业洞察与学术文献，弥合学术研究与现实世界DeFi洗盘模式之间日益扩大的脱节。
• 识别并分类34种洗盘的根本原因，其中包括六个源自行业报告的新型类别：销毁（burn）、隐藏所有者（hidden owner）、所有权转移（ownership transfer）、未验证合约（unverified contract）、外部调用（external call）和虚假流动性池锁定（fake LP lock）。
• 评估现有公开洗盘数据集对所提出的分类体系的覆盖程度，以揭示其代表性与完整性方面的局限性。
• 评估14种现有检测工具在识别洗盘成因全谱方面的有效性，揭示其显著盲点。
• 通过整合90个真实世界的洗盘实例，重建一个更全面的数据集（共2,360个实例），以提升研究的可复现性，并为未来检测工具的开发提供支持。

提出的方法

• 在七个数据库（Google Scholar、IEEE Xplore、Scopus、ACM DL、arXiv、Google Search、Twitter）中开展系统性文献综述，收集661篇学术与工业来源。
• 基于学术与行业来源的专家分析与验证，构建了一个包含34种根本原因的结构化分类体系，分为六个高层级类别。
• 将三个现有公开的洗盘数据集与该分类体系进行对比评估，以衡量其覆盖程度，发现仅覆盖了20%的根本原因。
• 通过整合90个真实世界的洗盘实例到现有数据集中，重建了一个更全面的数据集，将覆盖度提升至54%。
• 系统性地使用重建后的数据集评估14个开源洗盘检测工具，以衡量其在全部34种根本原因上的检测覆盖度。
• 应用多阶段分析框架（RPAF），结合文献综合、分类体系构建、数据集批判与工具评估，确保方法论的严谨性。

实验结果

研究问题

• RQ1 DeFi中洗盘行为的完整且最新的根本原因是什么？它们与以往记录的模式有何不同？
• RQ2 现有公开的洗盘数据集在多大程度上覆盖了已识别的根本原因全谱？
• RQ3 当前检测工具在识别洗盘机制多样性方面的有效性如何？其短板体现在何处？
• RQ4 当前研究与工具在哪些方面存在关键局限，阻碍了对新兴及混合型洗盘策略的稳健检测？

主要发现

• 本研究识别出34种不同的洗盘根本原因，其中包括六个此前学术文献中未被识别的新型类别：销毁（burn）、隐藏所有者（hidden owner）、所有权转移（ownership transfer）、未验证合约（unverified contract）、外部调用（external call）和虚假流动性池锁定（fake LP lock）。
• 现有公开数据集仅覆盖了34种根本原因中的20%，在三个主要数据集中共记录2,448个实例，表明存在严重的代表性不足。
• 重建后的数据集将覆盖度提升至54%（共2,360个实例），显著提升了未来研究的多样性与完整性。
• 在评估的14种检测工具中，仅有25种根本原因（占73.5%）可被检测，仍有九种关键原因（如虚假流动性池锁定、对倒交易、对冲策略等）未被识别。
• 研究发现，当前检测工具未能应对涉及社交工程或复杂合约逻辑的混合型与演进型洗盘策略。
• 本研究揭示了当前检测能力与现代洗盘方案实际复杂性之间存在严重错配，凸显了开发下一代检测框架的紧迫需求。