ردیابی ارزهای دیجیتال جعلی از ابتدا تا انتها: یک مطالعه تجربی بر روی اتریوم

فهرست مطالب

1. مقدمه

از زمان ظهور بیت‌کوین در سال ۲۰۰۹، ارزهای دیجیتال رشد نمایی را تجربه کرده‌اند، به طوری که ارزش کل بازار تا پایان سال ۲۰۱۹ از ۱۸۰ میلیارد دلار فراتر رفته است. با این حال، این گسترش سریع، بازیگران مخربی را جذب کرده که به دنبال سوءاستفاده از اکوسیستم هستند. در حالی که انواع مختلف کلاهبرداری‌های ارز دیجیتال از جمله طرح‌های پانزی و حملات فیشینگ مورد مطالعه قرار گرفته‌اند، ارز دیجیتال جعلی همچنان یک تهدید کمتر مطالعه شده باقی مانده است.

این پژوهش اولین تحلیل تجربی جامع از توکن‌های ارز دیجیتال جعلی در بلاک‌چین اتریوم را ارائه می‌دهد. با بررسی بیش از ۱۹۰,۰۰۰ توکن ERC-20، ما ۲,۱۱۷ توکن جعلی را شناسایی کردیم که ۹۴ مورد از ۱۰۰ ارز دیجیتال محبوب را هدف قرار داده‌اند. توصیف جامع ما از ابتدا تا انتها، عملیات کلاهبرداری پیچیده‌ای را نشان می‌دهد که باعث آسیب مالی قابل توجهی شده است.

2. روش‌شناسی

2.1 جمع‌آوری داده‌ها

ما داده‌های جامع بلاک‌چین را از شبکه اصلی اتریوم، شامل تمام تراکنش‌های توکن ERC-20، کد قرارداد هوشمند و فراداده از نوامبر ۲۰۱۵ تا دسامبر ۲۰۱۹ جمع‌آوری کردیم. مجموعه داده‌های ما شامل موارد زیر است:

• بیش از ۱۹۰,۰۰۰ قرارداد توکن ERC-20
• ۴۵۰+ میلیون تراکنش انتقال توکن
• کد منبع و بایت‌کد قراردادهای هوشمند
• فراداده توکن شامل نام‌ها، نمادها و اعشار

2.2 شناسایی توکن‌های جعلی

ما یک چارچوب شناسایی چندمرحله‌ای برای شناسایی توکن‌های جعلی توسعه دادیم:

2.3 طبقه‌بندی کلاهبرداری‌ها

تحلیل ما دو الگوی اصلی کلاهبرداری را نشان داد:

• طرح‌های پامپ و دامپ: تورم مصنوعی قیمت به دنبال فروش هماهنگ
• کلاهبرداری‌های جعل هویت: توکن‌های جعلی که از پروژه‌های قانونی تقلید می‌کنند تا سرمایه‌گذاران را فریب دهند

3. نتایج تجربی

3.1 تحلیل اکوسیستم

اکوسیستم توکن جعلی، سازمان‌دهی پیچیده‌ای را با کانال‌های توزیع واضح و استراتژی‌های بازاریابی نشان می‌دهد. ما موارد زیر را شناسایی کردیم:

• الگوهای ایجاد متمرکز با خوشه‌بندی زمانی
• تبلیغات چندسکویی از طریق رسانه‌های اجتماعی و فروم‌ها
• مکانیسم‌های توزیع توکن پیچیده

3.2 تأثیر مالی

تحلیل مالی ما آسیب اقتصادی قابل توجهی را نشان می‌دهد:

• حداقل زیان مالی: ۱۷ میلیون دلار (۷۴,۲۷۱.7 اتر)
• متوسط زیان به ازای هر قربانی: ۲,۳۹۲ دلار
• حداکثر یک کلاهبرداری واحد: ۴.۲ میلیون دلار

3.3 تحلیل قربانیان

ما ۷,۱۰۴ قربانی منحصربه‌فرد در کلاهبرداری‌های توکن جعلی شناسایی کردیم. ویژگی‌های قربانیان شامل موارد زیر است:

• توزیع جغرافیایی در ۸۹ کشور
• سطوح مختلف تجربه ارز دیجیتال
• الگوهای رفتاری مشترک در کسب توکن

4. پیاده‌سازی فنی

4.1 الگوریتم شناسایی

الگوریتم شناسایی جعلی ما از تحلیل شباهت و تشخیص الگوی رفتاری استفاده می‌کند:

4.2 چارچوب ریاضی

ما مسئله شناسایی جعلی را با استفاده از معیارهای شباهت و نظریه گراف صوری می‌کنیم:

معیار شباهت توکن:

$S(t_i, t_j) = \alpha \cdot S_{name}(t_i, t_j) + \beta \cdot S_{symbol}(t_i, t_j) + \gamma \cdot S_{behavior}(t_i, t_j)$

که در آن $S_{name}$ شباهت نام را با استفاده از فاصله لونشتاین محاسبه می‌کند، $S_{symbol}$ شباهت نماد را ارزیابی می‌کند و $S_{behavior}$ الگوهای تراکنش را تحلیل می‌کند.

محاسبه امتیاز کلاهبرداری:

$ScamScore(t) = \sum_{i=1}^{n} w_i \cdot f_i(t)$

که در آن $w_i$ نشان‌دهنده وزن‌های ویژگی و $f_i(t)$ نشان‌دهنده مقادیر ویژگی نرمال‌شده شامل الگوهای ایجاد، توزیع دارنده و رفتارهای تراکنش است.

4.3 پیاده‌سازی کد

در اینجا نسخه ساده‌شده الگوریتم شناسایی جعلی ما آمده است:

class CounterfeitDetector:
    def __init__(self, similarity_threshold=0.85):
        self.similarity_threshold = similarity_threshold
        
    def detect_counterfeit_tokens(self, token_list):
        """تابع شناسایی اصلی برای توکن‌های جعلی"""
        counterfeit_tokens = []
        
        for token in token_list:
            similarity_scores = self.calculate_similarity_scores(token, token_list)
            scam_score = self.compute_scam_score(token, similarity_scores)
            
            if scam_score > self.similarity_threshold:
                counterfeit_tokens.append({
                    'token': token,
                    'scam_score': scam_score,
                    'similar_tokens': similarity_scores
                })
        
        return counterfeit_tokens
    
    def calculate_similarity_scores(self, target_token, token_list):
        """محاسبه شباهت بین توکن هدف و همه موارد دیگر"""
        scores = {}
        for token in token_list:
            if token != target_token:
                name_sim = self.name_similarity(target_token.name, token.name)
                symbol_sim = self.symbol_similarity(target_token.symbol, token.symbol)
                behavior_sim = self.behavior_similarity(target_token, token)
                
                total_sim = (0.4 * name_sim + 0.3 * symbol_sim + 0.3 * behavior_sim)
                scores[token.address] = total_sim
        
        return scores
    
    def name_similarity(self, name1, name2):
        """محاسبه شباهت نام با استفاده از فاصله لونشتاین اصلاح شده"""
        # جزئیات پیاده‌سازی برای اختصار حذف شده است
        return normalized_similarity

تحلیل اصلی

5. کاربردهای آینده

یافته‌ها و روش‌های پژوهشی پیامدهای قابل توجهی برای کاربردهای امنیت بلاک‌چین آینده دارند:

• سیستم‌های شناسایی بلادرنگ: ادغام با صرافی‌ها و کیف پول‌های ارز دیجیتال برای پیشگیری فعال از جعلی
• ابزارهای انطباق مقرراتی: سیستم‌های نظارت خودکار برای تنظیم‌کنندگان مالی و سازمان‌های اجرای قانون
• امنیت زنجیره‌ای متقابل: گسترش روش‌های شناسایی به پلتفرم‌های بلاک‌چین دیگر فراتر از اتریوم
• حفاظت DeFi: کاربرد در پروتکل‌های مالی غیرمتمرکز برای جلوگیری از ادغام توکن جعلی
• بهبود یادگیری ماشین: گنجاندن تکنیک‌های پیشرفته ML برای دقت شناسایی بهبود یافته

جهت‌های پژوهشی آینده شامل توسعه پروتکل‌های استاندارد تأیید توکن، ایجاد سیستم‌های اعتبار غیرمتمرکز و ایجاد استانداردهای امنیتی چندسکویی است. ادغام اثبات‌های دانش صفر می‌تواند تأیید را در حین حفظ حریم خصوصی امکان‌پذیر کند و نگرانی‌های بالقوه درباره نظارت در سیستم‌های غیرمتمرکز را مورد توجه قرار دهد.

6. مراجع