Ufuatiliaji wa Sarafu Bandia za Kriptografia Kutoka Mwanzo hadi Mwisho: Utafiti wa Kihalisi kwenye Ethereum

Yaliyomo

1. Utangulizi

Tokeo la Bitcoin mwaka 2009, sarafu za kriptografia zimekuwa na ukuaji mkubwa, na jumla ya thamani ya soko likizidi dola bilioni 180 mwishoni mwa 2019. Hata hivyo, ukuaji huu wa haraka umevutia watu wabaya wanaotaka kuitumia vibaya mfumo huu. Ingawa aina mbalimbali za matapeli za kriptografia zimesomwa, ikiwemo miradi ya Ponzi na mashambulio ya kuvizia, sarafu bandia za kriptografia bado ni tishio lisilosomwa vya kutosha.

Utafiti huu unawasilisha uchambuzi wa kwanza wa kina wa kihalisi wa tokeni bandia za kriptografia kwenye blockchain ya Ethereum. Kwa kuchunguza tokeni za ERC-20 zaidi ya 190,000, tulibaini tokeni bandia 2,117 zikilenga sarafu 94 kati ya sarafu 100 maarufu zaidi za kriptografia. Utabiri wetu wa kina unaonyesha shughuli za udanganyifu zenye ustadi zisababisha uharibifu mkubwa wa kifedha.

2. Mbinu za Utafiti

2.1 Ukusanyaji wa Data

Tulikusanya data kamili ya blockchain kutoka mtandao mkuu wa Ethereum, ikiwa ni pamoja na shughuli zote za hamisha tokeni za ERC-20, msimbo wa kandarasi mahiri, na metadata kuanzia Novemba 2015 hadi Desemba 2019. Seti yetu ya data inajumuisha:

• Kandarasi za tokeni za ERC-20 190,000+
• Shughuli za hamisha tokeni milioni 450+
• Msimbo chanzi na msimbo wa baiti wa kandarasi mahiri
• Metadata ya tokeni ikiwa ni pamoja na majina, alama, na desimali

2.2 Ugunduzi wa Tokeni Bandia

Tulitengeneza mfumo wa ugunduzi wa hatua nyingi kutambua tokeni bandia:

2.3 Uainishaji wa Ujanja

Uchambuzi wetu ulifunua muundo mkuu wa matapeli:

• Mipango ya Kupampu na Kumwaga: Kuongezeka kwa bei bandia kufuatwa na uuzaji uliopangwa
• Matapeli ya Kujifanya: Tokeni bandia zinazoiga miradi halali ili kuwadanganya wawekezaji

3. Matokeo ya Majaribio

3.1 Uchambuzi wa Mfumo Ikoloji

Mfumo wa tokeni bandia unaonyesha ushirikiano wenye ustadi na njia wazi za usambazaji na mikakati ya uuzaji. Tulibaini:

• Miundo ya uundaji iliyojikita na kusanyiko la kitampo
• Ukuzaaji kupitia mitandao ya kijamii na majukwaa
• Mifumo ya usambazaji wa tokeni yenye ustadi

3.2 Athari za Kifedha

Uchambuzi wetu wa kifedha unaonyesha uharibifu mkubwa wa kiuchumi:

• Hasara ndogo za kifedha: dola milioni 17 (ETH 74,271.7)
• Hasara ya wastani kwa mhasiriwa: dola 2,392
• Ujanja mmoja mkubwa zaidi: dola milioni 4.2

3.3 Uchambuzi wa Wahasiriwa

Tulibaini wahasiriwa 7,104 tofauti katika matapeli ya tokeni bandia. Sifa za wahasiriwa ni pamoja na:

• Usambazaji wa kijiografia katika nchi 89
• Viwango tofauti vya uzoefu wa kriptografia
• Miundo ya kawaida ya tabia katika upatikanaji wa tokeni

4. Utekelezaji wa Kiufundi

4.1 Algorithm ya Ugunduzi

Algorithm yetu ya ugunduzi wa bandia hutumia uchambuzi wa ufanano na utambuzi wa muundo wa tabia:

4.2 Mfumo wa Kihisabati

Tunaweka taswira shida ya ugunduzi wa bandia kwa kutumia vipimo vya ufanano na nadharia ya grafu:

Kipimo cha Ufanano cha Tokeni:

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

Ambapo $S_{name}$ inakokotoa ufanano wa jina kwa kutumia umbali wa Levenshtein, $S_{symbol}$ inatathmini ufanano wa alama, na $S_{behavior}$ inachambua miundo ya shughuli.

Kokotoa Alama ya Ujanja:

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

Ambapo $w_i$ inawakilisha uzani wa vipengele na $f_i(t)$ inawakilisha thamani za kawaida za vipengele ikiwa ni pamoja na miundo ya uundaji, usambazaji wa wamiliki, na tabia za shughuli.

4.3 Utekelezaji wa Msimbo

Hapa kuna toleo rahisi la algorithm yetu ya ugunduzi wa bandia:

class CounterfeitDetector:
    def __init__(self, similarity_threshold=0.85):
        self.similarity_threshold = similarity_threshold
        
    def detect_counterfeit_tokens(self, token_list):
        """Main detection function for counterfeit tokens"""
        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):
        """Calculate similarity between target token and all others"""
        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):
        """Compute name similarity using modified Levenshtein distance"""
        # Implementation details omitted for brevity
        return normalized_similarity

Uchambuzi wa Asili

5. Matumizi ya Baadaye

Matokeo ya utafiti na mbinu zina athari kubwa kwa matumizi ya usalama wa blockchain ya baadaye:

• Mifumo ya Ugunduzi wa Wakati Halisi: Ujumuishaji na vihifadhi sarafu na pochi kwa kinga ya mapema ya bandia
• Vifaa vya Kufuata Kanuni: Mifumo ya ufuatiliaji ya kiotomatiki kwa wasimamizi wa kifedha na mashirika ya sheria
• Usalama wa Mnyororo Mwingine: Upanuzi wa mbinu za ugunduzi kwa majukwaa mengine ya blockchain zaidi ya Ethereum
• Kinga ya DeFi: Matumizi kwa itifaki za kifedha zisizo za katikati kuzuia ujumuishaji wa tokeni bandia
• Uboreshaji wa Kujifunza Mashine: Ujumuishaji wa mbinu za hali ya juu za ML kwa usahihi bora wa ugunduzi

Maelekezo ya utafiti wa baadaye ni pamoja na kuendeleza itifaki za kawaida za uthibitishaji wa tokeni, kuunda mifumo ya sifa isiyo ya katikati, na kuanzisha viwango vya usalama vya jukwaa mwingine. Ujumuishaji wa uthibitisho wa siri unaweza kuwezesha uthibitisho huku ukihifadhi faragha, kushughulikia wasiwasi uwezekano wa upelelezi katika mifumo isiyo ya katikati.

6. Marejeo