# Uno studio su Solana non rileva un chiaro vantaggio iniziale per il rilevamento dei rug pull basato sui grafi

Published 2026-11-11 · Crypto.world Team · Crypto.world

> Un preprint confronta modelli basati sui grafi e altri modelli per individuare potenziali rug pull su Solana poco dopo la creazione dei token. I ricercatori non hanno rilevato un vantaggio iniziale statisticamente supportato per i modelli basati sui grafi, ma hanno affermato che i test non potevano escludere miglioramenti più contenuti.

In un nuovo preprint, i modelli basati sui grafi non hanno mostrato un vantaggio statisticamente supportato rispetto a un modello non basato sui grafi nell’individuazione più precoce di potenziali rug pull su Solana. Lo studio, presentato il 9 novembre, confronta le previsioni formulate sulla base dei primi minuti di attività di un token. Gli autori hanno affermato che il risultato è inconcludente e non dimostra che i diversi tipi di modello abbiano prestazioni equivalenti.

Fonte [arxiv.org](https://arxiv.org/abs/2611.13342)

## Il test su brevi periodi di attività

I ricercatori sono partiti da 2700 token selezionati dal dataset SolRPDS, raccogliendo da Birdeye dati di mercato a intervalli di un minuto e da Solana RPC i trasferimenti di token. La maggior parte dei token campionati è stata creata nel 2024, mentre il gruppo finale utilizzato per la modellazione copriva il periodo da settembre 2022 a ottobre 2024.

Il team ha esaminato finestre di osservazione di circa 12,5, 35,5 e 93 minuti dopo la creazione dei token, fissate prima della raccolta dei dati. Per ogni finestra, i modelli hanno utilizzato solo le informazioni disponibili entro il momento limite per la previsione.

Il confronto comprendeva reti neurali basate sui grafi, che utilizzano le relazioni tra gli estremi dei trasferimenti, e modelli non basati sui grafi a cui sono state fornite le stesse quattordici caratteristiche relative ai token e riepilogative dei grafi. I ricercatori hanno inoltre mantenuto un gruppo di token osservati in tutte le finestre, per confrontare i tempi di osservazione senza modificare la popolazione di token.

## Come sono stati classificati i token

Lo studio ha utilizzato un orizzonte nominale di 24 ore dalla creazione per determinare se un token soddisfacesse la definizione operativa di rug pull adottata. Per ricevere un’etichetta positiva, un token doveva soddisfare le condizioni relative a un calo della liquidità, a un crollo del prezzo e a un esaurimento persistente della liquidità.

La regola richiedeva che la liquidità scendesse di oltre l’80% rispetto al picco precedente. Anche il prezzo più basso dopo il calo doveva essere inferiore di oltre il 90% al prezzo più alto precedente. Secondo i criteri dello studio, l’esaurimento della liquidità doveva inoltre persistere nei 30 minuti successivi al calo.

Un’etichetta positiva è un risultato operativo, non una prova di intenzionalità. La definizione non rileva i rug pull più lenti né gli schemi che non comportano un drenaggio della liquidità, tra cui l’abuso dell’autorità di congelamento.

## Risultati contrastanti dei modelli

Gli autori hanno riscontrato differenze nelle dimensioni, nella densità, nella reciprocità e nella centralizzazione sul lato dei destinatari dei grafi dei trasferimenti tra i token classificati come rug pull e quelli non classificati come tali, entro i primi 12,5 minuti. Nell’analisi principale, tuttavia, nessuna delle reti neurali basate sui grafi al momento limite più precoce ha ottenuto risultati significativamente migliori di XGBoost sugli stessi token in nessuno dei tre momenti limite.

Su quel gruppo fisso, la precisione media di XGBoost sul test è scesa da 0,464 al momento limite più precoce a 0,393 al più tardivo, secondo quanto riportato nello studio. In un confronto esplorativo separato, che utilizzava modelli selezionati per ciascuna configurazione, il modello basato sui grafi scelto ha ottenuto una precisione media sul test più alta in 5 configurazioni su 6. Nessuna delle differenze, però, è rimasta significativa dopo la correzione per i test multipli.

## Limiti dei risultati

Il gruppo fisso escludeva i token il cui evento di rug pull si era verificato prima del momento limite più tardivo, quindi i risultati non si estendono a quei casi più rapidi. I grafi dei trasferimenti ricostruiti erano parziali e non codificavano gli importi trasferiti. Nel gruppo originario, per il 46,4% dei campioni era stato ricostruito un grafo nella finestra più precoce.

I test hanno utilizzato un’unica suddivisione cronologica, con insiemi di test composti da 136–159 token. I ricercatori hanno stimato che i confronti all’interno delle singole finestre richiedessero differenze di precisione media di circa 0,10–0,18 per una potenza statistica dell’80%. Hanno affermato che erano necessari insiemi di test più ampi per stabilire se l’andamento osservato dei miglioramenti dei modelli basati sui grafi fosse affidabile.

## Fonti

1. Fonte originale · Preprint [Early Rug Pull Detection on Solana](https://arxiv.org/abs/2611.13342) arXiv:2611.13342

## Notizie correlate

- [Uno studio sostiene che la proof-of-work utile potrebbe aumentare il consumo di elettricità](https://crypto.world/it/news/useful-proof-of-work-energy-use-study)
- [Ricercatori propongono di ripartire le ricompense del mining di Bitcoin nell’era delle sole commissioni](https://crypto.world/it/news/bitcoin-fee-only-mining-reward-split-proposal)
- [Uno studio rileva che gli LLM diagnosticano spesso in modo errato i difetti dei bridge di Solana](https://crypto.world/it/news/study-llms-misdiagnose-solana-bridge-flaws)
- [Ledger porta il motore di firma chiara di Solana nell’app versione 1.17.0](https://crypto.world/it/news/ledger-solana-clear-signing-engine-app)
- [I validatori Solana affrontano una vulnerabilità Linux valutata 9,8, in attesa della patch Ubuntu](https://crypto.world/it/news/solana-validators-linux-kernel-flaw-ubuntu-patch)

## Esplora

[Altri articoli](https://crypto.world/it/news)

---

Canonical: https://crypto.world/it/news/solana-early-rug-pull-detection-study
