Ricerca
Un framework di rilevamento e difesa orientato al ciclo di vita contro gli attacchi di manipolazione dei prezzi nella DeFi
Per affrontare i frequenti attacchi di manipolazione dei prezzi degli oracoli nella finanza decentralizzata (DeFi), questo studio esamina le modalità di attacco, i tipi di vulnerabilità, la…

- arXiv
- 2608.15518
- Pubblicato
- 2026-08-16
- Autori
- Xingyu Xiong, Chang Liu, Xiaoqi Li
Abstract degli autori
Per affrontare i frequenti attacchi di manipolazione dei prezzi degli oracoli nella finanza decentralizzata (DeFi), questo studio esamina le modalità di attacco, i tipi di vulnerabilità, la valutazione dei rischi, il rilevamento automatizzato e le strategie di difesa. Sulla base della teoria del ciclo di vita degli oracoli, costruisce un albero degli attacchi a tre livelli — fisico, di protocollo e applicativo — per analizzare la catena dell’attacco e individuare nella fase di selezione dei dati un punto di intrusione cruciale. Lo studio individua quattro principali vulnerabilità a livello di contratto: validazione insufficiente del flusso dei dati sui prezzi, rischi legati alle chiamate agli oracoli, chiamate non controllate tra contratti e difetti nella logica di lettura dei prezzi degli AMM. Combina i modelli Fuzzy-AHP e Value-at-Risk (VaR) per quantificare i fattori di rischio e costruire una matrice che copre i rischi tecnologici, di mercato, di governance e contrattuali. Sviluppa inoltre uno strumento di rilevamento automatizzato basato su una versione estesa del framework Slither, che utilizza il tracciamento dei dati contaminati e il riconoscimento di schemi. Infine, propone una strategia di difesa multilivello che integra ambienti di esecuzione affidabili a livello delle fonti dei dati, il livellamento tramite TWAP e interruttori automatici adattivi a livello degli smart contract, e configurazioni di rete del kernel ottimizzate a livello dei sistemi operativi. Gli esperimenti mostrano che l’approccio proposto riduce lo scostamento dei prezzi causato dagli attacchi dal 55,56% a meno del 5%. Lo strumento di rilevamento raggiunge un’accuratezza del 94,38% e una recall del 92,31%, superando gli strumenti open source esistenti.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv