Vai al contenuto
Crypto.world

Ricerca

Attenzione al divario: rilevare gli attacchi basati sulla discrepanza tra descrizione ed esecuzione nella governance delle DAO

Le organizzazioni autonome decentralizzate (DAO) modificano i protocolli attraverso un processo basato su proposte: i proponenti presentano una proposta, i membri la votano in base alla sua…

Attenzione al divario: rilevare gli attacchi basati sulla discrepanza tra descrizione ed esecuzione nella governance delle DAO
arXiv
2609.13601
Pubblicato
2026-09-11
Autori
Bowen Cai, Nanzi Yang, Weiheng Bai, Youshui Lu, Yajin Zhou, Kangjie Lu

Abstract degli autori

Le organizzazioni autonome decentralizzate (DAO) modificano i protocolli attraverso un processo basato su proposte: i proponenti presentano una proposta, i membri la votano in base alla sua descrizione in linguaggio naturale e, se viene approvata, il progetto esegue il codice che la accompagna. Questo processo è intrinsecamente vulnerabile alle proposte ingannevoli, nelle quali l’intento descritto non corrisponde all’effettiva esecuzione del codice. Un proponente malevolo può presentare una descrizione apparentemente innocua per ottenere l’approvazione al voto, mentre il codice eseguito trasferisce fondi o assume il controllo del protocollo: è ciò che chiamiamo attacco basato sulla discrepanza tra descrizione ed esecuzione (Description-Execution Mismatch, DEMI). Presentiamo il primo framework sistematico per rilevare gli attacchi DEMI nella governance delle DAO reali. In primo luogo, la varietà delle implementazioni delle DAO rende difficile un’analisi unificata e scalabile; affrontiamo il problema con un framework di simulazione indipendente dalla specifica DAO, che costruisce un profilo di governance per ciascuna DAO a partire dalle transazioni on-chain passate e poi sottopone ogni nuova proposta all’intero ciclo di governance per osservarne il comportamento in fase di esecuzione. In secondo luogo, è difficile confrontare descrizioni in forma libera e tracce di esecuzione strutturate; affrontiamo il problema con un metodo di mappatura delle evidenze che richiede a un LLM di individuare giustificazioni testuali esplicite per ogni azione, anziché formulare un giudizio complessivo, migliorando sensibilmente precisione e richiamo rispetto all’interrogazione diretta. Su un dataset di ampia scala relativo alla governance di DAO reali su Ethereum, la nostra simulazione ricava risultati di esecuzione per il 92,7% delle DAO attive e per l’89,3% delle proposte eseguite, superando di gran lunga le piattaforme esistenti. Il nostro sistema di rilevamento raggiunge una precisione media dell’81,7% e un richiamo medio del 98,3% con la validazione incrociata stratificata; la mappatura delle evidenze, inoltre, si generalizza a LLM di fornitori diversi anziché dipendere da un solo modello. In una valutazione sistematica red-team/blue-team, Robustness Guard respinge la maggior parte degli attacchi adattivi anche quando l’avversario conosce il sistema di rilevamento, e questa robustezza si estende alle proposte tenute da parte.

Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.

Leggi il paper originale su arXiv