Ricerca
Dalla viralità al vuoto: analisi multidimensionale dei comportamenti e dei contratti per identificare i rug pull
Con la continua espansione e maturazione degli ecosistemi blockchain e della finanza decentralizzata (DeFi), le truffe rug pull legate alle meme coin si verificano sempre più spesso, minacciando la…

- arXiv
- 2608.01609
- Pubblicato
- 2026-08-03
- Autori
- Jinyin Song, Hongping Wang, Xiaoqi Li
Abstract degli autori
Con la continua espansione e maturazione degli ecosistemi blockchain e della finanza decentralizzata (DeFi), le truffe rug pull legate alle meme coin si verificano sempre più spesso, minacciando la sicurezza dei patrimoni degli investitori e il sano sviluppo del settore. Queste truffe si caratterizzano per costi di creazione estremamente bassi, esecuzione occulta, rapido trasferimento dei fondi e difficoltà di individuazione. Le tradizionali verifiche manuali o le regole fisse faticano a soddisfare le esigenze di allerta precoce in tempo reale. I metodi di rilevamento esistenti, inoltre, presentano generalmente limiti quali l’impiego di un’unica dimensione di analisi, una gestione inadeguata dello squilibrio tra le classi e una scarsa capacità dei modelli di generalizzare e di fornire risultati interpretabili. Per affrontare queste carenze, lo studio si concentra sul rilevamento delle truffe rug pull basate su Ethereum. Innanzitutto ne chiarisce le definizioni, le tipologie e i meccanismi con cui provocano danni, e costruisce un sistema multidimensionale di caratteristiche basato su aspetti quali la progettazione di smart contract malevoli, le anomalie nelle transazioni on-chain, la manipolazione della liquidità e le comunicazioni sui social media. Prendendo poi come esempio il caso di «Second Uncle Coin» (simbolo del token: BOBU), ricostruisce lo svolgimento dell’attacco e ne ricava metriche quantitative di rilevamento. Successivamente viene progettato un modello di rilevamento del rischio basato su un Multi-Layer Perceptron (MLP). Per affrontare lo squilibrio tra i campioni, adottiamo una strategia che combina il sovracampionamento SMOTE e la Focal Loss; cerchiamo dinamicamente le soglie ottimali per bilanciare precisione e richiamo e integriamo la potatura dei gradienti e l’arresto anticipato per rendere più stabile l’addestramento. Gli esperimenti mostrano che, sul set di test, il modello raggiunge un’accuratezza di 0,927, un punteggio F1 di 0,787 e un’AUC-ROC di 0,952, superando i metodi tradizionali. Infine, viene sviluppato con il framework Flask un sistema di rilevamento basato sul web che consente la valutazione del rischio in blocco, la visualizzazione di una classifica dei casi ad alto rischio e l’esportazione dei risultati.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv