Voiko tekoäly havaita Ethereum-ponzi-huijaukset ennen kuin varat liikkuvat?

Kryptoväärennösten havaitseminen alkaa yleensä sen jälkeen, kun raha alkaa liikkua. Tutkijat seuraavat tapahtumia, pörssit merkitsevät epäilyttävät osoitteet, ja vaatimustenmukaisuustiimit etsivät tunnistettavia malleja. Tämä lähestymistapa on tarpeellinen, mutta se on myös reaktiivinen. Kun osoitteelle on kertynyt riittävästi historiaa näyttääkseen vaaralliselta, sijoittajat ovat saattaneet jo menettää varansa.

Uusi tutkimus esittelee erilaisen mahdollisuuden: tarkastella Ethereum‑verkoston logiikkaa (ETH ) sopimusta ennen kuin sen tapahtumahistoria käy hyödylliseksi. Hohai-yliopiston tutkijat kehittivät PonziFusionin, koneoppimiseen perustuvan kehyksen, joka etsii käyttöönotetun älysopimuksen tavukoodista Ponzi-huijauksen semanttisia ja rakenteellisia piirteitä.¹

Tärkeä ero on ajoituksessa. PonziFusion ei tarvitse vahvistettua lähdekoodia tai pitkää talletus- ja maksutietojen historiaa. Se analysoi, mitä sopimus on ohjelmoitu tekemään ja miten sen suorituspolut on järjestetty, mahdollistaen turvallisuuden siirtymisen ennakkotapahtuman riskien seulontaan.

Miksi Ethereum-ponzi-huijaukset ovat vaikeita havaita

Perinteinen Ponzi-huijaus käyttää uusien osallistujien rahaa aikaisempien maksamiseen, luoden vaikutelman laillisista tuotoista. Lohkoketjuversio voi koodata tämän prosessin älysopimukseen ja toimia ilman näkyvää ihmiskeskeistä välikäyttäjää.

Ethereum-älysopimukset ovat ohjelmia, jotka suoritetaan Ethereum Virtual Machine-ympäristössä. Kun ne on otettu käyttöön, niiden tavukoodi on julkisesti saatavilla eikä sitä ole helppo muokata. Tämä läpinäkyvyys kuulostaa ihanteelliselta valvontaa varten, mutta raakakoodi ei ole kirjoitettu ihmisluettavaksi. Siitä puuttuu kuvaavat nimet ja selkeä rakenne, jotka löytyvät lähdekoodista.

Vahvistettu lähdekoodi ei ole yleinen. Tutkimus toteaa, että Ethereumilla oli joulukuussa 2025 yli 88 miljoonaa käyttöönotettua älysopimusta, kun taas vain noin 825 000:lla oli julkisesti vahvistettu lähdekoodi Etherscanissa. Lähdekoodiin perustuva järjestelmä jättäisi suurimman osan sopimuksista ulkopuolelle.

Tapahtumapohjaisilla järjestelmillä on päinvastainen ongelma. Ne voivat tunnistaa epäilyttävät maksusuhteet, kiertävät siirrot tai poikkeavat tuotot, mutta vain sen jälkeen, kun toimintaa on tapahtunut. Äskettäin otettu Ponzi-sopimus saattaa aluksi näyttää harmittomalta, koska tapahtumia on liian vähän käyttäytymismallin muodostamiseksi. Tämä luo vaarallisen aukon käyttöönoton ja havaitsemisen välille.

Miten PonziFusion lukee sopimuksen tarkoituksen

PonziFusion yhdistää kaksi näkökulmaa samaan sopimukseen. Ensimmäinen tarkastelee opcode‑semantiikkaa, eli Ethereum‑tavukoodissa olevia matalan tason käskyjä. Nämä käskyt voivat paljastaa toimintoja, jotka liittyvät sisään tulevaan arvoon, tallennusmuutoksiin ja ulkoisiin kutsuihin. Toinen tarkastelee sopimuksen ohjausvirrakaaviota, joka kuvaa mahdollisia reittejä, joilla suoritus voi edetä ohjelman läpi.

Kumpikin näkökulma on itsessään epätäydellinen. Semanttiset ominaisuudet voivat osoittaa, että sopimus siirtää varoja, mutta eivät välttämättä selitä näiden toimintojen laajempaa järjestystä. Rakenneominaisuudet voivat paljastaa toistuvia haaroja ja maksureittejä, mutta eivät välttämättä erottaa petollista jakelujärjestelmää laillisesta rahoitussovelluksesta. PonziFusion yhdistää ne, jotta saadaan käsitys sekä siitä, mitä sopimus tekee, että miten sen logiikka on järjestetty.

Kehys poistaa tiedot, jotka voivat hämärtää signaalia. Se suodattaa saavuttamattomat tai merkityksettömät ohjausvirran solmut sekä tavallisen jakelulogiiikan, jonka jälkeen se yhdistää yksinkertaiset lineaariset polut. Maailmanlaajuisista poluista ja paikallisista alagraafeista saadut ominaisuudet yhdistetään opcode‑sekvensseihin ja syötetään satunnaismetsäluokittelijaan.

Tutkijat käsittelivät toisen yleisen petostunnistuksen ongelman: luokkien epätasapainon. Heidän aineistonsa sisälsi huomattavasti enemmän laillisia sopimuksia kuin Ponzi-huijauksia. He käyttivät SVM‑SMOTE‑menetelmää luodakseen synteettisiä esityksiä vähemmistöluokasta koulutusdatassa säilyttäen alkuperäisen epätasapainon testauskumoissa.

• Opcode‑ominaisuudet kuvaavat sopimuksen suorittamia toimintoja.
• Ohjausvirtaominaisuudet kuvaavat, miten nämä toiminnot yhdistyvät.
• Suodatus vähentää kohinaa ennen luokittelua.
• Yliotanta auttaa mallia oppimaan harvoista Ponzi‑esimerkeistä.

Mitä Ethereum-petostunnistustulokset osoittavat

Tutkimus arvioi 6 166 ainutlaatuista Ethereum‑sopimusta kolmesta avoimesta aineistosta. Vain 389 luokiteltiin Ponzi-huijauksiksi, mikä tekee tarkkuus‑kutsumisasteen suorituskyvystä erityisen tärkeän. Malli voi vaikuttaa tarkalta epätasapainoisessa aineistossa yksinkertaisesti ennustamalla lähes kaikki sopimukset laillisiksi.

PonziFusion ylitti kaikki kuusi vertailumenetelmää tarkkuudessa, palautteessa, F1-pisteessä, AUC-ROC:ssa ja AUC-PR:ssa. Sen 0,9297 tarkkuus osoittaa, että Ponzi‑kaavaksi merkatut sopimukset olivat yleensä petoksia. Tämä on operatiivisesti merkittävää, koska liialliset väärät hälytykset voivat tehdä seulontajärjestelmästä käyttökelvottoman.

Sen 0,7550 palautus vaatii enemmän varovaisuutta. Malli havaitsi noin kolme neljäsosaa Ponzi‑sopimuksista, mikä myös tarkoittaa, että se jäi huomaamatta noin neljännes. PonziFusion on siksi parempi nähdä riskin‑luokittelukerroksena kuin lopullisena tuomarina. Hälytys voi käynnistää syvemmän analyysin, transaktiosimulaation tai manuaalisen tarkastelun, kun taas puhdas tulos ei saa olla todiste turvallisuudesta.

Miksi ennakko‑seulonta voi muuttaa kryptoturvallisuutta

Tutkimuksen laajempi arvo ei rajoitu pelkästään perinteisten Ponzi‑sopimusten tunnistamiseen. Se havainnollistaa, miten staattinen sopimusanalyysi voisi tulla osaksi päätöksentekoprosessia ennen kuin lompakko allekirjoittaa transaktion.

Lompakko voisi verrata pyydettyä vuorovaikutusta bytekoodin riskipisteeseen. Pörssi voisi seuloa juuri listatut tokenit ennen talletusten mahdollistamista. Sääntelyalusta voisi priorisoida sopimuksia tutkittavaksi odottamatta, että uhrit tuottavat tunnistettavan jäljen. Nämä toimenpiteet täydentäisivät käyttäytymisanalytiikkaa sen sijaan, että korvaisivat sen.

Kryptoväärennökset ulottuvat useille tasoille. Sosiaalinen manipulointi saa uhrin toimimaan, käyttöliittymät peittävät kohteen, sopimukset toteuttavat logiikan ja transaktiot siirtävät varat. Securities.io:n raportti maailmanlaajuisesta kryptoväärennösten torjunnasta osoittaa, kuinka kansainvälistynyt ongelma on tullut. Sen tarkastelu markkinatietoisesta Ethereum‑kalastelun havaitsemisesta puolestaan osoittaa, että huijaustoiminta muuttuu markkinatilanteiden mukaan.

PonziFusion lisää toisenlaisen signaalin: itse ohjelman. Sopimustason riskin, transaktioiden käyttäytymisen, osoitteiden tiedustelun ja käyttöliittymävaroitusten yhdistäminen voisi tuottaa paljon vahvemman puolustuksen kuin mikään yksittäinen menetelmä.

Sopimusten petosten lukemisen rajoitukset bytekoodista

Hyökkääjät mukautuvat, jos staattinen seulonta yleistyy. He voivat lisätä kuollutta koodia, hajottaa suoraviivaiset toiminnot moniin lohkoihin, luoda vääriä haaroja tai litistaa ohjausvirran niin, että alkuperäistä rakennetta on vaikea palauttaa. PonziFusion voi vähentää joitakin peruskohinaa, mutta tutkijat myöntävät, että kehittynyt peittokoodi on edelleen haastavaa.

Kehys perustuu osittain ennalta määriteltyihin sääntöihin, jotka tunnistavat varojen käsittelyyn liittyvät toiminnot. Uusi järjestelmä, joka käyttää tuntemattomia käskyjä tai epäsuoria maksumekanismeja, saattaa saada suodattimen hylkäämään tärkeän todistusaineiston. Lisäksi malli käsittelee Ponzi‑kaavat yhtenä luokkana, vaikka niiden rakenteet voivat olla ketjumaisia, puumaisia, vesiputousmallisia tai hybridejä.

Nämä rajoitukset viittaavat kerrokselliseen tulevaisuuteen. Staattinen analyysi voi seuloa sopimuksia, simulointi voi testata niiden käyttäytymistä ja transaktioiden seuranta voi tunnistaa kehittyviä maksuväyliä. Tutkijat voivat keskittyä sopimuksiin, joissa nämä signaalit kohtaavat.

Tämä kerroksellinen lähestymistapa on erityisen tärkeä, kun lohkoketjuarkkitehtuuri monimutkaistuu. Securities.io:n viimeaikainen analyysi lohkoketjuarkkitehtuurista kvanttikaudelle korostaa, että turvallisuusolettamuksia on kehitettävä yhdessä taustainfrastruktuurin kanssa. Petosten havaitsemisenkin on täytettävä sama vaatimus: puolustusten on pystyttävä mukautumaan sopimusten suunnittelun ja hyökkääjien tekniikoiden muuttuessa.

Sijoittaminen lohkoketju‑älykkäyyteen Mastercardin kautta

Sijoittajille, jotka etsivät altistusta digitaalisten omaisuuserien turvallisuudelle spekulatiivisen arvopaperitokenin sijaan, Mastercard tarjoaa relevantin julkisen markkinan yhteyden. Yhtiö hankki CipherTracen, kryptovaluutta‑älykkään tiedusteluyrityksen, joka tarjoaa petossuojausta, rahanpesun torjuntatyökaluja ja lohkoketju‑tutkintoja pankeille, pörsseille ja muille instituutioille.

Mastercardin nykyiset kyvyt keskittyvät vahvasti lohkoketju‑transaktioiden attribuutioon ja riskitiedusteluun. PonziFusion täydentää tätä vaihetta arvioimalla sopimuksen logiikkaa ennen kuin transaktiohistoria on saatavilla. Mastercardilla ei ole julkisesti tiedossa kaupallista suhdetta tutkijoihin, mutta tutkimus osoittaa, miten sopimus‑tason koneoppiminen voisi laajentaa lohkoketju‑älykkäiden alustojen kattavuutta.

Mastercard on kuvannut CipherTracen osaksi integroitua tarjontaa, joka yhdistää tekoäly‑, kyber‑ ja lohkoketjuominaisuudet. Jos säännellyt instituutiot jatkavat tokenisoitujen omaisuuserien ja kryptopalveluiden omaksumista, kysyntä työkaluja kohtaan, jotka arvioivat vastapuolia, transaktioita ja niitä hallitsevia sopimuksia, kasvaa. Mastercard tarjoaa monipuolista altistusta tälle trendille laajemman maksujen ja kyberturvallisuuden liiketoiminnan kautta sen sijaan, että riippuisi yhdestä havaitsemismallista.

Varastettujen varojen seuraamisesta altistuksen estämiseen

PonziFusion ei ratkaise Ethereum‑petoksia, ja sen palautusaste tekee selväksi, että se ei voi toimia ainoana puolustuslinjana. Sen merkitys on osoittaa, että hyödyllisiä petossignaaleja voidaan poimia läpinäkymättömästä bytekoodista ennen kuin sopimus kerää pitkän käyttäytymishistorian.

Se muuttaa suojauksen järjestystä. Sen sijaan, että odotettaisiin tappioita, jäljiteltäisiin varoja ja merkitäisiin osoitteet, alustat voisivat arvioida sopimuksen riskin käyttöönoton yhteydessä tai heti ennen vuorovaikutusta. Vahvimmat järjestelmät yhdistävät tämän varhaisen varoituksen simulointeihin, tapahtuma‑analytiikkaan ja jatkuvasti päivittyvään uhkatietoon.

Ethereumille ja laajemmalle älysopimus-taloudelle luottamus riippuu vähemmän siitä, pystyykö jokainen käyttäjä lukemaan koodin, ja enemmän siitä, pystyykö turvallisuusinfra kääntämään koodin ymmärrettäväksi riskisignaaliksi. PonziFusion on varhainen, mutta uskottava askel kohti tätä tavoitetta.

Lähteet:

¹ Lei, J., Tong, Y., Ji, S., Wang, X., Huang, C., & Zhang, P. (2026). PonziFusion: Ponzi‑huijausten havaitseminen sopimusten semanttisten ja rakenteellisten ominaisuuksien yhdistelmällä. Blockchain: Research and Applications, 100565. https://doi.org/10.1016/j.bcra.2026.100565