L’IA peut-elle détecter les schémas Ponzi sur Ethereum avant que les fonds ne circulent ?

La détection de la fraude crypto commence généralement après le déplacement des fonds. Les enquêteurs traquent les transactions, les plateformes d’échange signalent les adresses suspectes et les équipes de conformité recherchent des schémas reconnaissables. Cette approche est indispensable, mais elle reste réactive. Au moment où une adresse a accumulé suffisamment d’historique pour sembler dangereuse, les investisseurs ont souvent déjà perdu leurs fonds.

Une nouvelle étude introduit une autre possibilité : examiner la logique d’un Ethereum (ETH ) contrat avant que son historique de transactions ne devienne utile. Des chercheurs de Hohai University ont développé PonziFusion, un cadre d’apprentissage automatique qui recherche dans le bytecode des contrats intelligents déployés les caractéristiques sémantiques et structurelles d’un schéma Ponzi.¹

La distinction importante réside dans le timing. PonziFusion n’a pas besoin de code source vérifié ni d’un long historique de dépôts et de paiements. Il analyse ce pour quoi un contrat est programmé et comment ses chemins d’exécution sont organisés, déplaçant potentiellement la sécurité vers un dépistage des risques avant la transaction.

Pourquoi les schémas Ponzi sur Ethereum sont difficiles à détecter

Un schéma Ponzi conventionnel utilise l’argent des nouveaux participants pour payer les participants précédents, créant l’apparence de rendements légitimes. Une version blockchain peut encoder ce processus dans un contrat intelligent et fonctionner sans intermédiaire humain visible.

Les contrats intelligents Ethereum sont des programmes exécutés par la Ethereum Virtual Machine. Une fois déployé, leur bytecode est accessible publiquement et difficile à modifier. Cette transparence semble idéale pour la surveillance, mais le bytecode brut n’est pas rédigé pour les lecteurs humains. Il manque les noms descriptifs et la structure claire que l’on trouve dans le code source.

Le code source vérifié est loin d’être universel. L’étude indique qu’Ethereum comptait plus de 88 millions de contrats intelligents déployés en décembre 2025, alors qu’environ 825 000 seulement avaient un code source publiquement vérifié sur Etherscan. Un système dépendant d’un code source lisible laisserait la plupart des contrats hors de portée.

Les systèmes basés sur les transactions ont le problème inverse. Ils peuvent identifier des relations de paiement suspectes, des transferts circulaires ou des rendements anormaux, mais uniquement après l’existence d’une activité. Un contrat Ponzi récemment déployé peut d’abord sembler inoffensif parce qu’il y a trop peu de transactions pour établir un schéma comportemental. Cela crée un écart dangereux entre le déploiement et la détection.

Comment PonziFusion lit l’intention d’un contrat

PonziFusion combine deux points de vue sur le même contrat. Le premier examine la sémantique des opcodes, c’est‑à‑dire les instructions de bas niveau contenues dans le bytecode Ethereum. Ces instructions peuvent révéler des opérations impliquant des valeurs entrantes, des modifications de stockage et des appels externes. Le second examine le graphe de contrôle de flux du contrat, une représentation des chemins d’exécution possibles à travers le programme.

Chaque point de vue est incomplet à lui seul. Les caractéristiques sémantiques peuvent montrer qu’un contrat déplace des fonds mais ne pas expliquer l’arrangement plus large de ces opérations. Les caractéristiques structurelles peuvent révéler des branches et des chemins de paiement répétés mais ne pas distinguer un système de distribution frauduleux d’une application financière légitime. PonziFusion les combine pour saisir à la fois ce que le contrat fait et comment sa logique est organisée.

Le cadre élimine les informations susceptibles d’obscurcir le signal. Il filtre les nœuds de contrôle de flux inaccessibles ou non pertinents ainsi que la logique de dispatch de routine, puis fusionne les chemins linéaires simples. Les caractéristiques provenant des chemins globaux et des sous‑graphes locaux sont associées aux séquences d’opcodes et transmises à un classificateur à forêts aléatoires.

Les chercheurs ont résolu un autre problème fréquent de détection de fraude : le déséquilibre des classes. Leur jeu de données contenait beaucoup plus de contrats légitimes que de schémas Ponzi. Ils ont utilisé SVM‑SMOTE pour créer des représentations synthétiques de la classe minoritaire dans les données d’entraînement, tout en préservant le déséquilibre original dans les ensembles de test.

• Les caractéristiques des opcodes décrivent les opérations effectuées par un contrat.
• Les caractéristiques de flux de contrôle décrivent comment ces opérations sont reliées.
• Le filtrage réduit le bruit avant la classification.
• Le suréchantillonnage aide le modèle à apprendre à partir de rares exemples de Ponzi.

Ce que montrent les résultats de la détection de fraude sur Ethereum

L’étude a évalué 6 166 contrats Ethereum uniques issus de trois jeux de données ouverts. Seulement 389 ont été classés comme schémas Ponzi, ce qui rend la performance en précision‑rappel particulièrement importante. Un modèle peut sembler précis dans un jeu de données déséquilibré simplement en prédisant que presque tout est légitime.

PonziFusion a surpassé les six méthodes de comparaison sur la précision, le rappel, le score F1, l’AUC-ROC et l’AUC-PR. Sa précision de 0,9297 indique que les contrats signalés comme schémas Ponzi étaient généralement frauduleux. Cela est important sur le plan opérationnel, car un nombre excessif de fausses alertes peut rendre un système de filtrage inutilisable.

Son rappel de 0,7550 nécessite davantage de prudence. Le modèle a détecté environ les trois quarts des contrats Ponzi, ce qui signifie également qu’il en a manqué approximativement un quart. PonziFusion doit donc être considéré davantage comme une couche de classement des risques qu’un juge définitif. Une alerte peut déclencher une analyse plus approfondie, une simulation de transaction ou une révision manuelle, tandis qu’un résultat vierge ne doit pas être pris comme une preuve de sécurité.

Pourquoi le filtrage avant transaction pourrait transformer la sécurité des cryptomonnaies

La portée plus large de la recherche ne se limite pas à l’identification des contrats Ponzi classiques. Elle illustre comment l’analyse statique des contrats pourrait s’intégrer au processus décisionnel avant qu’un portefeuille ne signe une transaction.

Un portefeuille pourrait comparer une interaction demandée à un score de risque du bytecode. Une plateforme d’échange pourrait filtrer les jetons nouvellement listés avant d’activer les dépôts. Une plateforme de conformité pourrait prioriser les contrats à enquêter sans attendre que les victimes laissent une trace reconnaissable. Ces contrôles compléteraient l’analyse comportementale plutôt que de la remplacer.

La fraude cryptographique s’étend sur plusieurs couches. L’ingénierie sociale incite une victime à agir, les interfaces masquent la destination, les contrats exécutent la logique et les transactions déplacent les actifs. La couverture par Securities.io du répression mondiale de la fraude cryptographique montre à quel point le problème est devenu international. Son examen de la détection de phishing Ethereum sensible au marché montre également que l’activité des escroqueries évolue en fonction des conditions du marché.

PonziFusion ajoute un signal différent : le programme lui‑même. Combiner le risque au niveau du contrat, le comportement des transactions, l’intelligence d’adresse et les avertissements de l’interface utilisateur pourrait offrir une défense bien plus robuste qu’une méthode isolée.

Les limites de la détection de fraude à partir du bytecode

Les attaquants s’adapteront si le filtrage statique se généralise. Ils peuvent insérer du code mort, fragmenter des opérations simples en de nombreux blocs, créer de fausses branches ou aplatir le flux de contrôle, rendant ainsi la structure d’origine difficile à reconstituer. PonziFusion peut réduire certains bruits de base, mais les chercheurs reconnaissent que l’obfuscation avancée demeure difficile.

Le cadre repose également en partie sur des règles prédéfinies qui identifient les opérations liées à la gestion des fonds. Un nouveau schéma utilisant des instructions inconnues ou des mécanismes de paiement indirects pourrait amener le filtre à écarter des preuves importantes. De plus, le modèle considère les schémas Ponzi comme une seule classe, bien que leurs structures puissent être en chaîne, en arbre, en cascade ou hybrides.

Ces limites indiquent une évolution vers une approche en couches. L’analyse statique peut filtrer les contrats, la simulation peut tester leur comportement, et la surveillance des transactions peut identifier les réseaux de paiement en évolution. Les enquêteurs peuvent se concentrer sur les contrats où ces signaux convergent.

Cette approche en couches est particulièrement importante à mesure que l’architecture de la blockchain se complexifie. L’analyse récente de Securities.io de l’architecture blockchain pour l’ère quantique souligne la nécessité de faire évoluer les hypothèses de sécurité avec l’infrastructure sous‑jacente. La détection de fraude fait face à la même exigence : les défenses doivent pouvoir s’adapter à l’évolution des conceptions de contrats et des techniques des attaquants.

Investir dans l’intelligence blockchain via Mastercard

Pour les investisseurs souhaitant s’exposer à la sécurité des actifs numériques plutôt qu’à un jeton de sécurité spéculatif, Mastercard propose une connexion pertinente aux marchés publics. L’entreprise a acquis CipherTrace, une société d’intelligence en cryptomonnaies qui fournit des outils de protection contre la fraude, de lutte contre le blanchiment d’argent et des enquêtes blockchain pour les banques, les plateformes d’échange et d’autres institutions.

Les capacités existantes de Mastercard se concentrent fortement sur l’attribution des transactions blockchain et l’intelligence des risques. PonziFusion intervient à un stade complémentaire en évaluant la logique d’un contrat avant la disponibilité d’un historique de transactions. Aucun lien commercial entre Mastercard et les chercheurs n’a été divulgué, mais l’étude montre comment l’apprentissage automatique au niveau du contrat pourrait élargir le champ d’action des plateformes d’intelligence blockchain.

Mastercard a présenté CipherTrace comme faisant partie d’une offre intégrée combinant des capacités d’IA, de cybersécurité et de blockchain. Si les institutions réglementées continuent d’adopter les actifs tokenisés et les services cryptographiques, la demande devrait croître pour des outils évaluant les contreparties, les transactions et les contrats qui les régissent. Mastercard propose une exposition diversifiée à cette tendance via une activité plus large de paiements et de cybersécurité plutôt que de dépendre d’un seul modèle de détection.

Passer du suivi des fonds volés à la prévention de l’exposition

PonziFusion ne résout pas la fraude sur Ethereum, et son taux de rappel montre clairement qu’il ne peut pas fonctionner en toute sécurité comme unique ligne de défense. Son intérêt réside dans le fait de démontrer que des signaux de fraude utiles peuvent être extraits du bytecode opaque avant qu’un contrat ne constitue un long historique comportemental.

Cela modifie la séquence de protection. Au lieu d’attendre les pertes, de tracer les fonds et d’étiqueter les adresses, les plateformes pourraient évaluer le risque d’un contrat lors du déploiement ou immédiatement avant l’interaction. Les systèmes les plus performants combineront cet avertissement précoce avec des simulations, de l’analyse des transactions et une veille sur les menaces continuellement mise à jour.

Pour Ethereum et l’ensemble de l’économie des contrats intelligents, la confiance dépendra moins du fait que chaque utilisateur puisse lire le code et davantage de la capacité de l’infrastructure de sécurité à traduire le code en un signal de risque compréhensible. PonziFusion constitue une première étape crédible vers cet objectif.

Références :

¹ Lei, J., Tong, Y., Ji, S., Wang, X., Huang, C., & Zhang, P. (2026). PonziFusion : détection de schéma Ponzi par la fusion des caractéristiques sémantiques et structurelles des contrats. Blockchain: Research and Applications, 100565. https://doi.org/10.1016/j.bcra.2026.100565