AIは資金が移動する前にEthereumのポンジスキームを検出できるか？

暗号詐欺の検出は通常、資金の移動が始まってから行われます。調査官は取引を追跡し、取引所は疑わしいアドレスにフラグを付け、コンプライアンスチームは認識可能なパターンを探します。このアプローチは必要ですが、同時に受動的です。アドレスが危険に見えるほどの履歴を蓄積する頃には、投資家はすでに資金を失っている可能性があります。

新しい研究は別の可能性を提示します：Ethereum のロジックを検証することです (ETH ) 取引履歴が有用になる前にコントラクトを検証します。Hohai University の研究者は PonziFusion を開発しました。これは、デプロイされたスマートコントラクトのバイトコードからポンジスキームの意味的および構造的特徴を検索する機械学習フレームワークです。¹

重要な区別はタイミングです。PonziFusion は検証済みのソースコードや長期間の入金・支払い履歴を必要としません。コントラクトが何を行うようにプログラムされているか、そしてその実行パスがどのように構成されているかを分析し、事前取引リスクスクリーニングへとセキュリティをシフトさせる可能性があります。

Ethereum のポンジスキームが検出しにくい理由

従来のポンジスキームは新規参加者からの資金を用いて既存の参加者に支払いを行い、正当なリターンがあるように見せかけます。ブロックチェーン版では、そのプロセスをスマートコントラクトに組み込み、人間の仲介者が見えない形で運用できます。

Ethereum スマートコントラクトは、Ethereum Virtual Machine によって実行されるプログラムです。デプロイされると、そのバイトコードは公開され、変更が困難です。その透明性は監視に理想的に思えますが、生のバイトコードは人間が読むことを想定していません。ソースコードに見られる説明的な名前や明確な構造が欠如しています。

検証済みのソースコードは普遍的ではありません。この研究によれば、2025年12月までに Ethereum には 8,800 万以上のデプロイされたスマートコントラクトが存在しましたが、Etherscan 上で公開検証されたソースコードがあるのは約 825,000 件にすぎません。可読なソースコードに依存するシステムでは、ほとんどのコントラクトが対象外となります。

トランザクションベースのシステムは逆の問題を抱えています。疑わしい支払関係や循環転送、異常なリターンを特定できますが、活動が発生した後でしか検出できません。新たにデプロイされたポンジコントラクトは、取引が少なく行動パターンが確立できないため、当初は無害に見えることがあります。これにより、デプロイから検出までの危険なギャップが生じます。

PonziFusion がコントラクトの意図を読み取る方法

PonziFusion は同一コントラクトの二つの視点を組み合わせます。第一の視点は opcode の意味論を検査し、Ethereum バイトコードに含まれる低レベル命令を指します。これらの命令は、受信価値、ストレージの変化、外部呼び出しに関わる操作を明らかにできます。第二の視点はコントラクトの制御フローグラフを検査し、プログラムが取り得る実行経路を表現します。

どちらの視点も単独では不完全です。意味的特徴はコントラクトが資金を移動させることを示す一方で、これらの操作の全体的な構造を説明できない場合があります。構造的特徴は繰り返しの分岐や支払経路を明らかにしますが、詐欺的な配分システムと正当な金融アプリケーションを区別できないことがあります。PonziFusion はこれらを組み合わせ、コントラクトが何を行い、ロジックがどのように構成されているかの両方を捉えます。

このフレームワークはシグナルを曖昧にする情報を除去します。到達不可能または無関係な制御フローノードとルーティンディスパッチャーロジックをフィルタリングし、シンプルな直線パスを統合します。グローバルパスとローカルサブグラフからの特徴は opcode シーケンスと組み合わせられ、ランダムフォレスト分類器に渡されます。

研究者らは別の一般的な詐欺検出問題であるクラス不均衡に対処しました。データセットには正当なコントラクトがポンジスキームよりはるかに多く含まれていました。彼らは SVM‑SMOTE を用いてトレーニングデータ内の少数クラスの合成表現を作成し、テストフォールドでは元の不均衡を維持しました。

• Opcode の特徴はコントラクトが実行する操作を記述します。
• 制御フローの特徴はそれらの操作がどのように接続されるかを記述します。
• フィルタリングは分類前にノイズを低減します。
• オーバーサンプリングはモデルが少数のポンジ例から学習するのに役立ちます。

Ethereum 詐欺検出結果が示すもの

この研究は、3 つのオープンデータセットから抽出された 6,166 件のユニークな Ethereum コントラクトを評価しました。そのうち 389 件だけがポンジスキームと分類され、精度・再現率のパフォーマンスが特に重要となります。モデルは、不均衡なデータセットでほぼすべてを正当と予測するだけで、正確に見えることがあります。

PonziFusionは、精度、再現率、F1スコア、AUC-ROC、AUC-PRのすべての指標で6つの比較手法を上回りました。その0.9297という精度は、ポンジスキームと判定された契約がほとんど詐欺であることを示しています。過剰な誤検知はスクリーニングシステムを使い物にならなくするため、運用上重要な意味を持ちます。

0.7550という再現率は、より慎重な取り扱いが必要であることを示します。モデルはポンジ契約の約3分の2を検出しましたが、約4分の1は見逃しています。したがってPonziFusionは、決定的な判定者というよりはリスク順位付け層として理解すべきです。警告は、より深い分析や取引シミュレーション、手動レビューを促すことができ、クリーンな結果が安全性の証明とみなされるべきではありません。

取引前スクリーニングが暗号資産のセキュリティを変える可能性がある理由

本研究の価値は、従来型のポンジ契約の特定にとどまらず、静的な契約分析がウォレットが取引に署名する前の意思決定プロセスの一部になる可能性を示しています。

ウォレットは要求されたインタラクションをバイトコードリスクスコアと比較でき、取引所は新規上場トークンを入金可能にする前にスクリーニングでき、コンプライアンスプラットフォームは被害者が認識可能な痕跡を残すのを待たずに調査対象の契約を優先順位付けできます。これらの制御は行動分析を補完し、置き換えるものではありません。

暗号詐欺は複数の層にまたがります。ソーシャルエンジニアリングが被害者に行動を促し、インターフェースが宛先を隠蔽し、契約がロジックを実行し、取引が資産を移動させます。Securities.ioの暗号詐欺に対する世界的な取り締まりに関する報道は、問題がいかに国際的になっているかを示しています。また、同社の市場志向のEthereumフィッシング検出の検証は、詐欺活動が市場状況に応じて変化することを示しています。

PonziFusionは別のシグナル、すなわちプログラム自体を加えます。契約レベルのリスク、取引行動、アドレス情報、ユーザーインターフェース警告を組み合わせることで、単一の手法よりもはるかに強固な防御が実現できるでしょう。

バイトコードから詐欺を読み取ることの限界

静的スクリーニングが広く普及すれば、攻撃者は適応します。死コードの挿入、単純な操作を多数のブロックに分割、偽の分岐作成、制御フローの平坦化などにより、元の構造を復元しにくくします。PonziFusionは基本的なノイズを減らすことはできますが、研究者は高度な難読化は依然として課題であると認めています。

このフレームワークは、資金処理に関連する操作を特定する事前定義されたルールにも部分的に依存しています。未知の命令や間接的な支払い手段を用いる新たなスキームは、フィルタが重要な証拠を除外してしまう可能性があります。さらに、モデルはポンジスキームを単一のクラスとして扱いますが、実際の構造はチェーン型、ツリー型、ウォーターフォール型、ハイブリッド型など多様です。

これらの制限は、層的なアプローチへの道筋を示しています。静的解析で契約をスクリーニングし、シミュレーションで挙動をテストし、取引モニタリングで進化する支払いネットワークを特定する。調査者は、これらのシグナルが収束する契約に注力できるでしょう。

ブロックチェーンのアーキテクチャがますます複雑化する中で、この層的アプローチは特に重要です。Securities.ioの量子時代のブロックチェーンアーキテクチャに関する最新分析は、基盤インフラが変わるにつれてセキュリティ前提も進化しなければならないことを強調しています。詐欺検出も同様に、契約設計や攻撃者の手法が変化するたびに防御が適応できる必要があります。

Mastercardによるブロックチェーンインテリジェンスへの投資

投資家が投機的な証券トークンではなくデジタル資産のセキュリティへのエクスポージャーを求める場合、Mastercardは関連する公開市場の接点を提供します。同社は暗号通貨インテリジェンス事業であるCipherTraceを買収し、銀行、取引所、その他機関向けに詐欺防止、マネーロンダリング防止ツール、ブロックチェーン調査サービスを提供しています。

Mastercardの既存の能力はブロックチェーン取引の属性付けとリスクインテリジェンスに重点を置いています。PonziFusionは、取引履歴が利用可能になる前に契約ロジックを評価するという補完的な段階に取り組んでいます。Mastercardと研究者間の商業的関係は公表されていませんが、本研究は契約レベルの機械学習がブロックチェーンインテリジェンスプラットフォームの範囲を拡大できることを示しています。

MastercardはCipherTraceを、AI、サイバー、ブロックチェーンの機能を統合した提供の一部として位置付けています。規制機関がトークン化資産や暗号サービスの採用を継続すれば、カウンターパーティ、取引、契約を評価するツールへの需要は拡大すると見込まれます。Mastercardは単一の検出モデルに依存せず、決済とサイバーセキュリティ事業全体を通じてこのトレンドへの多様なエクスポージャーを提供しています。

盗まれた資金の追跡からリスク回避へ

PonziFusionはEthereum詐欺を完全に解決するものではなく、再現率が示すように唯一の防御手段として安全に機能するわけではありません。その意義は、長期的な行動記録が形成される前に不透明なバイトコードから有用な詐欺シグナルを抽出できることを示した点にあります。

それは保護の順序を変えます。損失が発生するのを待ち、資金を追跡しアドレスにラベル付けする代わりに、プラットフォームはデプロイ時またはインタラクション直前に契約リスクを評価できるでしょう。最も強力なシステムは、この早期警告をシミュレーション、取引分析、そして継続的に更新される脅威インテリジェンスと組み合わせます。

Ethereum およびより広範なスマートコントラクト経済において、信頼はすべてのユーザーがコードを読めるかどうかよりも、セキュリティインフラがコードを理解可能なリスクシグナルに変換できるかに依存します。PonziFusion はその目標に向けた初期段階ながら信頼できる一歩です。

参考文献：

¹ Lei, J., Tong, Y., Ji, S., Wang, X., Huang, C., & Zhang, P. (2026). PonziFusion: 契約のセマンティックと構造的特徴の融合によるポンジスキーム検出. Blockchain: Research and Applications, 100565. https://doi.org/10.1016/j.bcra.2026.100565