A IA pode detectar esquemas Ponzi em Ethereum antes que os fundos se movimentem?

A detecção de fraudes em cripto geralmente começa depois que o dinheiro começa a se mover. Investigadores rastreiam transações, exchanges sinalizam endereços suspeitos e equipes de conformidade buscam padrões reconhecíveis. Essa abordagem é necessária, mas também é reativa. Quando um endereço já acumulou histórico suficiente para parecer perigoso, os investidores podem já ter perdido seus fundos.

Um novo estudo apresenta uma possibilidade diferente: examinar a lógica de um contrato Ethereum (ETH ) contrato antes que seu histórico de transações se torne útil. Pesquisadores da Hohai University desenvolveram o PonziFusion, uma estrutura de aprendizado de máquina que busca no bytecode de contratos inteligentes implantados as características semânticas e estruturais de um esquema Ponzi.¹

A distinção importante é o tempo. O PonziFusion não precisa de código-fonte verificado nem de um longo histórico de depósitos e pagamentos. Ele analisa o que um contrato está programado para fazer e como seus caminhos de execução são organizados, potencialmente movendo a segurança para a triagem de risco pré-transação.

Por que esquemas Ponzi em Ethereum são difíceis de detectar

Um esquema Ponzi convencional usa dinheiro de novos participantes para pagar os participantes anteriores, criando a aparência de retornos legítimos. Uma versão em blockchain pode codificar esse processo em um contrato inteligente e operar sem um intermediário humano visível.

Os contratos inteligentes Ethereum são programas executados pela Ethereum Virtual Machine. Uma vez implantados, seu bytecode é publicamente acessível e difícil de alterar. Essa transparência parece ideal para supervisão, mas o bytecode bruto não é escrito para leitores humanos. Ele carece de nomes descritivos e de uma estrutura clara encontrada no código-fonte.

Código-fonte verificado está longe de ser universal. O estudo observa que o Ethereum tinha mais de 88 milhões de contratos inteligentes implantados até dezembro de 2025, enquanto apenas cerca de 825 mil possuíam código-fonte publicamente verificado no Etherscan. Um sistema dependente de código-fonte legível deixaria a maioria dos contratos fora de seu alcance.

Sistemas baseados em transações têm o problema oposto. Eles podem identificar relações de pagamento suspeitas, transferências circulares ou retornos anormais, mas somente após a atividade existir. Um contrato Ponzi recém-implantado pode inicialmente parecer inofensivo porque há transações insuficientes para estabelecer um padrão comportamental. Isso cria uma lacuna perigosa entre a implantação e a detecção.

Como o PonziFusion interpreta a intenção de um contrato

O PonziFusion combina duas visões do mesmo contrato. A primeira examina a semântica dos opcodes, ou seja, as instruções de baixo nível contidas no bytecode do Ethereum. Essas instruções podem revelar operações envolvendo valor entrante, alterações de armazenamento e chamadas externas. A segunda examina o grafo de fluxo de controle do contrato, uma representação das possíveis rotas que a execução pode percorrer no programa.

Cada visão, por si só, é incompleta. Recursos semânticos podem mostrar que um contrato movimenta fundos, mas podem não explicar a organização mais ampla dessas operações. Recursos estruturais podem revelar ramificações repetidas e caminhos de pagamento, mas podem não distinguir um sistema de distribuição fraudulento de uma aplicação financeira legítima. O PonziFusion combina ambos para capturar tanto o que o contrato faz quanto como sua lógica está organizada.

A estrutura remove informações que poderiam obscurecer o sinal. Ela filtra nós de fluxo de controle inacessíveis ou irrelevantes e a lógica de despachante de rotinas, depois mescla caminhos lineares simples. Recursos de caminhos globais e subgrafos locais são combinados com sequências de opcodes e enviados a um classificador de floresta aleatória.

Os pesquisadores abordaram outro problema comum de detecção de fraude: desequilíbrio de classes. Seu conjunto de dados continha muito mais contratos legítimos do que esquemas Ponzi. Eles usaram SVM‑SMOTE para criar representações sintéticas da classe minoritária dentro dos dados de treinamento, preservando o desequilíbrio original nas divisões de teste.

• Recursos de opcode descrevem as operações que um contrato executa.
• Recursos de fluxo de controle descrevem como essas operações se conectam.
• Filtragem reduz ruído antes da classificação.
• Sobreamostragem ajuda o modelo a aprender com exemplos escassos de Ponzi.

O que os resultados da detecção de fraude em Ethereum mostram

O estudo avaliou 6.166 contratos Ethereum únicos extraídos de três conjuntos de dados abertos. Apenas 389 foram classificados como esquemas Ponzi, tornando o desempenho de precisão‑recall especialmente importante. Um modelo pode parecer preciso em um conjunto de dados desequilibrado simplesmente ao prever que quase tudo é legítimo.

PonziFusion superou todos os seis métodos de comparação em precisão, recall, F1-score, AUC-ROC e AUC-PR. Sua precisão de 0,9297 indica que os contratos sinalizados como esquemas Ponzi eram geralmente fraudulentos. Isso é importante operacionalmente porque alarmes falsos excessivos podem tornar um sistema de triagem inutilizável.

Seu recall de 0,7550 exige mais cautela. O modelo detectou aproximadamente três quartos dos contratos Ponzi, o que também significa que deixou de identificar cerca de um quarto. Portanto, o PonziFusion deve ser compreendido mais como uma camada de classificação de risco do que como um juiz definitivo. Um alerta pode desencadear uma análise mais aprofundada, simulação de transações ou revisão manual, enquanto um resultado limpo não deve ser tratado como prova de segurança.

Por que a Triagem Pré-Transação Pode Transformar a Segurança em Cripto

O valor mais amplo da pesquisa não se limita à identificação de contratos Ponzi clássicos. Ela demonstra como a análise estática de contratos pode integrar o processo de decisão antes que uma carteira assine uma transação.

Uma carteira poderia comparar uma interação solicitada com uma pontuação de risco de bytecode. Uma exchange poderia analisar tokens recém-listados antes de habilitar depósitos. Uma plataforma de conformidade poderia priorizar contratos para investigação sem aguardar que as vítimas gerem um rastro reconhecível. Esses controles complementariam a análise comportamental em vez de substituí‑la.

Fraude cripto abrange várias camadas. Engenharia social persuade a vítima a agir, interfaces disfarçam o destino, contratos executam a lógica e transações movimentam os ativos. A cobertura da Securities.io da repressão global à fraude cripto mostra o quão internacional o problema se tornou. Seu exame da detecção de phishing em Ethereum sensível ao mercado também demonstra que a atividade de golpes muda conforme as condições de mercado.

PonziFusion adiciona um sinal diferente: o próprio programa. Combinar risco ao nível de contrato, comportamento de transações, inteligência de endereços e avisos na interface do usuário pode gerar uma defesa muito mais robusta do que qualquer método isolado.

Os Limites de Detectar Fraude a Partir do Bytecode

Os atacantes se adaptarão se a triagem estática se tornar generalizada. Eles podem inserir código morto, fragmentar operações simples em vários blocos, criar ramificações falsas ou achatar o fluxo de controle, dificultando a recuperação da estrutura original. PonziFusion pode reduzir parte do ruído básico, mas os pesquisadores reconhecem que a ofuscação avançada continua sendo um desafio.

A estrutura também depende parcialmente de regras predefinidas que identificam operações associadas ao manuseio de fundos. Um novo esquema que use instruções desconhecidas ou mecanismos de pagamento indiretos pode fazer com que o filtro descarte evidências importantes. Além disso, o modelo trata os esquemas Ponzi como uma única classe, embora suas estruturas possam ser em forma de cadeia, árvore, cascata ou híbridas.

Essas limitações apontam para um futuro em camadas. A análise estática pode triagem de contratos, a simulação pode testar seu comportamento e o monitoramento de transações pode identificar redes de pagamento em evolução. Os investigadores podem concentrar-se nos contratos onde esses sinais convergem.

Essa abordagem em camadas é especialmente importante à medida que a arquitetura de blockchain se torna mais complexa. A recente análise da Securities.io sobre arquitetura de blockchain para a era quântica destaca como as premissas de segurança precisam evoluir com a infraestrutura subjacente. A detecção de fraudes enfrenta a mesma exigência: as defesas devem ser capazes de se adaptar à medida que os designs de contratos e as técnicas dos atacantes mudam.

Investindo em Inteligência de Blockchain por meio da Mastercard

Para investidores que buscam exposição à segurança de ativos digitais em vez de um token de segurança especulativo, a Mastercard oferece uma conexão relevante no mercado público. A empresa adquiriu a CipherTrace, um negócio de inteligência em criptomoedas que fornece proteção contra fraudes, ferramentas de combate à lavagem de dinheiro e investigações de blockchain para bancos, exchanges e outras instituições.

As capacidades existentes da Mastercard concentram‑se fortemente na atribuição de transações de blockchain e na inteligência de risco. PonziFusion aborda uma etapa complementar ao avaliar a lógica do contrato antes que o histórico de transações esteja disponível. Não há relação comercial divulgada entre a Mastercard e os pesquisadores, mas o estudo demonstra como o aprendizado de máquina ao nível de contrato pode ampliar o escopo das plataformas de inteligência de blockchain.

A Mastercard descreveu a CipherTrace como parte de uma oferta integrada que combina capacidades de IA, cibernética e blockchain. Se as instituições reguladas continuarem adotando ativos tokenizados e serviços cripto, a demanda deve crescer por ferramentas que avaliem contrapartes, transações e os contratos que as regem. A Mastercard oferece exposição diversificada a essa tendência por meio de um negócio mais amplo de pagamentos e cibersegurança, em vez de depender de um único modelo de detecção.

De Rastrear Fundos Roubados à Prevenção de Exposição

PonziFusion não resolve a fraude em Ethereum, e sua taxa de recall deixa claro que não pode operar com segurança como a única linha de defesa. Sua importância reside em demonstrar que sinais úteis de fraude podem ser extraídos de bytecode opaco antes que um contrato estabeleça um longo histórico comportamental.

Isso altera a sequência de proteção. Em vez de esperar por perdas, rastrear os fundos e rotular os endereços, as plataformas poderiam avaliar o risco do contrato no momento da implantação ou imediatamente antes da interação. Os sistemas mais robustos combinarão esse alerta precoce com simulações, análises de transações e inteligência de ameaças continuamente atualizada.

Para o Ethereum e a economia mais ampla de contratos inteligentes, a confiança dependerá menos de cada usuário ser capaz de ler o código e mais de a infraestrutura de segurança conseguir traduzir o código em um sinal de risco compreensível. PonziFusion é um passo inicial, porém credível, nessa direção.

Referências:

¹ Lei, J., Tong, Y., Ji, S., Wang, X., Huang, C., & Zhang, P. (2026). PonziFusion: Detecção de esquema Ponzi via fusão de recursos semânticos e estruturais de contrato. Blockchain: Research and Applications, 100565. https://doi.org/10.1016/j.bcra.2026.100565