Maaari bang Matukoy ng AI ang mga Ponzi Scheme sa Ethereum Bago Pa man Lumipat ang Pondo?

Kadalasang nagsisimula ang pagtuklas ng panlilinlang sa crypto matapos magsimulang gumalaw ang pera. Sinusubaybayan ng mga imbestigador ang mga transaksyon, tinatanda ng mga palitan ang mga kahina-hinalang address, at tinitingnan ng mga compliance team ang mga kilalang pattern. Kinakailangan ang pamamaraang ito, ngunit ito rin ay reaktibo. Sa oras na makapag-ambag na ng sapat na kasaysayan ang isang address upang magmukhang mapanganib, maaaring nawala na ng mga namumuhunan ang kanilang pondo.

Isang bagong pag-aaral ang nagmumungkahi ng ibang posibilidad: pagsusuri sa lohika ng isang Ethereum (ETH ) kontrata bago maging kapaki-pakinabang ang kasaysayan ng transaksyon nito. Ang mga mananaliksik mula sa Hohai University ay nag-develop ng PonziFusion, isang machine-learning framework na naghahanap sa naka-deploy na bytecode ng smart contract para sa semantik at estrukturang katangian ng isang Ponzi scheme.¹

Ang mahalagang pagkakaiba ay ang timing. Ang PonziFusion ay hindi nangangailangan ng beripikadong source code o mahabang rekord ng mga deposito at payout. Sinusuri nito kung ano ang nakaprograma sa isang kontrata at kung paano nakaayos ang mga landas ng pagganap nito, na maaaring ilipat ang seguridad patungo sa pre-transaction risk screening.

Bakit Mahirap Tuklasin ang mga Ponzi Scheme sa Ethereum

Ang tradisyunal na Ponzi scheme ay gumagamit ng pera mula sa mga bagong kalahok upang bayaran ang mga naunang kalahok, na lumilikha ng ilusyon ng lehitimong kita. Ang bersyong blockchain ay maaaring i-encode ang prosesong ito sa isang smart contract at mag-operate nang walang nakikitang tao bilang tagapamagitan.

Ang mga Ethereum smart contract ay mga programang pinapatakbo ng Ethereum Virtual Machine. Kapag na-deploy na, ang kanilang bytecode ay pampublikong naa-access at mahirap baguhin. Ang ganitong transparency ay tila perpekto para sa pangangasiwa, ngunit ang raw na bytecode ay hindi isinulat para sa mga mambabasang tao. Wala ito ng mga deskriptibong pangalan at malinaw na estruktura na matatagpuan sa source code.

Ang beripikadong source code ay hindi pangkaraniwan. Ayon sa pag-aaral, ang Ethereum ay may higit sa 88 milyong naka-deploy na smart contract hanggang Disyembre 2025, habang tanging humigit-kumulang 825,000 lamang ang may pampublikong beripikadong source code sa Etherscan. Ang isang sistema na nakadepende sa nababasang source code ay iiwan ang karamihan sa mga kontrata sa labas ng abot nito.

Ang mga sistemang batay sa transaksyon ay may kabaligtarang problema. Maaari nilang matukoy ang mga kahina-hinalang ugnayan sa pagbabayad, paikot-ikot na paglilipat o abnormal na balik, ngunit pagkatapos lamang ng pag-iral ng aktibidad. Ang isang bagong-deploy na Ponzi contract ay maaaring mukhang walang bahid ng panganib sa simula dahil napakakaunti ng mga transaksyon upang makabuo ng pattern ng pag-uugali. Nagdudulot ito ng mapanganib na puwang sa pagitan ng deployment at pagtuklas.

Paano Binabasa ng PonziFusion ang Layunin ng Kontrata

Pinagsasama ng PonziFusion ang dalawang pananaw ng parehong kontrata. Ang una ay sinusuri ang semantika ng opcode, ibig sabihin ang mga mababang antas na tagubilin na nakapaloob sa Ethereum bytecode. Maaaring ilantad ng mga tagubiling ito ang mga operasyon na may kinalaman sa papasok na halaga, mga pagbabago sa storage, at mga panlabas na tawag. Ang ikalawa ay sinusuri ang control-flow graph ng kontrata, isang representasyon ng mga posibleng ruta na maaaring tahakin ng pagganap sa programa.

Ang alinmang pananaw ay hindi kumpleto nang mag-isa. Maaaring ipakita ng mga semantikong tampok na naglilipat ng pondo ang kontrata ngunit maaaring hindi maipaliwanag ang mas malawak na ayos ng mga operasyong iyon. Maaaring ilantad ng mga estruktural na tampok ang mga paulit-ulit na sangay at mga landas ng pagbabayad ngunit maaaring hindi makilala ang isang mapanlinlang na sistema ng pamamahagi mula sa isang lehitimong aplikasyon sa pananalapi. Pinagsasama ng PonziFusion ang mga ito upang masaklaw ang parehong kung ano ang ginagawa ng kontrata at kung paano nakaayos ang lohika nito.

Inaalis ng framework ang impormasyong maaaring magtakip sa signal. Ipinapasa-filter nito ang mga hindi maaabot o hindi kaugnay na control-flow nodes at rutinang dispatcher logic, pagkatapos ay pinagsasama ang mga simpleng linear na landas. Ang mga tampok mula sa mga pandaigdigang landas at lokal na subgraph ay pinagsasama sa mga opcode sequence at ipinapasa sa isang random forest classifier.

Tinugunan ng mga mananaliksik ang isa pang pangkaraniwang problema sa pagtuklas ng panlilinlang: hindi balanseng klase. Ang kanilang dataset ay naglaman ng mas maraming lehitimong kontrata kaysa sa mga Ponzi scheme. Gumamit sila ng SVM-SMOTE upang lumikha ng mga synthetic na representasyon ng minoryang klase sa loob ng training data, habang pinananatili ang orihinal na hindi balanseng proporsyon sa mga testing fold.

• Inilalarawan ng mga tampok ng opcode ang mga operasyong isinasagawa ng kontrata.
• Inilalarawan ng mga tampok ng control-flow kung paano nag-uugnay ang mga operasyong iyon.
• Ang pag-filter ay nagbabawas ng ingay bago ang klasipikasyon.
• Ang oversampling ay tumutulong sa modelo na matuto mula sa kakaunting halimbawa ng Ponzi.

Ano ang Ipinapakita ng mga Resulta ng Pagtuklas ng Panlilinlang sa Ethereum

Sinuri ng pag-aaral ang 6,166 natatanging Ethereum contract na kinuha mula sa tatlong bukas na dataset. Tanging 389 lamang ang nakategorya bilang Ponzi scheme, kaya napakahalaga ng performance ng precision-recall. Maaaring magmukhang tumpak ang isang modelo sa isang hindi balanseng dataset sa pamamagitan lamang ng pag-predict na halos lahat ay lehitimo.

Naunggulan ng PonziFusion ang lahat ng anim na pamamaraan ng paghahambing sa precision, recall, F1-score, AUC-ROC, at AUC-PR. Ang precision na 0.9297 nito ay nagpapahiwatig na ang mga kontratang tinukoy bilang Ponzi scheme ay kadalasang mapanlinlang. Mahalaga ito sa operasyon dahil ang labis na maling alarma ay maaaring magpabigong gamitin ang isang screening system.

Ang recall na 0.7550 nito ay nangangailangan ng mas maingat na pagtingin. Natuklasan ng modelo ang halos tatlong-kapat ng mga Ponzi contract, na nangangahulugang nakaligtaan nito ang humigit-kumulang isang-kapat. Kaya’t mas dapat tingnan ang PonziFusion bilang isang risk-ranking layer kaysa sa isang tiyak na hukom. Maaaring magpasimula ang isang babala ng mas malalim na pagsusuri, simulation ng transaksyon, o manu-manong pagrepaso, habang ang isang malinis na resulta ay hindi dapat ituring na patunay ng kaligtasan.

Bakit Maaaring Baguhin ng Pre-Transaction Screening ang Seguridad ng Crypto

Ang mas malawak na halaga ng pananaliksik ay hindi limitado sa pagtukoy ng mga klasikong Ponzi contract. Ipinapakita nito kung paano maaaring maging bahagi ng proseso ng pagdedesisyon ang static contract analysis bago maglagda ang isang wallet ng transaksyon.

Maaaring ihambing ng isang wallet ang hinihiling na interaksyon sa isang bytecode-risk score. Maaaring i-screen ng isang palitan ang mga bagong listahang token bago payagan ang mga deposito. Maaaring unahin ng isang compliance platform ang mga kontrata para sa imbestigasyon nang hindi naghihintay na lumikha ang mga biktima ng natatanging bakas. Ang mga kontrol na ito ay magpapalawak sa behavioral analytics sa halip na palitan ito.

Ang crypto fraud ay sumasaklaw sa ilang antas. Ang social engineering ay humihikayat sa biktima na kumilos, ang mga interface ay nagtatakip sa destinasyon, ang mga kontrata ay nagpapatupad ng lohika, at ang mga transaksyon ay naglilipat ng mga asset. Ipinapakita ng coverage ng Securities.io sa pandaigdigang pagsugpo sa crypto fraud kung gaano naging internasyonal ang suliranin. Ipinapakita rin ng pagsusuri nito sa deteksiyon ng phishing sa Ethereum na may kamalayan sa merkado na nagbabago ang aktibidad ng scam ayon sa kondisyon ng merkado.

Nagdadagdag ang PonziFusion ng ibang signal: ang mismong programa. Ang pagsasama ng risk sa antas ng kontrata, pag-uugali ng transaksyon, intelihensiya sa address, at mga babala sa user-interface ay maaaring lumikha ng mas matibay na depensa kaysa sa anumang iisang pamamaraan.

Ang Mga Hangganan ng Pagbasa ng Fraud Mula sa Bytecode

Mag-aangkop ang mga attacker kung maging laganap ang static screening. Maaari silang magpasok ng dead code, hatiin ang mga simpleng operasyon sa maraming bloke, lumikha ng pekeng sangay o patagin ang control flow upang maging mahirap maibalik ang orihinal na estruktura. Maaaring bawasan ng PonziFusion ang ilang pangunahing ingay, ngunit kinikilala ng mga mananaliksik na nananatiling hamon ang advanced obfuscation.

Ang balangkas ay umaasa rin sa bahagi sa mga paunang tinakdang patakaran na tumutukoy sa mga operasyong may kaugnayan sa paghawak ng pondo. Ang isang bagong iskema na gumagamit ng hindi pamilyar na mga instruksyon o hindi tuwirang mekanismo ng pagbabayad ay maaaring magdulot na itapon ng filter ang mahahalagang ebidensya. Bukod pa rito, itinuturing ng modelo ang mga Ponzi scheme bilang isang klase kahit na ang kanilang mga estruktura ay maaaring hugis-kadena, hugis-puno, batay-sa-waterfall, o hybrid.

Itinuturo ng mga limitasyong ito ang isang layered na hinaharap. Maaaring i-screen ng static analysis ang mga kontrata, subukan ng simulation ang kanilang pag-uugali, at matukoy ng transaction monitoring ang umuunlad na mga network ng pagbabayad. Maaaring magpokus ang mga imbestigador sa mga kontrata kung saan nagtatagpo ang mga signal na ito.

Ang layered na lapit na ito ay lalong mahalaga habang nagiging mas kumplikado ang arkitektura ng blockchain. Ipinapakita ng kamakailang pagsusuri ng Securities.io sa arkitektura ng blockchain para sa quantum era kung paano dapat umunlad ang mga assumption sa seguridad kasabay ng pundasyong imprastruktura. Ang pagtuklas ng fraud ay humaharap sa parehong pangangailangan: dapat makapag-angkop ang mga depensa habang nagbabago ang mga disenyo ng kontrata at mga teknik ng attacker.

Pamumuhunan sa Blockchain Intelligence sa Pamamagitan ng Mastercard

Para sa mga mamumuhunan na naghahanap ng exposure sa seguridad ng digital asset kaysa sa isang spekulatibong security token, nag-aalok ang Mastercard ng isang kaugnay na koneksyon sa pampublikong merkado. Nakuha ng kumpanya ang CipherTrace, isang negosyo ng cryptocurrency intelligence na nagbibigay ng proteksyon laban sa fraud, mga tool para sa anti-money-laundering, at mga imbestigasyon sa blockchain para sa mga bangko, palitan, at iba pang institusyon.

Ang kasalukuyang kakayahan ng Mastercard ay nakatuon nang malaki sa attribution ng blockchain transaction at risk intelligence. Tinatalakay ng PonziFusion ang isang karagdagang yugto sa pamamagitan ng pagsusuri ng lohika ng kontrata bago pa magamit ang kasaysayan ng transaksyon. Walang inihayag na komersyal na ugnayan sa pagitan ng Mastercard at ng mga mananaliksik, ngunit ipinapakita ng pag-aaral kung paano maaaring palawakin ng machine learning sa antas ng kontrata ang saklaw ng mga platform ng blockchain intelligence.

Inilarawan ng Mastercard ang CipherTrace bilang bahagi ng isang integrated offering na nagtataglay ng mga kakayahan sa AI, cyber at blockchain. Kung magpapatuloy ang mga regulated institution na mag-adopt ng tokenized assets at crypto services, dapat tumaas ang pangangailangan para sa mga tool na sumusuri sa mga counterparties, transaksyon, at mga kontrata na namamahala sa kanila. Nag-aalok ang Mastercard ng diversified exposure sa trend na ito sa pamamagitan ng mas malawak na negosyo sa payments at cybersecurity kaysa umasa lamang sa isang detection model.

Mula sa Pagsubaybay sa Ninakaw na Pondo Hanggang sa Pag-iwas sa Pagkakalantad

Hindi nalulutas ng PonziFusion ang fraud sa Ethereum, at ang recall rate nito ay nagpapakita na hindi ito maaaring ligtas na magsilbing nag-iisang linya ng depensa. Ang kahalagahan nito ay nasa pagpapakita na maaaring makuha ang kapaki-pakinabang na fraud signals mula sa hindi malinaw na bytecode bago pa man magtatag ang kontrata ng mahabang rekord ng pag-uugali.

Binabago nito ang pagkakasunod-sunod ng proteksyon. Sa halip na maghintay sa mga pagkalugi, subaybayan ang mga pondo at i-label ang mga address, maaaring tasahin ng mga platform ang panganib ng kontrata sa pag-deploy o kaagad bago ang pakikipag-ugnayan. Ang pinakamakapangyarihang mga sistema ay pagsasamahin ang maagang babala na ito sa mga simulasyon, pagsusuri ng transaksyon, at patuloy na ina-update na intelihensyang pangbanta.

Para sa Ethereum at sa mas malawak na ekonomiya ng smart contract, ang tiwala ay mas kaunti nang nakasalalay sa kung kaya bang basahin ng bawat gumagamit ang code at higit na nakasalalay sa kung kaya ng imprastruktura ng seguridad na isalin ang code sa isang mauunawaan na senyas ng panganib. Ang PonziFusion ay isang maagang ngunit kapani-paniwalang hakbang patungo sa layuning iyon.

Mga Sanggunian:

¹ Lei, J., Tong, Y., Ji, S., Wang, X., Huang, C., & Zhang, P. (2026). PonziFusion: Pag-detect ng Ponzi scheme sa pamamagitan ng pagsasama ng semantik at estruktural na tampok ng kontrata. Blockchain: Research and Applications, 100565. https://doi.org/10.1016/j.bcra.2026.100565