Академиялык изилдөөлөр, түшүнүктүү тил

Verianla | Кыргызча академиялык изилдөөлөр жана илим

20 ноябрь 2026, Жума
VERİANLA Көз карандысыз илимий басма
Менюну ачуу же жабуу
...
Башкы бет / Коомдук илимдер / Каржы экономикасы / DeFiFusion: Баа Манипуляциясы Чабуулдарын Аныктоо үчүн Транзакция Окуялары менен Акылдуу Келишимдерди Бириктирүү
Каржы экономикасы

DeFiFusion: Баа Манипуляциясы Чабуулдарын Аныктоо үчүн Транзакция Окуялары менен Акылдуу Келишимдерди Бириктирүү

DeFiFusion — борбордон ажыратылган финансы (Decentralized Finance, DeFi) системаларындагы баа манипуляциясы чабуулдарын (Price Manipulation Attacks, PMA) аныктоо үчүн транзакция окуяларынын динамикалык жүрүм-турумун акылдуу келишимдин баштапкы кодунун семантикалык маалыматы менен бирге колдонгон эки модалдуу машиналык үйрөнүү алкагы.

19/11/2026  Veri Anla  140 көрүү
DeFiFusion: Баа Манипуляциясы Чабуулдарын Аныктоо үчүн Транзакция Окуялары менен Акылдуу Келишимдерди Бириктирүү

DeFiFusion, борбордон ажыратылган финансы (Decentralized Finance, DeFi) системаларындагы баа манипуляциясы чабуулдарын (Price Manipulation Attacks, PMA) аныктоо үчүн транзакция окуяларынын динамикалык жүрүм-турумун акылдуу келишимдин баштапкы кодунун семантикалык маалыматы менен бирге колдонгон эки модалдуу машиналык үйрөнүү алкагы. Изилдөөнүн негизги идеясы — баа манипуляциясын жалгыз эле адаттан тыш транзакция жүрүм-турумунан же келишим кодундагы потенциалдуу алсыздыктан ишенимдүү түшүнүүгө болбойт; зыяндуу жүрүм-турум белгилүү транзакция ырааттуулуктары белгилүү келишим логикасын пайдаланганда пайда болот.

DeFiFusion үч этапта иштейт. Биринчи этапта блокчейн транзакция журналдарындагы окуялар баа манипуляциясына мүнөздүү жүрүм-турумду кармоо үчүн 80 өлчөмдүү окуя өкүлчүлүгүнө айландырылат. Бул өкүлчүлүк негизги транзакция белгилерин, манипуляция тобокелдик көрсөткүчтөрүн жана окуялар ырааттуулугунун жалпы түзүмдүк белгилерин бириктирет. Экинчи этапта акылдуу келишимдин баштапкы коду тоңдурулган чоң тил модели (Large Language Model, LLM) менен коддолот жана masked average pooling аркылуу келишимдин семантикалык өкүлчүлүк вектору алынат. Үчүнчү этапта окуя жана келишим өкүлчүлүктөрү бириктирилип, T5-style Relative Positional Encoding (T5-RPE) колдонгон Dual-Modal Projection-Fusion Transformer (DPF-Transformer) классификаторуна берилет.

Изилдөөнүн чабуул маалымат топтому \(D_1\), 2020–2026-жылдар аралыгында алты блокчейнде болгон жана изилдөөчүлөр тарабынан тастыкталган 225 баа манипуляциясы окуясын камтыйт. Бул окуялардын булакта билдирилген жалпы чыгымы 804,3 миллион АКШ долларын түзөт. DeFiFusion 225 чабуулдун 222син аныктаган; булак жалпы баалоодо %96,10 precision жана %98,67 recall билдирген.

Жалган оң натыйжаларды баалоо үчүн түзүлгөн \(D_2\) маалымат топтому баштапкы 428.523 жогорку баалуу зыянсыз транзакциянын ичинен окуялар ырааттуулугунун узундугу 6дан жогору болгон 1.150 зыянсыз транзакцияны камтыйт. Бул тандоо моделдин “узун транзакция ырааттуулугу = чабуул” сыяктуу жөнөкөй кыска жолду пайдалануусун кыйындатуу үчүн жасалган.

Алдыга-убакыт баалоосунда модель 2020–2024 окуялары менен гана үйрөтүлүп, 2025 окуялары менен валидацияланып, 2026-жылы болгон тастыкталган 18 PMAда тесттен өткөрүлгөн. T5-RPE колдонгон толук DeFiFusion бул 18 окуянын баарын аныктаган. Бирок 18/18 натыйжасы ушул 18 окуядан турган убакыттык тест тобуна гана тиешелүү жана келечектеги бардык баа манипуляциялары %100 аныкталат дегенди билдирбейт.

Изилдөөнүн маанилүү колдонмо чектөөлөрүнүн бири — акылдуу келишимдин баштапкы коду. Баштапкы код ачык болуп, алдын ала иштетүүгө мүмкүн болсо, келишим семантикасын офлайн эсептөөгө болот; жандуу этапта окуя белгилерин чыгаруу жана классификатор инференси гана талап кылынат. Баштапкы коду тастыкталбаган же bytecode түрүндө гана жеткиликтүү келишимдерде келишим семантикасы модалдуулугун колдонууга болбойт жана система транзакция окуяларына гана таянган кыйла чектелүү түзүлүшкө айланат.

DeFiде баа манипуляциясы чабуулу деген эмне?

Баа манипуляциясы чабуулу — чабуулчу token же pool баасын жасалма түрдө көтөрүп-түшүрүп, пайда болгон баа четтөөсүн өз пайдасына каржылык кирешеге айландырган DeFi чабуул классы. Булак мындай чабуулдар көп учурда бир эле транзакциядан эмес, flash loan, swap, transfer, ликвиддүүлүк өзгөрүүсү, oracle менен өз ара аракеттенүү жана ушул сыяктуу көп баскычтуу транзакциялар түзгөн циклдик ырааттуулуктардан пайда болорун баса белгилейт.

Мисалы, келишим коопсуз убакыт боюнча салмакталган орточо баанын ордуна учурдагы spot баага гана ишенсе, чабуулчу адегенде ири транзакциялар менен тиешелүү рыноктук бааны бузуп, андан кийин келишимге ушул убактылуу бааны колдондуруп, акыркы этапта позицияларын жаап пайда табышы мүмкүн. Бул жерде “ири swap болду” деген маалыматтын өзү эле чабуулду далилдебейт; ири swap кадимки арбитраждын бөлүгү да болушу мүмкүн. Чабуулдун мааниси келишим бул транзакцияны кайсы баалоо логикасы менен иштеткени менен бирге бааланышы керек.

DeFiFusion Эмне Үчүн Транзакция Окуяларын жана Акылдуу Келишим Кодун Бирге Колдонот?

DeFiFusion эки модалдуулукту бирге колдонот, анткени транзакция окуялары аткаруу учурунда эмне болгонун, ал эми акылдуу келишим семантикасы ошол эле жүрүм-турумдун эмне үчүн коопсуздук жагынан коркунучтуу болушу мүмкүн экенин түшүндүрөт; изилдөөнүн 2026-жылкы тестинде окуяны гана жана келишимди гана колдонгон моделдер ар башка чабуулдарды өткөрүп жибергенде, эки модалдуулукту T5-RPE менен бириктирген модель 18 окуянын баарын кармаган.

Булак адабиятта эки негизги ыкманы айырмалайт. Транзакцияга негизделген ыкмалар реалдуу чынжырдагы окуяларды жана капитал кыймылдарын көрөт, бирок алардын кайсы келишим логикасы менен иштетилгенин толук билбеши мүмкүн. Статикалык келишим талдоолору болсо коддогу потенциалдуу алсыздыктарды таба алат, бирок теорияда алсыз көрүнгөн код жолу реалдуу рынокто чындап иштетиле алабы же жокпу, муну дайыма аныктай албайт.

DeFiFusionдун максаты — ушул эки толук эмес көз карашты бир моделге берүү.

Булак изилдөөнүн 1-сүрөтүндө аныкталган үч этаптуу илимий архитектурадан Verianla үчүн көз карандысыз кайра түзүлгөн түшүндүрмө схема. Булак сүрөтүнүн пикселдик жайгашуусу же дизайны көчүрүлгөн эмес.

Этап 1: транзакция окуясынын негизги өкүлчүлүгү

Ар бир окуя:

\[ e_t=(n_t,a_t,m_t,\mathcal{T}_t,d_t) \]

түрүндө бөлүнөт. Бул жерде:

  • \(n_t\): окуянын транзакция ырааттуулугундагы орду,
  • \(a_t\): окуяны чыгарган келишим дареги,
  • \(m_t\): event аталышы,
  • \(\mathcal{T}_t\): indexed topic тизмеси,
  • \(d_t\): event data payload.

Чабуулга же зыянсыз окуяга тиешелүү бардык eventтер иреттелген event log катары:

\[ \mathcal{E}=(e_1,\ldots,e_L) \]

сакталат. \(L\) — ошол окуя ырааттуулугундагы eventтердин саны.

Eventтер кайсы иш класстарына бөлүнөт?

КатегорияМазмун
Token ОперацияларыMint, burn жана transfer операциялары
Ликвиддүүлүк & AMMЛиквиддүүлүк берүү жана poolду кайра теңдөө
Соода & SwapтарРыноктук алмашуу, swap жана буйрукту аткаруу
Кредиттөө & Карыз АлууКарыз алуу жана кайтаруу сыяктуу кредит операциялары
Карыз & ЛиквидацияКарызды көзөмөлдөө, күрөө жана ликвидация операциялары
Oracle Өз Ара АракеттенүүлөрүБаанын feedи жана oracle state жаңыртуулары
Staking & СыйлыктарАктивдерди кулпулоо жана сыйлыктарды бөлүштүрүү
Vaultтар & БашкарууСактоо, депозит жана чыгарып алуу циклдери
Комиссияларды БашкарууКызмат акылары жана стимулдарды бөлүштүрүү
БашкарууБашкаруу абалы жана добуш делегациясы
Чынжырлар аралыкBridge жана чынжырлар аралык билдирүү алмашуу
Келишим АбалыИчки келишим логикасы жана абал желектери

Эмне үчүн дарек hash белгилерине айландырылат?

Даректин өзү түздөн-түз сандык машиналык үйрөнүү белгиси эмес. Ошондуктан булак даректи эки SHA-256 проекциясы аркылуу сандык мейкиндикке түшүрөт:

\[ h_k(a_t)= \frac{ \mathrm{int}\left( \mathrm{SHA256}(a_t)[4(k-1):4k] \right) }{ 2^{32}-1 }, \qquad k\in\{1,2\}. \tag{1} \]

Бул формула даректин SHA-256 чыгышындагы белгилүү бөлүктөрдү санга айландырып, \(2^{32}-1\)ге бөлүү аркылуу нормалдаштырат. Натыйжа өлчөмсүз. Эки башка \(k\) мааниси эки hash проекциясын чыгарат.

Мындан тышкары, дарек узундугу \(|a_t|/100\) түрүндө нормалдаштырылат жана дарек узундугу 42ге барабар же барабар эмес экенин көрсөткөн келишим-формат индикатору колдонулат.

Дарек энтропиясы эмнени өлчөйт?

Он алтылык дарек корпусундагы белгилердин бөлүштүрүлүшү үчүн нормалдаштырылган Shannon энтропиясы:

\[ \mathrm{Ent}(a_t) = -\frac{1}{\log_2|\Sigma|} \sum_{i\in\Sigma} p_i\log_2(p_i+\epsilon), \qquad \epsilon=10^{-8}. \tag{2} \]

Бул жерде \(\Sigma=\{0,\ldots,9,a,\ldots,f\}\) — он алтылык белгилер топтому, \(p_i\) болсо тиешелүү белгинин дарек корпусундагы эмпирикалык жыштыгы. Белгилер болжол менен тең бөлүштүрүлсө, энтропия 1ге жакындайт; бир нече белги кайра-кайра колдонулса, энтропия төмөндөйт.

Булак ошондой эле даректин ичинде 0000 же dead ички ырааттуулугун издеген:

\[ \mathbb{1}_{\mathrm{hp}}(a_t) = \mathbb{1} [ \texttt{0000}\sqsubseteq \mathrm{lc}(a_t) \vee \texttt{dead}\sqsubseteq \mathrm{lc}(a_t) ] \tag{3} \]

индикаторду колдонот. Бирок изилдөө бул индикаторду өзүнчө “дарек чабуулчуга таандык” деген сигнал катары колдонбойт. Төрт нөлдүн ырааттуулугу зыянсыз трафикте да аз, бирок нөл эмес ыктымалдык менен кездешиши мүмкүн экенин белгилеп, индикатор башка чоңдук/тобокелдик белгилери менен гана бирге колдонулушун талап кылат.

Негизги баа манипуляциясы индикаторлору

Сандык payload \(x\) үчүн үч чоңдук индикатору аныкталат:

  • \(\mathbb{1}_{\mathrm{tail}}=\mathbb{1}[|x|>10^{18}]\): өтө чоң маанинин куйругу,
  • \(\mathbb{1}_{\mathrm{oob}}=\mathbb{1}[0<|x|<10^6]\): изилдөө экономикалык жактан нормалдуу диапазондон тышкары деп эсептеген кичине чоңдук,
  • \(\mathbb{1}_{\mathrm{zero}}=\mathbb{1}[x\text{ yok veya }x=0]\): нөл/жок маалымат индикатору.

Булардан төрт жүрүм-турум индикатору түзүлөт:

\[ \mathbb{1}_{\mathrm{pm}} = \mathbb{1}_{\mathrm{tr}} \wedge (\mathbb{1}_{\mathrm{tail}}\vee\mathbb{1}_{\mathrm{oob}}) \wedge \mathbb{1}[|\mathcal{T}_t|\geq2], \]

\[ \mathbb{1}_{\mathrm{fl}} = \mathbb{1}_{\mathrm{sw}} \wedge \mathbb{1}_{\mathrm{tail}} \wedge \neg\mathbb{1}_{\mathrm{zero}}, \]

\[ \mathbb{1}_{\mathrm{wt}} = \mathbb{1}_{\mathrm{tr}} \wedge \mathbb{1}[|\mathcal{T}_t|\geq2] \wedge \neg\mathbb{1}_{\mathrm{tail}} \wedge \neg\mathbb{1}_{\mathrm{zero}}, \]

\[ \mathbb{1}_{\mathrm{bm}} = \mathbb{1} [ \tau(d_t)=\mathrm{BOOL} \wedge b_t=1 ] \wedge \mathbb{1}_{\mathrm{tr}}. \tag{4} \]

Булак аларды тиешелүүлүгүнө жараша манипуляция модели, flash-loan модели, wash-trading модели жана transfer семантикасын коштогон boolean абал өтүүсүнүн белгилери катары колдонот. Булар чабуулду өз алдынча далилдеген эрежелер эмес, модель колдонгон белгилер.

Сандык аномалия тобокелдик упайы

Сандык payload үчүн изилдөө:

\[ S_{\mathrm{risk}}(x) = \min \left( 0.4\, \mathbb{1} [ |x|<10^6 \vee |x|>10^{20} ] + 0.3\,\mathbb{1}_{\mathrm{fmt}}(x) + 0.2\,\mathbb{1}_{\mathrm{tail}}(x) + 0.1\,\mathbb{1} [ \#_9(x)>3 ], 1 \right). \tag{5} \]

\(\mathbb{1}_{\mathrm{fmt}}\) сан кадимки ондук жазуудан башка форматтабы же жокпу көрсөтөт; \(\#_9(x)\) болсо маанинин абсолюттук жазылышындагы “9” цифраларынын санын көрсөтөт. Булак көп сандагы 9 overflow же комиссия чектерине жакын probing жүрүм-турумун билдире турган сигнал болушу мүмкүн деп болжолдойт.

Салмактар \(0.4+0.3+0.2+0.1=1\) болгондуктан, упай компоненттери 0 же 1 болгондо бул түзүлүш салмакталган индикаторлордун бирикмеси. Бул чектер жана салмактар маалыматтан үйрөнүлбөйт; изилдөө аларды алдын ала бекитилген дизайн параметрлери катары колдонот.

Окуя ичиндеги көлөмдүн волатилдүүлүгү

Окуялар ырааттуулугундагы кадимки ондук форматтагы көлөмдөрдүн жыйындысы \(\mathcal{H}\), орточосу \(\mu_{\mathcal{H}}\) жана стандарттык четтөөсү \(\sigma_{\mathcal{H}}\) менен:

\[ V_{\mathrm{amount}}(x) = \min \left( \frac{|x-\mu_{\mathcal{H}}|} {3\sigma_{\mathcal{H}}}, 1 \right) \tag{6} \]

аныкталат. Маани 0 менен 1дин аралыгында чектелет. Жетиштүү көлөмдөр жок болсо, \(\sigma_{\mathcal{H}}=0\) болсо же \(x=0\) болсо, булак бул маанини 0 деп кабыл алат.

Бул жердеги маанилүү методологиялык жагдай — \(\mathcal{H}\) өткөнгө жылган жандуу терезе эмес, окуянын толук event logу экени. Ошондуктан белги, булактын өз сөзү менен айтканда, streaming monitoringге караганда толук окуя ырааттуулугун post-hoc баалоого таянат.

Келишимден келишимге нарк агымынын индикатору

Булактын contract-to-contract индикатору:

\[ \mathbb{1}_{\mathrm{c2c}} = \mathbb{1} \left[ |a_t|=42 \wedge |\mathcal{T}_t|\geq2 \wedge \bigwedge_{i=1}^{2} |\mathcal{T}_t[i]|=42 \right]. \tag{7} \]

Окуяны чыгарган даректин жана алгачкы эки indexed topicтин келишим/дарек форматында болушу indexed event log үстүндө келишимдер аралык түз нарк агымын көрсөткөн белги катары колдонулат.

Убакыттык тыгыздык аномалиясы

Булак жогорку жыштыктагы probing жүрүм-турумун:

\[ F_{\mathrm{anomaly}}(e_t) = \min \left( \frac{1}{\Theta} \left| \{ j\in\mathcal{E}:n_j>n_t-\Delta\kappa \} \right|, 1 \right), \]

\[ \Delta\kappa=\Theta=10 \tag{8} \]

менен аныктайт. Event log 10дон аз event камтыса, маани 0 деп алынат. Упайдын 1ге жетиши булак чечмелөөсүндө тыгыз event burstке туура келет.

Тобокелдик индикаторлору кантип бириктирилет?

Жогорку жана орто тобокелдик катмарлары:

\[ R_{\mathrm{hi}} = 0.25\,\mathbb{1}_{\mathrm{pm}} + 0.20\,S_{\mathrm{risk}} + 0.20\,\mathbb{1}_{\mathrm{sat}} + 0.15\,\mathbb{1}_{\mathrm{fl}} + 0.10\,\mathrm{Ent}(a_t) + 0.05\,\mathbb{1}_{\mathrm{bm}} + 0.05\,\mathbb{1}_{\mathrm{dam}}, \]

\[ R_{\mathrm{med}} = 0.40\,\mathbb{1}_{\mathrm{wt}} + 0.30\,V_{\mathrm{amount}} + 0.30\,\mathbb{1}_{\mathrm{c2c}}, \]

\[ R= \min(R_{\mathrm{hi}}+R_{\mathrm{med}},1). \tag{9} \]

Бул теңдеме булактын кол менен жасалган баа манипуляциясы тобокелдик белгилеринин борбору. Салмактар туруктуу жана белгиленген чабуул маалыматтарынан оптималдаштырылган эмес. Демек \(R\) өзүнчө эмпирикалык чабуул ыктымалдыгы эмес; DPF-Transformerга берилген белгилердин бири.

Глобалдык белгилер

Эки глобалдык белги колдонулат. Field filling density, event tuple ичиндеги бош эмес талаалардын үлүшүн өлчөйт. Structural payload scale болсо дарек, event аталышы жана topics сыяктуу текст талааларынын жыйынды символ узундугун нормалдаштырып, татаалыраак аткаруу агымдарынын түзүмдүк масштабын билдирет.

Этап 2: акылдуу келишим семантикасы

Келишимдин баштапкы коду tokenizer тарабынан:

\[ W=\{w_1,\ldots,w_N\} \]

token ырааттуулугуна айландырылып, эсептөө чыгымын чектөө үчүн максималдуу узундук \(N\)де кесилет. Булак \(N\)нин сандык маанисин негизги текстте билдирбейт; ошондуктан Verianla тарабынан маани ойлоп табылган эмес.

Демейки таяныч модель DeepSeek-Coder-7B-Instruct-v1.5болуп, үйрөтүү учурунда тоңдурулган. LLM 4-bit NormalFloat жана double quantization менен кысылат; inference BFloat16 менен аткарылат.

LLMдин contextual hidden state ырааттуулугу:

\[ H'_c=\{u_1,\ldots,u_N\} \]

masked average pooling аркылуу бир келишим векторуна айландырылат. Padding tokenдер attention mask аркылуу орточого кошулбайт. Бир окуяда колдонулган келишимдердин векторлору чогултулганда келишим embedding ырааттуулугу \(H_c\) алынат.

Этап 3: эки модалдуулукту бириктирүү

Транзакция окуясынын өкүлчүлүгү \(H_e\) менен келишим өкүлчүлүгү \(H_c\):

\[ H_m=[H_e\mid H_c] \]

түрүндө бириктирилет.

Ар бир позициядагы event вектору:

\[ v_t\in\mathbb{R}^{80} \]

өлчөмүндө. Келишим embeddingи үйрөнүлүүчү:

\[ W_c c_t+b_c\in\mathbb{R}^{d_p} \]

проекциясы аркылуу:

\[ d_p=1024 \]

өлчөмүнө түшүрүлөт. Ошентип, демейки бириктирилген кеңдик:

\[ d=80+1024=1104 \]

болот.

T5-RPE Бул Изилдөөдө Эмне Үчүн Маанилүү?

T5-style Relative Positional Encoding eventтердин абсолюттук катар номерине караганда алардын бири-бирине салыштырмалуу аралыгын attention эсебине кошкондуктан, ошол эле циклдик баа манипуляциясы мотиви event ырааттуулугунун башка жерине жылганда да түзүлүшүн сактоону көздөйт; булак 2026 тестинде абсолюттук позициялык коддоону колдонгон APE варианты үч чабуулду өткөрүп жибергенин, T5-RPE колдонгон толук модель болсо 18/18 чабуулду аныктаганын билдирет.

Изилдөөнүн attention матрицасы:

\[ A^{(h)} = \frac{ Q^{(h)}(K^{(h)})^\top }{ \sqrt{d_h} } + B^{(h)} + M_{\mathrm{pad}}, \]

\[ B^{(h)}_{ij} = b^{(h)}_{\beta(j-i)}, \qquad [M_{\mathrm{pad}}]_{ij} = -10^4(1-\rho_j). \tag{10} \]

Бул жерде:

  • \(h\): attention head,
  • \(d_h=d/n_h\): ар бир headдин өлчөмү,
  • \(n_h=8\): attention head саны,
  • \(B^{(h)}\): relative-position bias матрицасы,
  • \(\rho_j\): позиция чыныгы маалыматпы же paddingби көрсөткөн жарактуулук маскасы,
  • \(\beta(j-i)\): эки eventтин салыштырмалуу аралыгын bucketка айландыруучу функция.

T5-RPE жалпысынан 32 bucket колдонот; ар бир багыт үчүн 16 bucket бар. Сегиз кадамга чейинки аралык түз бөлүнөт, 128ге чейинки аралык логарифмдик масштабдалат жана андан алыс eventтер акыркы bucketта каныгат. Сегиз attention head менен relative-bias таблицасы болгону:

\[ 32\times8=256 \]

үйрөнүлүүчү скалярды камтыйт.

DPF-Transformerдын чыгыш ыктымалдыгы

Transformer encoderдын чыгыш ырааттуулугу:

\[ \hat H=(\hat h_1,\ldots,\hat h_L) \]

paddingди алып салган masked mean аркылуу:

\[ z= \frac{ \sum_{t=1}^{L}\rho_t\hat h_t }{ \sum_{t=1}^{L}\rho_t } \]

андан кийин bottleneck классификатору менен:

\[ \hat p = \sigma \left( w_2^\top D_p \left( \mathrm{ReLU}(W_1z+b_1) \right) +b_2 \right). \tag{11} \]

\(\sigma\) логистикалык функция жана \(\hat p\) PMA ыктымалдык упайын берет. \(D_p\) dropout операциясы. \(W_1\) өкүлчүлүк кеңдигин жарымына азайткан bottleneck катмары. Булак бул түзүлүш тастыкталган PMA окуяларынын саны чектелүү болгондуктан ашыкча дал келүүнү азайтуу үчүн колдонуларын белгилейт.

Окуя:

\[ \hat p\geq\theta \]

болгондо PMA катары билдирилет. \(\theta\) баалоо вариантына жараша калибрленет; макаланын ар башка RQ эксперименттеринде, өзгөчө event-only вариант үчүн ар башка калибрлөө чектери колдонулган. Ошондуктан бир эле чекти бардык эксперименттердин өзгөрбөс параметри катары көрсөтүү туура эмес.

Маалымат топтому \(D_1\)

БелгиБулактагы маани
Тастыкталган PMA окуясы225
Мезгил2020–2026
Блокчейндердин саны6
Колдоого алынган тармактарArbitrum, Avalanche, Base, BNB Chain, Ethereum, Polygon
Жалпы билдирилген каржылык чыгым804,3 milyon USD
Синтетикалык маалыматты көбөйтүүКолдонулган эмес

Изилдөөчүлөр синтетикалык маалыматты көбөйтүүнү атайын четке кагышкан. Себеби чабуул event ырааттуулугундагы майда түзүмдүк өзгөрүүлөр чабуулду аныктаган так аткаруу тартибин бузуп, энбелгини жаңылыш кылышы мүмкүн. Ошондуктан үлгүлөрдүн санынан көрө тастыкталган чыныгы окуялардын энбелги ишенимдүүлүгүнө артыкчылык берилген.

Зыянсыз маалымат топтому \(D_2\)

Жалган оң натыйжаларды баалоо үчүн башында:

\[ 428\,523 \]

жогорку баалуу зыянсыз транзакция сканерленген. Алар 435 DeFi колдонмосунан келет. Келишимдер чогултулуп, жараксыз кириштер чыгарылгандан кийин event sequence узундугу 6дан жогору болгон бардык:

\[ 1\,150 \]

зыянсыз транзакция сакталган.

Бул чыпкалоо чабуул окуялары адатта узун event ырааттуулугуна ээ болгондуктан атайын жасалган. Ошентип, модель ырааттуулуктун узундугун гана колдонуп чабуул/зыянсыз бөлүүнү жасабашы үчүн аракет көрүлгөн.

Үйрөтүү жабдыгы жана гиперпараметрлер

ПараметрМаани
Демейки LLMDeepSeek-Coder-7B-Instruct-v1.5
LLM абалыFrozen / үйрөтүлбөйт
Batch size4
Dropout0,3
Баштапкы learning rate\(10^{-5}\)
Learning-rate decay factor0,5
Scheduler patience2
Максималдуу epoch20
Early-stopping patience3 epoch
Кайталоолордун саны10 көз карандысыз иштетүү
Random seed0–9
CPUAMD Ryzen 9 8945HX, 2.50 GHz
GPUNVIDIA GeForce RTX 5060 Ti, 8 GB VRAM
RAM16 GB

Кайчылаш валидация кантип жасалды?

Негизги RQ1 экспериментинде 225 PMA окуясы хронологиялык түрдө беш foldго бөлүнгөн. Rotating five-fold cross-validation колдонулат. Ар бир айлампада бир fold тест жыйындысы болот; калгандардын хронологиялык жактан эң акыркысы validation жыйындысы катары колдонулат, башка үчөө training жыйындысын түзөт.

Эгер чабуул 10 random seed иштетүүсүнүн кайсы биринде өткөрүлүп жиберилсе, false negative катары катталган. Бул чечим эрежеси орточо мааниге же көпчүлүк добушка гана караганга салыштырмалуу катуураак өлчөм.

\(D_2\) зыянсыз маалымат топтому болсо туш келди аралаштырылып беш foldго бөлүнгөн жана эксперименттер маалымат агып кетишин алдын алуу үчүн көз карандысыз жүргүзүлгөн.

RQ3 жана RQ4 эксперименттеринде хронологиялык беш fold ротациясы жасалбастан үч fold training, бир fold validation жана бир fold test катары колдонулган. Ошондуктан ар башка RQ бөлүмдөрүндөгү threshold жана натыйжаларды бир эле маалымат бөлүү шартында алынган жалгыз эксперимент сыяктуу аралаштырбоо керек.

Baseline салыштыруу кантип жасалды?

DeFiFusion үч негизги транзакция/жүрүм-турум багытындагы курал менен салыштырылган: DeFiRanger, DeFort жана DeFiScope.

D1 менен DeFiScope маалымат топтомунун кесилишкен чабуулдарында DeFiScope макаласында билдирилген натыйжалар колдонулган. Кесилишпеген чабуулдарда DeFiRanger жана DeFort ачык булактуу болбогондуктан, изилдөөчүлөр ыкмаларды адабиятта түшүндүрүлгөн негизги логика боюнча кайра ишке ашырышкан. Бул кайра ишке ашыруу процессинде Claude 4.6 Sonnet көмөкчү иштеп чыгуу куралы катары колдонулган.

Кайра ишке ашыруунун түпнуска отчеттор менен шайкештиги кесилишкен үлгүлөрдө:

  • DeFiRanger үчүн %92,6,
  • DeFort үчүн %95,8

деп билдирилген.

Кесилишпеген DeFiScope окуяларында болсо түпнуска изилдөөдө колдонулган GPT-4o ордуна ачык булактуу MiMo-V2.5-Pro таяныч модели колдонулуп, модель физикалык жактан обочолонгон жергиликтүү серверлерде иштетилген.

Бул детал маанилүү: бардык baseline сандары ар бир учурда түпнуска куралдардын так ошол binary/кызмат версиясынан алынган эмес. Айрымдары изилдөөчүлөрдүн кайра ишке ашыруусунан алынган.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

RQ1: 225 чабуулдагы аныктоо көрсөткүчү

ЫкмаАныкталган PMAӨткөрүлүп жиберилген PMAКеминде 1 миллион USD чыгым болгон 52 окуяда аныктоо
DeFiRanger127 / 2259829 / 52
DeFort117 / 22510818 / 52
DeFiScope120 / 22550; 47 окуяда жетишпеген кириштен улам иштетүү ийгиликсиз21 / 52; 18 окуяда иштетүү ийгиликсиз
DeFiFusion222 / 225351 / 52

Булак DeFiFusionдун жалпы көрсөткүчү үчүн:

Precision: %96,10

Recall: %98,67

маанилерин билдирет.

Бул жердеги recall чыныгы чабуулдардын канчасы кармалганын; precision болсо модель чабуул деп белгилеген үлгүлөрдүн канчасы чындап чабуул экенин өлчөйт. %98,67 recall 225 чабуулдун 222си аныкталганы менен шайкеш.

Contract-only куралдар менен салыштыруу

DeFiTainter жана SMARTCAT кириш катары жабырлануучу келишимдин кодун гана колдонушат жана алты чынжырдын баарын колдобогондуктан, булак аларды негизги II таблицага киргизген эмес.

Салыштыруу ички жыйындысыContract-side куралContract-side аныктооDeFiFusion аныктоосу
95 чабуулDeFiTainter34 / 95 (%35,79)93 / 95 (%97,89)
194 чабуулSMARTCAT83 / 194 (%42,78)192 / 194 (%98,97)

Бул натыйжа изилдөөнүн негизги тезисин колдойт: келишим кодун жалгыз изилдөө exploitability чыныгы транзакция жүрүм-турумуна көз каранды болгон чабуулдарды өткөрүп жибериши мүмкүн.

Үч false negative эмне үчүн пайда болду?

Булак үч false negativeтин жалпы өзгөчөлүгүн чабуулдун өзөгү узун жана кадимкидей көрүнгөн транзакция ырааттуулуктарынын арасында сейрек калышы деп түшүндүрөт.

  • RoeFinance: 572 eventтин %99дан көбү кадимки lending bookkeeping операцияларынан турат.
  • SEAToken: кадимки transferлер event ырааттуулугунда басымдуу.
  • Value.DeFi: pooled representation зыянсыз кластерге өтө жакын; эң жакын 15 коңшунун 14ү кадимки транзакция.

Башка чабуулдардын 10 seed ичиндеги минималдуу аныктоо ыктымалдыгынын медианасы 0,996 болсо, ушул үч окуя гана айрым seedдерде 0,1 чечим чегинен төмөн түшкөн.

Булак ошондой эле бул ийгиликсиздиктер толугу менен системалуу эмес экенин билдирет: seedдер арасындагы көпчүлүк добуш берүү эки учурду, probability averaging болсо үч учурдун баарын калыбына келтирет. Бирок негизги жыйынтык таблицасы катуураак эрежени колдонуп, кайсы бир seedде өткөрүлүп жиберилген чабуулду false negative деп эсептейт.

False positiveтер кайдан чыгат?

Он seed ичинде байкалган тогуз false-positive occurrenceтун баары жети зыянсыз транзакцияны камтыган бир near-duplicate кластерге тиешелүү. Калган 1.141 зыянсыз транзакцияда false-positive occurrence байкалган эмес.

Бул зыянсыз кластер ошол эле үч келишим менен өз ара аракеттенет: fee-on-transfer token, бир PancakeSwap pair жана wrapped BNB. Бул транзакцияларда swap eventтердин үлүшү %22; булак чабуул медианасын %17, зыянсыз медиананы болсо нөл деп берет. Ошондуктан бул зыянсыз транзакциялар белгилер мейкиндигинде чабуул аймагына эң жакын кадимки үлгүлөр.

2026-жылдагы 18/18 Натыйжа Чынында Эмнени Билдирет?

DeFiFusionдун 2026-жылкы “simulated zero-day” баалоосундагы %100 recall натыйжасы модель 2020–2024 чабуулдарында үйрөтүлүп, 2025 окуялары менен валидациялангандан кийин кийинчерээк болгон тастыкталган 18 2026 чабуулунун баарын кармаганын көрсөтөт; бул убакыт боюнча күчтүү жалпылоо тести, бирок болгону 18 окуяны камтыгандыктан келечектеги бардык PMA түрлөрү үчүн %100 коопсуздук кепилдиги эмес.

Бул экспериментте 2026-жылкы чабуулдар үйрөтүү маалыматтарына киргизилген эмес. Терс үлгүлөр да үч убакыт тобуна бөлүштүрүлгөн.

ВариантКолдонгон маалыматӨткөрүп жиберген окуялар
\(DFu_e\)Event белгилери ганаMoonwell2, Venus THE, BYToken
\(DFu_c\)Келишим семантикасы ганаTruebit, SEAToken
\(DFu_{APE}\)Эки модалдуулук + absolute positional encodingYSDAO, AISOTHPresale, DIP
\(DFu_{RPE}\)Эки модалдуулук + T5-RPEЭч бири; 18 / 18

Event-only жана contract-only моделдер өткөрүп жиберген окуялар топтомдорунун кесилишпеши өзгөчө маанилүү. Бул натыйжа эки модалдуулук бир эле маалыматты кайталабай, бири-бирин толуктаган сигналдарды алып жүрөрүн колдойт.

Moonwell2 жана Venus THE — event-only вариант өткөрүп жиберген 2026-жылдагы эң жогорку чыгымдуу эки учур. Булак бул окуяларда exploitability келишим деңгээлиндеги логикага катуу көз каранды экенин чечмелейт. Truebit жана SEAToken болсо contract-only модель тарабынан өткөрүлүп жиберилген; булак аларды статикалык түрдө зыянсыз көрүнүп, зыяндуу ниет runtime жүрүм-турумунда пайда болгон мисалдар катары баалайт.

2026-жылкы окуяларда онлайн эсептөө убактысы

ОкуяPC-TimeOnline RunTime
Truebit0,68 s2,95 + 2,68 ms
Moonwell20,72 s2,47 + 3,58 ms
Curve LlamaLend7,23 s5,30 + 3,52 ms
EST Token3,83 s7,86 + 14,48 ms
SEAToken2,91 s8,14 + 10,92 ms
BOSS0,61 s7,85 + 9,86 ms
WHALE2,48 s4,60 + 2,55 ms

PC-Time келишим семантикасын алдын ала эсептөө үчүн талап кылынган убакыт. RunTime болсо event feature extraction жана классификатор inference убакыттарын өз-өзүнчө берет. Авторлордун реалдуу убакыттагы коргонуу жүйөсү келишим коду deploymentдан кийин өзгөрбөйт жана \(H_c\) алдын ала эсептелип, индекстелиши мүмкүн деген божомолго таянат.

Ошого карабастан, бул маанилер “чабуул башталганга чейин божомол” эмес. Event log түзүлүшү керек. Булактын өз event-anomaly белгиси толук окуя ырааттуулугун колдонот. Ошондуктан ыкманын онлайн кийлигишүү мүмкүнчүлүгү тиешелүү eventтер чынжырда качан жеткиликтүү болоруна жана протоколдун governance/pausing механизмине көз каранды.

Абляция: белгилер бирден кошулганда эмне болот?

Булак төрт конфигурацияны салыштырат:

  1. \(F_{\mathrm{basic}}\)
  2. \(F_{\mathrm{basic}}+F_{\mathrm{cpmr}}\)
  3. \(H_e=F_{\mathrm{basic}}+F_{\mathrm{cpmr}}+F_{\mathrm{global}}\)
  4. \(H_e+H_c\)

Булак 2-сүрөттө ар бир жаңы белги үй-бүлөсү кошулган сайын зыянсыз жана чабуул божомолдорунун бөлүштүрүлүшү көбүрөөк ажыраганын; окуя жана келишим модалдуулуктары бирге колдонулган акыркы конфигурацияда эки класс дээрлик толугу менен бөлүнгөн эки кластерге айланганын көрсөтөт.

Бул сүрөттүн чийки чекит координаттары булакта өзүнчө маалымат таблицасы катары берилбегендиктен, Verianla тарабынан жасалма scatter plot кайра түзүлгөн эмес.

APE жана T5-RPE жоготуу беттери

Булак 3-сүрөттө DPF-Transformerдын үйрөтүү жоготуу бетин алгачкы эки principal component тегиздигине проекциялайт. Синусоидалдык Absolute Positional Encoding (APE) одоноураак бетти жана айланып кеткен training trajectoryни түзсө, T5-RPE жылмакайыраак бетти жана төмөн final lossка багытталган түзүрөөк үйрөтүү жолун көрсөтөт.

Бул сүрөт себептүүлүктүн далили эмес; авторлор аны T5-RPEнин жакшыраак жалпылоосуна шайкеш оптималдаштыруу геометриясынын байкоосу катары чечмелешкен.

LLM таяныч модели өзгөргөндө эмне болот?

Изилдөө тогуз түрдүү code LLM таяныч моделин салыштырат:

  • CodeGemma-2B,
  • CodeGemma-7B,
  • CodeLlama-7B,
  • DeepSeek-1.3B,
  • DeepSeek-Coder-v1.5-7B,
  • Qwen2.5-1.5B,
  • Qwen2.5-3B,
  • Qwen2.5-7B,
  • StarCoder2-7B.

Wilcoxon signed-rank тесттери чоңураак моделдер seedдер арасында тыгызыраак жана азыраак өзгөрмө натыйжа чыгарууга ыктаарын көрсөткөндө, булак жалпы көрсөткүч тогуз таяныч моделдин арасында салыштырууга боло турган деңгээлде калганын билдирет. Ошондуктан DeFiFusionдун келишим семантикасын чыгаруу процесси бир эле LLMге ашыкча көз каранды көрүнбөйт.

Булак графиктерде маанилүү жуптук айырмаларды жылдыз белгилери менен көрсөтөт; негизги текст бардык жуптар үчүн так p маанилерин тизмектебейт. Ошондуктан Verianla жаңы p маанисин чыгарбайт.

Проекция өлчөмү

Түпнуска 4096 өлчөмдүү contract embedding 2048, 1024, 768 жана 512 өлчөмдүү проекциялар менен салыштырылган.

Булакка ылайык:

  • 2048 жана 1024 өлчөмгө кысууда төрт көрсөткүч метрикасында маанилүү жоготуу байкалган эмес.
  • 768 жана 512 өлчөмгө түшүрүлгөндө precision жана F1 байкаларлык начарлаган.
  • Ошондуктан демейки проекция өлчөмү \(d_p=1024\) тандалган.

Бул проекция классификатор параметрлеринин санын жана эс тутумду колдонууну азайтып, негизги көрсөткүчтү сактоону көздөйт.

LLM алдын ала эсептөө чыгымы

Булак 6-сүрөттө ар башка LLMдердин келишим семантикасын чыгаруу убакыттарын violin plot түрүндө салыштырат. Кичине моделдер жалпысы менен тезирээк; CodeLlama-7Bнин убакыт бөлүштүрүлүшү башкаларга караганда кыйла кең болгондуктан өзүнчө y огунда көрсөтүлгөн.

Демейки LLM үчүн булак ар бир келишим/протоколго орточо болжол менен:

\[ 2.04\ \mathrm{s} \]

pre-computation убактысын билдирет. Бул эсептөө офлайн жүргүзүлөт.

Изилдөө колдогон жыйынтыктар

  • Транзакция жүрүм-турумун жана келишим семантикасын бирге моделдөө бул маалымат топтомунда бир модалдуу ыкмаларга караганда күчтүүрөөк PMA аныктоосун камсыз кылган.
  • DeFiFusion тастыкталган 225 чабуулдун 222син аныктаган.
  • Булак жалпы precision маанисин %96,10 жана recall маанисин %98,67 деп билдирген.
  • DeFiFusion 1 миллион USD жана андан жогору чыгымдуу 52 чабуулдун 51ин аныктаган.
  • 2020–2024 үйрөтүү жана 2025 validationдан кийин 2026-жылдагы 18 PMAнын 18и T5-RPE колдонгон толук модель тарабынан аныкталган.
  • Event-only жана contract-only варианттардын ар башка окуяларды өткөрүп жибериши модалдуулуктар бири-бирин толуктай турганын колдойт.
  • T5-RPE булак экспериментинде absolute positional encodingге салыштырганда 2026 окуяларына жакшыраак жалпыланган.
  • 1024 өлчөмдүү contract projection булак эксперименттеринде 4096 өлчөмдүү түпнуска embeddingге жакын көрсөткүчтү кичирээк классификатор менен сактаган.

Изилдөө колдобогон жыйынтыктар

  • DeFiFusion келечектеги бардык баа манипуляцияларын %100 кармай турганы далилденген эмес.
  • 18/18 zero-day натыйжасы DeFi чабуулдарынын бардык түрлөрү тесттен өткөрүлгөн дегенди билдирбейт.
  • DeFiFusion бардык блокчейн коопсуздук алсыздыктарын аныктаган жалпы максаттагы коопсуздук системасы эмес; изилдөө PMA аныктоого багытталган.
  • %98,67 recall реалдуу убакыттагы production системасында кепилденген узак мөөнөттүү ийгилик көрсөткүчү эмес.
  • Моделдин натыйжаларын келишимдин баштапкы коду жабык болгон бардык протоколдорго түз жалпылоого болбойт.
  • Fixed-weight тобокелдик формулаларындагы \(10^6\), \(10^{18}\), \(10^{20}\) сыяктуу чектер бардык token decimal түзүлүштөрү жана келечектеги бардык PMA үй-бүлөлөрү үчүн универсалдуу оптимал экени көрсөтүлгөн эмес.
  • Моделдин секунддан кыска inference убактысы чабуул ар бир учурда чынжыр толук бекемделгенге чейин токтотулушуна кепилдик бербейт.
  • Булакта жандуу production deployment үстүндө узак мөөнөттүү false-positive/false-negative талаа баалоосу билдирилген эмес.

Негизги чектөөлөр

Тастыкталган чабуулдардын саны чектелүү. 225 окуя бул тармак үчүн чоң жыйнак болсо да, заманбап машиналык үйрөнүү көз карашынан алганда чектелүү үлгү өлчөмү. Авторлор синтетикалык маалымат түзүүнүн ордуна энбелги тактыгын сактоону тандашкан.

2026-жылкы алдыга-убакыт тести болгону 18 окуяны камтыйт. Ошондуктан %100 recall күчтүү, бирок чектелүү тест натыйжасы.

Баштапкы кодго көз карандылык бар. Тастыкталбаган же closed-source келишимдер bytecode гана берсе, келишим семантикасы модалдуулугун колдонууга болбойт. Авторлор келечекте decompilation жана bytecode-semantic modelingди изилдөөнү сунушташат.

Тобокелдик белгилеринин бир бөлүгү кол менен иштелип чыккан. (4)–(9) теңдемелериндеги чектер жана салмактар булак тарабынан a priori белгиленген жана training labelдарынан үйрөнүлбөйт.

Baselineдардын бир бөлүгү кайра ишке ашырылган. DeFiRanger жана DeFort ачык булактуу болбогондуктан, салыштыруунун бир бөлүгү изилдөөчүлөрдүн reimplementationына таянат. Өлчөнгөн alignment жогору болгону менен %100 эмес.

False-negative окуяларда манипуляция сигналы сейрек. Узун нормалдуу транзакция агымынын ичинде аз сандагы чабуул eventтеринин болушу pooled representationды зыянсыз аймакка жакындата алат.

False-positiveтер белгилүү зыянсыз edge-case транзакцияларда топтолгон. Fee-on-transfer token жана тыгыз swap eventтер чабуулга окшош белги бөлүштүрүүлөрүн түзүшү мүмкүн.

Келечектеги иш

Макала так көрсөткөн келечектеги иш багыты — bytecode гана бар келишимдер үчүн decompilation жана bytecode негизиндеги семантикалык моделдөөнү колдонуп, баштапкы кодго көз карандылыкты азайтуу.

Булак мындан тышкары бардык кол менен түзүлгөн тобокелдик чектери кайра оптималдаштырылат же жаңы чабуул үй-бүлөлөрү сөзсүз чечилет деп айтпайт; ошондуктан Verianla тарабынан кошумча келечек-натыйжа божомолу түзүлгөн эмес.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталыш: DeFiFusion: Combining Transaction Events with Smart Contracts to Detect Price Manipulation Attacks

Авторлор: Rui Cao; Shaojing Fan; Liming Fang; Yuchan Liu; Yingying Jiao; Zhenguang Liu.

Авторлордун тартиби: Булактагы тартип өзгөртүлбөй сакталган.

Тең салым: Жүктөлгөн версияда тең салым/тең биринчи автор жөнүндө билдирүү аныкталган эмес.

Corresponding authors: Liming Fang, Zhenguang Liu жана Yingying Jiao.

Rui Cao жана Liming Fang: School of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics, China.

Shaojing Fan: Department of Electrical and Computer Engineering, National University of Singapore, Singapore.

Yuchan Liu: School of Aerospace Engineering, Nanjing University of Aeronautics and Astronautics, China.

Yingying Jiao: Zhejiang University of Technology, China.

Zhenguang Liu: Zhejiang University, The State Key Laboratory of Blockchain and Data Security; ошондой эле Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security, China.

Илим тармагы: Компьютердик коопсуздук, борбордон ажыратылган финансы, блокчейн коопсуздугу, акылдуу келишимдер, машиналык үйрөнүү жана Transformer моделдери.

Булак түрү: ArXiv preprint.

ArXiv: arXiv:2609.11008v1 [cs.CR].

Жөнөтүлгөн дата: 10 Сентябрь 2026.

DOI: 10.48550/arXiv.2609.11008. Бул DOI arXiv жазуусуна тиешелүү.

Расмий шилтеме: https://arxiv.org/abs/2609.11008

Рецензиялоо / жарыя абалы: 19 Ноябрь 2026 карата тастыкталган булак жазууларында өзүнчө рецензияланган журнал же конференция version-of-record маалыматы жок. Изилдөө preprint катары классификацияланган.

Негизги изилдөө объектиси: DeFi баа манипуляциясы чабуулдарын транзакция окуялары жана акылдуу келишим семантикасын бирге колдонуу менен аныктоо.

Маалымат топтому \(D_1\): Алты блокчейнде 2020–2026-жылдар аралыгында болгон 225 тастыкталган PMA; жалпы билдирилген чыгым 804,3 миллион USD.

Маалымат топтому \(D_2\): 428.523 жогорку баалуу зыянсыз транзакциянын ичинен event sequence узундугу 6дан жогору болгон 1.150 зыянсыз транзакция.

Негизги модель: Dual-Modal Projection-Fusion Transformer (DPF-Transformer) + T5-style Relative Positional Encoding (T5-RPE).

Демейки LLM: DeepSeek-Coder-7B-Instruct-v1.5; келишим feature extraction учурунда frozen.

Event өкүлчүлүгү: 80 өлчөм.

Contract projection: 1024 өлчөм.

Fused width: 1104.

Attention head саны: 8.

T5-RPE bucket саны: 32; ар бир багыт үчүн 16.

Негизги көрсөткүч: 222/225 PMA аныктоо; precision %96,10; recall %98,67.

2026 алдыга-убакыт баалоосу: 2020–2024 training, 2025 validation, 18 даана 2026 чабуулу test; толук T5-RPE модели 18/18 аныктады.

Иштетүүнү кайталоо: Ар бир эксперимент 10 көз карандысыз random seed менен жүргүзүлгөн; seed 0–9.

Жабдык: AMD Ryzen 9 8945HX 2.50 GHz, NVIDIA GeForce RTX 5060 Ti 8 GB VRAM жана 16 GB RAM.

Статистикалык ыкма: RQ4тө LLM жана проекция салыштырууларында Wilcoxon signed-rank тесттери колдонулган. Негизги текст бардык жуптар үчүн так p маанилерин тизмектебейт.

Baseline кайра өндүрүү: DeFiRanger жана DeFort ачык булактуу болбогондуктан, айрым окуяларда ыкмалар кайра ишке ашырылган. Булак overlap учурларында тиешелүүлүгүнө жараша %92,6 жана %95,8 alignment билдирет. Claude 4.6 Sonnet иштеп чыгуу жардамчысы катары колдонулган.

DeFiScope кайра баалоосу: Non-overlap учурларда түпнуска GPT-4o ордуна MiMo-V2.5-Pro колдонулуп, модель обочолонгон жергиликтүү серверде иштетилген.

Dataset жеткиликтүүлүгү: Авторлор 225 тастыкталган PMA маалымат топтомун жарыялаганын жана кошумча comparison жазууларын repositoryде бергенин билдиришет. Жүктөлгөн PDFтин библиографиялык бөлүмүндө DeFiFusion repositoryсинин ачык URLи берилбегендиктен, Verianla тарабынан URL ойлоп табылган эмес.

Каржылоо: Жүктөлгөн версияда өзүнчө funding statement аныкталган эмес.

Кызыкчылыктардын кагылышы: Жүктөлгөн версияда өзүнчө conflict-of-interest statement аныкталган эмес; “кызыкчылыктардын кагылышы жок” деген божомол жасалган эмес.

CRediT / авторлордун кеңири салымдары: Өзүнчө CRediT ролдук таблицасы аныкталган эмес.

AI колдонуу билдирүүсү: Авторлор LLMдерди baseline кайра өндүрүүдө жана макаланын окулушун жакшыртууда колдонгонун; AI колдогон мазмунду өздөрү карап чыкканын билдиришет.

Лицензия: Жүктөлгөн PDFте ачык Creative Commons кайра колдонуу лицензиясы тастыкталган эмес. Ачык arXiv жеткиликтүүлүгү автоматтык түрдө кайра колдонууга уруксат деп кабыл алынган эмес.

Эң маанилүү чечмелөө чеги: 225 окуядагы %98,67 recall жана 18/18 алдыга-убакыт натыйжасы күчтүү эксперименттик модель көрсөткүчү; келечектеги бардык DeFi баа манипуляциялары реалдуу production чөйрөсүндө ошол эле деңгээлде аныкталат деген кепилдик эмес.


Бөлүшүү:

Пикирлер текшерилгенден кийин жарыяланат. Пикириңиз жактыруу процессине жөнөтүлүп, ылайыктуу деп табылганда көрүнөт.

Пикир калтырыңыз

E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген