基于多粒度洗盘模式描绘的 BSC Meme Token 早期 rug pull 警报
人工智能
2026-03-17 v1 密码学与安全
机器学习
摘要
去中心化金融(DeFi)中meme代币的高频发行和短周期投机显著放大了rug-pull风险。现有方法仍难以在稀少异常、标签不完整和可解释性有限的情况下提供稳定的早期警报。为此，本文提出一个针对BSC meme代币的端到端警报框架，包含四个阶段：数据集构建与标注、洗盘模式特征建模、风险预测与错误分析。方法上，基于三个洗盘模式(Self、Matched、Circular)，构建了12个代币级行为特征，将交易级、地址级和流量级信号统一整合为风险向量。随后采用监督模型输出警报得分与决策。当前设置下(7个代币、33,242条记录)，随机森林在核心指标上优于逻辑回归，实现AUC=0.9098、PR-AUC=0.9185和F1=0.7429。消融结果表明，交易级特征是主要性能驱动因素(移除后Delta PR-AUC=-0.1843)，而地址级特征提供稳定的补充性提升(移除后Delta PR-AUC=-0.0573)。该模型也展示了针对子样本的可操作性早期警报潜力，平均预导时间(v1)为3.8133小时。错误轮廓(FP=1, FN=8)表明当前系统更适合作为高精度筛选器而非高召回的自动警报引擎。主要贡献包括：可执行且可复现的rug-pull警报管道、在弱监督条件下多粒度洗盘特征的实证验证，以及基于预导时间与误差界的部署导向证据。
关键词
引用
@article{arxiv.2603.13830,
title = {Early Rug Pull Warning for BSC Meme Tokens via Multi-Granularity Wash-Trading Pattern Profiling},
author = {Dingding Cao and Bianbian Jiao and Jingzong Yang and Yujing Zhong and Wei Yang},
journal= {arXiv preprint arXiv:2603.13830},
year = {2026}
}
备注
17 pages, 7 figures, 4 tables