语义侦探：基于大语言模型识别庞氏合约
密码学与安全
2024-12-19 v2
摘要
智能合约是直接以代码形式编写的自执行协议，是区块链技术的基石，特别是在去中心化金融（DeFi）和 Web3 中。然而，智能合约中庞氏骗局的兴起带来重大风险，导致巨额财务损失并削弱对区块链系统的信任。现有检测方法（如 PonziGuard）依赖大量标注数据，难以识别未见过的庞氏骗局，限制了其可靠性和泛化能力。相比之下，我们提出 PonziSleuth，这是首个用于检测庞氏智能合约的大语言模型驱动方法，无需标注训练数据。PonziSleuth 利用大语言模型的先进语言理解能力，通过一种新颖的两步零样本思维链提示技术分析智能合约源代码。我们在基准数据集和真实合约上的广泛评估表明，PonziSleuth 在无需大量数据的情况下实现了可比甚至更优的性能，使用 GPT-3.5-turbo 实现 96.06% 的平衡检测准确率，使用 LLAMA3 实现 93.91%，使用 Mistral 实现 94.27%。在真实检测中，PonziSleuth 从 2024 年 3 月 Etherscan 验证的 4,597 个合约中成功识别出 15 个新的庞氏骗局，假阴性率为 0%，假阳性率为 0.29%。这些结果凸显了 PonziSleuth 检测多样且新颖庞氏骗局的能力，标志着利用大语言模型增强区块链安全性和缓解金融诈骗的重大进展。
引用
@article{arxiv.2411.07498,
title = {Semantic Sleuth: Identifying Ponzi Contracts via Large Language Models},
author = {Cong Wu and Jing Chen and Ziwei Wang and Ruichao Liang and Ruiying Du},
journal= {arXiv preprint arXiv:2411.07498},
year = {2024}
}
备注
12 pages