共识：基于共识的系统证据综合方法，用于加密货币混币器的司法风险分析

《Distributed Ledger Technologies: Research and Practice》：CONSENSUS: Consensus-based Systematic Evidence Synthesis for Forensic Risk Profiling of Cryptocurrency Mixers

全球金融完整性受加密货币混币器挑战，CONSENSUS框架通过自监督学习整合九种分析模态，无需预标签即可检测混合交易流中的DeFi漏洞，验证其在Ronin桥和Poly Network攻击中100%准确率并识别新攻击模式。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

全球金融体系的完整性受到诸如Tornado Cash之类的加密货币混币器的根本性挑战，这些混币器促进了数十亿美元的非法资金流动。低检测率、依赖于无法用于新型攻击的标记训练数据，以及未能分析时间协调模式，都是现有取证工具效力的障碍。我们提出了CONSENSUS，这是一个自监督的异构集成框架，旨在解决混合交易流中的归因问题。我们的系统不需要任何预先存在的标签，并且可以直接从链上行为模式生成监督信号。它通过一种正式的共识机制，结合了九种分析方法（包括确定性聚类、行为分析和多种图神经网络架构）来合成证据。这种多模态方法能够从111维的行为特征中生成透明、可审计的风险评分。我们在五种主要的去中心化金融（DeFi）攻击中验证了该框架的有效性，包括Ronin Bridge和Poly Network黑客攻击。利用原始交易数据，它在未经训练的情况下以100%的准确率检测出了所有已知的主要攻击者。关键的是，该框架的自监督组件成功识别了Poly Network攻击的新模式，从而证明了其对超出分布范围的威胁的鲁棒性。通过提供透明且无需标签的解决方案，CONSENSUS为灵活有效的风险分析和取证调查建立了一种新的范式。

人工智能摘要

人工智能生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核的。它旨在帮助发现、评估相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍是文章的正式摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须拥有高级访问权限。