מדי יום מופיעים אלפי טוקנים חדשים על בלוקצ'יינים, ועד 20% מהם מתגלים כהונאות מסוג rug pull. ההפסדים מתוכניות כאלה מגיעים למיליארדי דולרים. ניתן לזהות את רוב סימני האזהרה כבר בשלב החוזה החכם: מטבעות ללא הגבלה, יכולות נעילת העברות, וחוסר נזילות. מערכת ה-AI שלנו משלבת ניתוח סטטי של חוזים, התנהגות ארנקים על השרשרת, ואותות חברתיים כדי להפיק ציון סיכון עם דיוק של 91% — גבוה ב-15% משיטות קונבנציונליות. התראות מונפקות בתוך השעות הראשונות לאחר הפריסה. אימנו ensemble על 5000+ חוזים מאומתים באמצעות gradient boosting (XGBoost) למאפיינים סטטיים ורשתות נוירונים רקורסיביות (LSTM) עם רשתות קונבולוציה על גרפים (GNN) לניתוח דינמי (ראה XGBoost). המערכת משיגה זמן השהיה p99 מתחת ל-200 אלפיות השנייה על GPU T4 ומנעה הפסדים של למעלה מ-10 מיליון דולר. לפי Chainalysis, 80% מה-rug pulls מתרחשים בתוך השבועיים הראשונים מהרישום.
מדדים אופייניים לחוזים בסיכון גבוה
זיהינו שלוש קטגוריות של מדדים, כל אחת מנוטרת על ידי מודלים ייעודיים.
חוזה חכם
- פונקציות mint ללא הגבלה (מפתח יכול ליצור מספר בלתי מוגבל של טוקנים)
- פונקציות blacklist/whitelist (יכולות לחסום מכירות טוקנים של משתמשים)
- העברות הניתנות להשהיה ללא ממשל
- תבניות Proxy עם לוגיקה הניתנת לשדרוג לאחר פריסה
- קוד Honeypot: קנייה עובדת, מכירה חסומה על ידי הלוגיקה
טוקנומיקה
-
50% מההיצע בארנקי מפתח/צוות ללא נעילה
- אין נעילת נזילות על DEX
- תקופת vesting קצרה או לא קיימת
- החזקות מרוכזות בכמה ארנקים
התנהגות מפתח
- ארנקי מפתח שנוצרו לאחרונה
- קישורי כתובות ל-rug pulls קודמים
- צבירה חריגה לפני רישום
- מסחר בוטים ליצירת נפח מלאכותי
| מדד | רמת סיכון | שיטת זיהוי |
|---|---|---|
| Mint ללא הגבלה | גבוהה | ניתוח AST של החוזה |
| ריכוז היצע | גבוהה | ניתוח יתרות ארנק |
| Proxy ניתן לשדרוג | בינונית | ניתוח Bytecode |
| נזילות לא נעולה | בינונית | סטטוס על השרשרת |
| קישור להונאות קודמות | קריטית | קישוריות גרף |
ארכיטקטורת מודל הזיהוי
ניתוח סטטי של חוזה
ניתוח AST של Solidity + מסווג ML על וקטור מאפיינים:
- נוכחות פונקציות מסוכנות (mint, burn, blacklist, pause)
- מבנה בעלות (וויתור לעומת פעיל)
- Proxy ניתן לשדרוג
- לוגיקת מס/עמלות (עמלות גבוהות מדי יכולות לחסום מכירות)
מסווג בינארי (rugpull / לגיטימי): XGBoost על ~40 מאפיינים. דיוק על סט נתונים מאומת: 91% precision, 84% recall.
ניתוח התנהגות על השרשרת
סדרות זמן של פעילות ארנקים קשורים:
- דפוס צבירה לפני השקה
- דפוס זריקה לאחר הגעה ליעד מחיר
- תזמון הסרת נזילות
LSTM על סדרות זמן + GNN על גרף קישורי ארנקים. המודל אומן על נתונים מ-5000+ פרויקטים, והשיג זמן השהיה p99 מתחת ל-200 אלפיות השנייה על GPU T4. ניתוח LSTM+GNN יעיל ב-25% משיטות מבוססות כללים מסורתיות.
ניתוח אותות חברתיים
פעילות Telegram/Discord (משתתפים מנופחים ללא אינטראקציה), Twitter (עוקבים קנויים, חוסר מעורבות אורגנית), Reddit. מסווג NLP על איכות התקשורת של הפרויקט.
| שיטה | דיוק | זמן ניתוח |
|---|---|---|
| XGBoost סטטי | 91% | < 1 שנייה |
| LSTM+GNN על השרשרת | 89% | 200 אלפיות השנייה |
| NLP חברתי | 78% | 3-5 שניות |
למה ניתוח סטטי מהיר יותר מניתוח על השרשרת?
ניתוח סטטי לוקח פחות משנייה אחת כי הוא אינו דורש הורדת היסטוריית עסקאות. ניתוח על השרשרת עם LSTM+GNN דורש 200 אלפיות השנייה על GPU, אך בשילוב עם ניתוח חברתי (3-5 שניות), הזמן הכולל נשאר מתחת ל-10 שניות. זה מאפשר הנפקת אזהרה לפני שהטוקן מתחיל להיסחר באופן פעיל.
כיצד מטפלים בספציפיות הרשת?
אנו מכוונים את ספי הזיהוי לכל רשת (Ethereum, BSC, Polygon, Arbitrum) בהתבסס על נתונים היסטוריים. לדוגמה, ב-BSC, שבה ריכוז ההונאות גבוה יותר, אנו מזיזים את ה-recall על חשבון ה-precision. זה מפחית תוצאות חיוביות שגויות ב-30% בהשוואה למודל אוניברסלי.
תשובת API לדוגמה
GET /api/v1/token/{contract_address}/risk
Response: {
"contract_address": "0x...",
"chain": "ethereum",
"risk_score": 87,
"risk_level": "critical",
"flags": [
{"type": "mint_without_limit", "severity": "high"},
{"type": "owner_can_blacklist", "severity": "high"},
{"type": "no_liquidity_lock", "severity": "medium"},
{"type": "team_holds_68pct", "severity": "high"}
],
"contract_verified": false,
"liquidity_locked_until": null,
"owner_address_history": ["linked_to_2_previous_rugpulls"]
}זיהוי Mint ללא הגבלה באמצעות ניתוח AST
ניתוח AST של קוד Solidity מזהה את כל פונקציות ה-mint ובודק הגבלות. אם הפרמטר GET /api/v1/token/{contract_address}/risk Response: { "contract_address": "0x...", "chain": "ethereum", "risk_score": 87, "risk_level": "critical", "flags": [ {"type": "mint_without_limit", "severity": "high"}, {"type": "owner_can_blacklist", "severity": "high"}, {"type": "no_liquidity_lock", "severity": "medium"}, {"type": "team_holds_68pct", "severity": "high"} ], "contract_verified": false, "liquidity_locked_until": null, "owner_address_history": ["linked_to_2_previous_rugpulls"] } אינו נבדק מול _amount או maxSupply של הנמען, הפונקציה נחשבת לא בטוחה. בנוסף, מנותח ה-modifier של הבעלים: אם רק הבעלים יכול לקרוא ל-mint, הסיכון גבוה.
תהליך היישום
- ביקורת סיכונים — קביעת תדירות ה-rug pulls במערכת האקולוגית שלך והגדרת ספי זיהוי.
- הגדרת API — חיבור נקודות קצה ושילוב עם ממשק המשתמש שלך (ארנק, אגרגטור, בוט).
- כיול — כוונון איזון precision/recall באמצעות נתונים היסטוריים.
- בדיקות — Benchmark על 1000+ חוזים, בדיקת A/B מול אבטחה קיימת.
- פריסה — פריסה על השרתים שלך או בענן (AWS, GCP, Azure).
מה כלול
- תיעוד API (OpenAPI 3.0) עם דוגמאות Python ו-JavaScript
- לוח מחוונים לניטור סיכונים (Grafana + PostgreSQL)
- התראות Telegram ואימייל כאשר מופיעים טוקנים חדשים בסיכון גבוה
- מודל מכויל למערכת האקולוגית שלך (Ethereum, BSC, Polygon, Arbitrum)
- חודש אחד של תמיכה טכנית ותחזוקה
לוח זמנים ועלות משוערים
לוח זמנים: משבועיים עד חודש, תלוי במורכבות האינטגרציה וההתאמה האישית. העלות מחושבת באופן פרטני. אם תרצו לבדוק את המערכת על הטוקנים שלכם, בקשו פרויקט פיילוט — נספק חודש תמיכה. החיסכון הממוצע מהיישום משמעותי בשל מניעת rug pulls מוקדמת.
צרו קשר להערכה של הפרויקט שלכם. קבלו ייעוץ על שילוב בתשתית שלכם.