Page 233 - 《软件学报》2025年第10期

4630 软件学报 2025 年第 36 卷第 10 期

第1代投资者

第2代投资者

第3代投资者
图 1 庞氏骗局的运行特点

与传统金融投资领域的庞氏骗局相比, 区块链中的庞氏骗局智能合约具有更高的隐蔽性和欺骗性. 智能合约
自动执行的特点使得投资者更容易受到欺骗, 因为他们相信合约会按照预先设定的规则自动执行, 而不会考虑到
可能存在的欺诈行为 [16] . 此外, 智能合约的不可篡改性质意味着一旦资金被转移, 就无法撤销, 投资者的损失也就
无法挽回. 这种无法终止的合约执行特性使得投资者的风险不断增加. 由于智能合约的自动化执行和不可篡改性
质, 不法分子可以通过虚假宣传和高额回报来吸引投资者, 而这些庞氏骗局合约的发起者往往可以隐藏在匿名的
区块链背后, 使其更加难以追踪和制止 [17] .
庞氏骗局合约的出现不仅给个人投资者带来了经济损失, 也给整个区块链生态系统带来了负面影响. 这些欺
诈活动损害了投资者对区块链技术的信心, 阻碍了区块链的发展和应用. 因此, 迫切需要研究出一种有效的方法来
检测和防范这种智能合约中的欺诈行为. 庞氏骗局合约的检测尤为重要, 它可以帮助以太坊用户避免不必要的损
失, 同时有助于维护智能合约的安全性, 促进区块链技术在各个领域的可持续发展.
现有研究大都以提取合约单个操作码的频率作为代码特征进行庞氏骗局合约的检测. 但是, 智能合约是一
个有逻辑的程序, 合约代码反映着交易逻辑特征, 其中存在投资者进行投资和接收回报的交易机制, 因此现有研究
忽略了合约代码中反映庞氏骗局交易特点的交易流信息. 为了深入地挖掘智能合约代码中的交易流特征, 本文提
出了一种基于代码控制流图的庞氏骗局合约检测模型. 该模型将合约代码转换成图的形式, 以便提取其中的数据
流信息和代码结构信息. 然而, 传统的图学习方法在处理复杂性日益增加的合约时可能存在一定的局限性, 因为它
们难以充分利用丰富的上下文信息. 鉴于此, 本文受到 Transformer 在自然语言处理领域成功应用的启发, 将 Transformer
与图神经网络结合, 以应用于庞氏骗局合约的检测. 本文的主要贡献如下.
(1) 设计了一种基于源代码控制流图的方法, 它可以将合约源代码转换成控制流图的形式, 便于提取合约代码
的控制流特征.
(2) 设计了一种基于多头注意力机制的模型, 将 Transformer 与图卷积网络 (graph convolutional network,
GCN) 进行结合对得到合约控制流图的节点和边的特征进行学习, 捕捉庞氏骗局合约的重要特征.
(3) 所提模型在公开数据集进行了实验验证, 对比其他机器学习模型显著地提升了检测性能, 证实了本模型对
于精确识别庞氏骗局合约的有效性.
本文第 1 节介绍本文模型所涉及的相关工作, 包括庞氏骗局合约检测的研究现状和智能合约的中间表示方
法. 第 2 节详细地阐述基于控制流图的庞氏骗局合约检测方法的模型架构. 第 3 节通过对比实验验证所提模型的
有效性. 最后总结全文.

1 相关工作

本节对庞氏骗局合约检测的相关技术研究现状进行梳理, 并介绍本文模型所用到的智能合约中间表示方法.