Page 451 - 《软件学报》2026年第3期

1414 软件学报 2026 年第 37 卷第 3 期

detection method that combines TextCNN and adversarial training. This method extracts the behavioral characteristics of smart contracts by
the static analysis of smart contracts, and combines the Word2Vec model to retain the semantic information of smart contracts to ensure
the integrity of the opcode features. Meanwhile, the improved dynamic step projection gradient descent algorithm is adopted to train the
TextCNN model to enhance the robustness of the detection model and improve the detection accuracy. Experiments carried out on the
XBlock dataset show that the proposed method achieves a Recall of 98.36% and F1-score of 98.31% while ensuring precision and
robustness. The method focuses on smart contract opcodes without relying on transaction features, and can quickly and efficiently detect
Ponzi scheme smart contracts at the time of smart contract deployment.
Key words: smart contract; Ponzi scheme; behavioral sequence; adversarial training; TextCNN

1 引 言

近年来, 区块链凭借去中心化、匿名性、可追溯性和防篡改等特点发展迅速. 以太坊 [1] 作为区块链 2.0 的代表
为开发者提供了一个支持智能合约开发的平台. 以太坊上部署了大规模的智能合约以便构建更广泛的应用. 智能
合约 [2] 本质上是一段实现特定函数的代码, 同时也是一个独立于中心组织的去中心化应用程序. 由于以太坊中的
智能合约具有满足一定条件后自动执行、成功部署后不能修改且运行后无法停止的特性 [3] , 使得投资者误以为智
能合约中不存在诈骗行为, 导致智能合约成为庞氏骗局迷惑受害者进行投资的有效工具. Chainalysis 的数据 [4] 表
明, 在 2017–2019 年期间, 以太坊上发生的诈骗事件影响了数百万人, 导致总计 43 亿美元的损失. 其中, 庞氏骗局
[5]
占据了 92%, 受害者数量达到 240 万, 平均受损金额为 1 676 美元. 据 TRM Labs 监测, 加密领域庞氏及金字塔骗
局危害显著且持续: 如图 1 所示, 2022 年庞氏及金字塔骗局的资金流入高达 168 亿美元, 给投资者造成巨额损失;
2024 年资金流入降至 43 亿美元, 但仍占全年诈骗资金的 40.19%. 庞氏骗局 [6] 伪装成“高收益”的投资项目, 实际上
是以新投资者的投资作为旧投资者的短期回报, 制造虚假盈利假象来吸引更多投资者的诈骗行为. 更为严重的是,
智能合约的匿名性和溯源困难使得投资者被骗的资金难以追回, 投资者将面临巨大的损失. 因此, 庞氏骗局智能合
约检测显得尤为重要.

20
Incoming volume (billions USD) 15 5

10

0
2021 2022 2023 2024
Year
图 1 2021–2024 年加密货币市场中非法诈骗资金流入情况

目前的庞氏骗局检测机制主要包括基于统计模拟、基于机器学习以及基于符号执行等方法. 其中, 统计模拟
方法 [7] 通过随机化算法估计智能合约的相似性, 并按提前设定的阈值来判断智能合约是否为庞氏骗局; 机器学习
方法则根据人为制定的规则提取智能合约的交易特征和操作码特征, 通过数据集训练模型实现庞氏骗局的检测.
符号执行方法结合以太坊客户端生成智能合约可行路径的语义信息, 识别投资者相关的转移和分配策略, 从而实
现庞氏骗局的检测.
现有的检测机制中, 在分析庞氏骗局交易历史数据集并提取交易特征时, 由于庞氏骗局智能合约数量较少, 交
易特征对模型性能的影响有限. 在针对智能合约操作码进行分析时, 重点关注操作码的频率特征和语义特征, 忽略
了操作码本身的行为信息和结果信息. 符号执行技术虽然可以模拟智能合约的行为, 但耗时且耗费资源, 易受规避
技术的影响. 此外, 随着研究不断推进, 犯罪分子对现有检测机制进行对抗干扰可能性增加, 使得检测方法失效. 为
得到一个高准确性和强抗干扰能力的庞氏骗局检测方法, 本文提出了一种基于改进对抗训练的庞氏骗局检测方
法. 该方法以智能合约操作码行为序列为基础, 使用动态步长投影梯度下降算法 (dynamic step projection gradient
descent algorithm, DSPGD) 对 TextCNN 进行对抗训练, 旨在确保庞氏骗局检测的准确性的同时提高模型鲁棒性.