本文是一篇关于去中心化金融（DeFi）金库（Vault）的系统化知识梳理（Systematization of Knowledge）论文。作者指出，DeFi 金库是基于智能合约的资产管理系统：它汇集用户存款、执行可编程策略，并铸造代表对底层资产与策略收益索取权的代币化份额。随着金库设计从早期收益聚合器（yield aggregator）演进为模块化、主动管理的系统，一种新的控制层——策展（curation）——逐渐成为核心：策展人负责挑选策略、配置风险参数并协调日常运行执行。这一层的引入把传统金融中的委托—代理（principal-agent）问题带入链上，并衍生出新的失效模式，例如策略选择偏差、参数配置失当、权限与责任边界模糊、运行依赖单点化等，而现有文献缺乏统一的分析框架。针对这一问题，论文做了三项工作：第一，提出统一的系统模型与形式化定义，覆盖份额记账（share accounting）、角色划分（roles）与运行依赖（operational dependencies），使不同实现之间可以对齐比较；第二，构建三套互补的分类法，分别刻画（a）金库的资产敞口与目标、（b）策展人的治理与问责机制、（c）策略执行模式及其对应的失效模式；第三，将一组具有代表性的生产环境协议映射到上述维度，验证框架的可用性与覆盖度。总体目标是支撑对区块链金融应用的严谨分析和更安全的系统设计。该工作属于架构与治理层面的分析性研究，适合 DeFi 协议设计者、智能合约审计与区块链安全研究者，以及关注链上资管风险的合规与风控人员阅读。

该论文研究智能合约中链上-链下通信（On-chain/Off-chain Communication, OFC）引发的安全问题。随着跨链桥、现实世界资产代币化（RWA）以及法币背书稳定币等应用快速增长，OFC 已成为去中心化金融的关键基础设施，而与之相关的安全事件也愈发频繁。作者指出，已有研究往往只针对 OFC 应用中的某一类具体漏洞（如某类跨链逻辑缺陷或价格预言机问题），缺乏统一视角，因而无法覆盖已知模式之外的漏洞，导致漏报。 本文的核心贡献是提出一个统一根因概念——OFC 不一致性（OFCI）：它源于业务逻辑缺陷，最终破坏链上资产表示与链下资产表示之间的等价关系，从而产生账实不符。作者认为大量 OFC 漏洞可归因于这一根因。要自动检测 OFCI 存在两个挑战：一是 OFC 合约实现高度异构，难以自动定位关键业务逻辑；二是如何把既有的漏洞知识迁移到未见过的、新的 OFCI 实例上。 为此，作者提出 SmartMemory，这是首个利用“基于记忆的智能体（memory-based agent）”进行 OFCI 检测的框架。针对异构性，SmartMemory 将不同实现的 OFC 合约映射为规范化的业务语义表示，从而定位需要检查的业务逻辑；针对知识复用，它引入基于记忆的智能体，把漏洞特征蒸馏为模式（patterns）与检测规则，实现跨案例的知识迁移，以识别训练/历史经验之外的 OFCI；最后通过污点分析验证每个候选 OFCI 的可达性、类型与影响，降低误报。 评估方面，作者构建了首个真实世界 OFCI 数据集，包含 48 个 DApp、81 个 OFCI 实例，SmartMemory 取得 80.68% 精确率与 87.65% 召回率。此外，对 325 个真实 OFC 应用的分析中，SmartMemory 检出 36 个此前未知的 OFCI，且全部被相应责任方确认并修复。 论文视角：研究问题是如何以统一根因视角自动发现 OFC 类漏洞；核心方法是“业务语义规范化 + 记忆智能体知识蒸馏 + 污点分析验证”的组合；主要贡献是提出 OFCI 概念、首个 OFCI 检测框架与首个真实数据集，并用真实修复案例验证有效性。适合智能合约审计工具研发者、区块链安全研究者、DeFi 项目安全团队与交易所安全评估人员阅读。

该论文研究 Nakamoto 共识中“先挖矿、后验证”带来的安全边界问题。矿工在收到新区块后，尚未完成其有效性检查便先尝试在其上扩展，从而在争夺下一区块奖励时获得时间优势；但摘要指出，这种优势存在被忽视的风险：一旦该区块最终被判定无效，拒绝它不仅丢弃该无效块，也会丢弃建立在其上的诚实工作量。传统模型通常假设验证瞬时完成，因此无法刻画该效应。作者在存在有界网络延迟、且验证时间有上界（与处理负载无关）的模型下量化这一风险，给出了对抗算力阈值：当敌手算力低于该阈值时，诚实矿工的完全验证链仍会持续增长，并在任意固定观察期以高概率对稳定历史达成一致。论文还构造了一类攻击，可反复把诚实算力吸引到无效分支；当敌手在允许验证时间内平均能产出超过一个区块时，该攻击可在任意固定初始确认深度上最终移除目标区块。将其与普通私挖结合后，在完全去中心化、每个诚实矿工算力可忽略的场景中可得到匹配的渐近界。结果说明，验证时延本身会限制先挖后验的安全性，其影响超出单纯网络延迟约束。

该论文关注区块链与以太坊生态中智能合约的安全问题。随着智能合约在去中心化应用中的采用度不断提高，合约逻辑日益复杂、所承载的资金价值持续上升，使其成为网络攻击的重点目标。作者指出现有检测手段（隐性指向传统静态分析与规则/符号执行类工具）在理解 Solidity 语言的深层语义与上下文模式方面存在不足，因此提出一种基于 Transformer 的智能合约漏洞检测方法。方法上，作者利用预训练大语言模型的表征能力构建了一条完整流水线：首先定义并构建真值（ground truth）数据集，将 Solidity 代码片段标注为 vulnerable 或 safe 两类；随后在该数据集上对基于 BERT 的架构进行微调，使模型能够学习 Solidity 代码特有的语法结构与语义模式；最终模型以代码片段为输入输出漏洞与否的判定，形成片段级（fragment-level）检测能力。实验结果方面，微调后的模型取得了 92% 的 F1 值，作者据此论证将 LLM 适配到智能合约安全领域、依靠深度上下文理解可以显著提升检测效果。论文的主要贡献可归纳为三点：一是面向 Solidity 片段构建了带标注的漏洞真值数据集；二是给出了一套可复用的 LLM 微调式漏洞检测流水线；三是通过实证数据验证了该范式的有效性。适合智能合约审计、区块链安全、代码安全机器学习方向的研究者与工程师阅读。需要注意的是，摘要未披露数据集规模、覆盖的漏洞类型（如重入、访问控制、整数问题等）、类别不平衡处理方式、误报率、跨编译器版本泛化能力以及代码与数据是否开源，这些均需查阅全文核实。

该论文研究区块链智能合约中的抢跑（frontrunning）攻击与抗抢跑性质的形式化定义问题。背景上，智能合约通过共识执行，但交易排序本质上是异步的：交易由矿工（或验证者）决定打包、排序与延迟。由于用户必须通过交易与合约交互，掌握排序权的节点可以重排、延迟或插入交易，从而抢在诚实用户之前获利，这类攻击在以太坊等主流链上已造成数百万美元损失。论文指出当前领域存在两个根本性缺陷。第一，缺少对“合约抗抢跑”这一性质本身的严格定义，导致安全目标模糊、无法对工具与审计结论做一致性比较。第二，现有动态检测方法在覆盖面上严重不足：作者对 287 份智能合约审计报告做了大规模研究，审计方共报告 393 个漏洞，其中 55% 落在当前最先进检测标准的判定范围之外，说明主流工具系统性地漏检了一大批被人类审计师认定的抢跑问题。针对这一缺口，作者提出首个面向智能合约抢跑漏洞的形式化定义。其核心洞察是：抗抢跑并非合约代码的固有属性，而强烈依赖于诚实用户如何与该合约交互——同一个合约在不同交互方式下可以是安全的或不安全的。基于该观察，作者设计了一个健全（sound）的算法，用于合成“安全交互条件”，即在什么交互约束下合约能够抵抗抢跑；并实现原型工具，将其应用于真实已审计合约，在两个以太坊合约中发现了此前未被发现的漏洞。工作属于形式化方法与实证研究结合，读者对象为智能合约安全研究者、审计工程师、形式化验证与区块链安全工具开发者。

该论文研究的是去中心化金融（DeFi）中的价格操纵攻击（Price Manipulation Attacks, PMA）检测问题。背景上，DeFi 作为基于区块链的快速增长型金融服务，其市场交易动态与底层智能合约逻辑深度耦合；这种无需中心化中介的自主交互虽然提升了效率，却显著扩大了协议的攻击面，PMA 已造成灾难性的资金损失。作者指出，现有检测范式存在两个根本性局限：一是以交易为中心的方法缺乏对合约执行语义的感知，在正常的市场波动下容易产生误报；二是静态合约分析方法忽略真实交易行为，经常报告在实际中根本无法被利用的所谓漏洞。为此，论文提出 DeFiFusion —— 一个双模态 PMA 检测框架，在统一流水线中联合建模交易事件与智能合约语义。其核心洞察是：PMA 的恶意性只在“交易行为”与“其所利用的合约逻辑”的交互中才得以显现，任何单一模态的信号都不足以做出判定。具体方法包括三部分：(1) 面向价格操纵的事件编码，用于提取针对操纵模式定制的细粒度时序特征与经济特征；(2) 基于大语言模型的合约语义提取，为行为侧方法补足其缺失的执行逻辑上下文；(3) 双模态融合模块，采用带有 T5 风格相对位置编码的 Dual-Modal Projection-Fusion Transformer，以捕捉区分 PMA 与良性市场活动的周期性多阶段执行结构。实验结果表明 DeFiFusion 持续取得最先进的检测性能：在 225 个 PMA 案例中成功召回 222 个，同时保持 96.10% 的精确率，说明其在降低误报与提升召回之间取得了较好平衡。该工作适合从事链上风控、区块链安全审计、DeFi 协议安全运营以及多模态时序+语义融合检测的研究者与工程师阅读。

本文提出并分析了一种名为 MAD-DAG（Mutually-Assured-Destruction Directed-Acyclic-Graph）的新型区块链共识协议，旨在抵御在不利条件下（如网络传播优势、矿工可提取价值 MEV、以及接受贿赂的 petty-compliant 矿工）的自私挖矿攻击。背景上，现有研究已表明自私挖矿会威胁区块链安全，而状态最优的 Colordag 协议虽然在理论上抗自私挖矿，但仅在延迟高到不切实际时才被证明安全，且未考虑上述不利条件。作者首先将自私挖矿行为建模为理性矿工的马尔可夫决策过程（MDP），并提出保守的奖励规则以偏向自私矿工，从而获得其收益的上界。基于该模型，他们推导出安全阈值（矿工为从自私挖矿中获利所需的最低计算力占比）的下界。MAD-DAG 的核心创新在于一种新的账本函数：当存在等长且竞争最长的链时，直接丢弃这些链上的区块内容。这种“相互保证毁灭”的设计使得攻击者即使拥有网络优势或区块奖励波动，也难以从自私挖矿中获利。实验结果表明，在存在 petty-compliant 矿工和高区块奖励波动的条件下，MAD-DAG 的安全阈值在 11% 到 31% 之间，而 Colordag 和比特币的安全阈值均为 0%，意味着它们在这些条件下完全无法抵抗自私挖矿。此外，在正常条件下 MAD-DAG 的安全性与现有协议相当。作者声称这是首个针对基于 DAG 的实用区块链的自私挖矿可处理（tractable）模型，为后续研究提供了分析框架。本文适合区块链协议设计者、共识算法研究者以及关注 MEV 与矿工行为的网络安全学者阅读。

本文对闪电网络（Lightning Network）的安全性进行了形式化分析。闪电网络是一种支付通道网络，市值超过1.92亿美元，旨在通过链下快速交易解决比特币的可扩展性问题。目前存在多个闪电网络客户端实现，它们都遵循相同的文本规范（即BOLTs）。此前虽有若干漏洞被手动发现，但尚未有工作系统地分析闪电网络的安全性。本文提出了一个形式化框架，用于分析闪电网络中的支付路由和通道拥堵场景，重点关注“支付竞赛”（Payout Races）和“拥堵通道”（Congested Channels）这两种可能引发安全问题的情形。研究者定义了安全属性，并基于BOLTs规范建立了抽象模型，通过形式化方法验证了在竞争性支付和通道容量受限条件下，协议可能出现的死锁、资金锁定或不当结算等问题。论文还讨论了现有实现与规范之间可能存在的偏差，并指出了潜在的攻击面。该工作的主要贡献包括：首次对闪电网络进行系统性形式化安全分析、识别出若干先前未被发现的设计缺陷，以及为后续改进BOLTs规范和客户端实现提供了理论依据。适合对区块链安全、形式化验证和支付通道网络感兴趣的研究人员阅读。

本文研究比特币网络在面对有争议的软分叉时的韧性，并提出一个双层次框架来发现导致持续链分裂的关键场景。传统上，比特币共识被认为主要依赖协议规则和算力多数，但实际结果还取决于具有不同经济利益的异构节点网络的涌现行为。作者采用场景发现（Scenario Discovery）方法，结合集成仿真与患者规则归纳法（PRIM），在Warnet仿真环境中运行真实的bitcoind节点，构建了1330个有效场景，覆盖经济权重、矿池承诺、矿池意识形态、总算力和难度调整机制等关键维度。通过识别参数阈值，他们区分了干净解决与争议分裂的边界。核心发现是：在比特币的实际难度调整区间和中等价格偏差下，经济权重分布（而非算力多数）是决定分叉结果的主要因素。具体而言，存在一个经济支持下限（0.45-0.50）和覆盖上限（0.78-0.82），两者之间为争议区域，并存在一个经济自我维持点（0.74）。此外，矿池承诺存在一个‘翻转点’（约0.214的承诺算力），当最大矿池承诺升级链时，结果可能反转。研究还表明，分叉结果在算力和经济采纳两个独立层次上决定，且受不同参数控制。个体用户节点在建模的经济权重下对分叉结果无可检测的影响。最后，作者提出三个可由公开数据回答的监测问题，将阈值转化为操作指南。该研究对理解去中心化共识的韧性、分叉风险预测以及区块链治理具有重要贡献。

本文针对以太坊上以 meme 币为代表的 Rug Pull（拉地毯）骗局检测问题展开研究。Rug Pull 具有部署成本极低、隐蔽性强、资金转移迅速且检测难度高等特点，传统的人工审核和固定规则难以满足实时预警需求，而现有检测方法普遍存在特征维度单一、类别不平衡处理不足、模型泛化性与可解释性弱等问题。论文首先明确了 Rug Pull 的定义、类型与危害机制，并构建了包含恶意智能合约设计、链上交易异常、流动性操纵、社交媒体披露等维度的多维度特征体系。随后以“二舅币”（代币符号 BOBU）案例为样本，重构了攻击过程并提炼出定量检测指标。在模型层面，作者设计了基于多层感知机（MLP）的风险检测模型，采用 SMOTE 过采样与 Focal Loss 联合策略处理样本不平衡，通过动态搜索最优阈值以平衡精确率与召回率，并引入梯度裁剪和早停机制提升训练稳定性。实验结果表明，该模型在测试集上准确率达到 0.927，F1 分数为 0.787，AUC-ROC 为 0.952，优于传统方法。最后，基于 Flask 框架开发了可视化的 Web 检测系统，支持批量风险评估、高风险排序展示和结果导出功能。该研究为区块链安全领域提供了一套从特征构建、模型训练到系统落地的完整解决方案。适合 DeFi 安全研究人员、区块链风控工程师以及关注链上欺诈检测的技术人员阅读。

本文首次系统性地研究了交易模拟钓鱼（Transaction Simulation Phishing）这一新型攻击方式。加密货币钱包（如 MetaMask）的交易模拟功能能够在链上执行前预览余额变化，以帮助用户识别恶意交易。然而，攻击者利用动态区块链状态依赖的智能合约，让模拟结果呈现良性或高收益假象，而真实链上执行却将用户资金转移到攻击者地址。作者首先提出了一套用于构建此类钓鱼合约的分类法，然后设计并实现了 SIMGUARD，一种在字节码层面结合静态与动态分析的检测系统。SIMGUARD 通过识别合约中对动态状态（如区块信息、时间戳、调用深度等）的条件分支，以及模拟与真实执行间的差异，来标记可疑合约。在以太坊、币安智能链、Avalanche 和 Polygon 四条链上，作者从2024年8月至2025年6月间检测出超过4000个钓鱼合约，涉及超过5700名受害者，累计损失约348万美元，其中91.5%发生在以太坊上。聚类分析显示，最大的钓鱼合约集群贡献了约83%的损失。实验结果揭示了当前钱包防御机制的严重缺陷，证明了现有交易模拟在面对此类攻击时的不可靠性，并强调了开发更稳健模拟机制（如使用真实执行环境或引入不依赖单点模拟的验证协议）的紧迫性。该研究为区块链安全社区提供了新的攻击面认知、检测工具和防御改进方向，对钱包开发者、安全审计人员和区块链安全研究者均具有重要参考价值。

该论文对2022年1月1日至2026年3月27日期间（四年零三个月）的Web3安全态势进行了实证分析。研究数据集包含来自22家独立安全公司的23,818份公开审计结果，以及rekt.news记录的218起真实世界漏洞利用事件，总损失约77.6亿美元。研究有三个核心发现：第一，审计结果的分布（按严重性、类别和技术栈）在整个观察窗口内基本稳定，严重和高级别漏洞占比每年保持在15%-17%的区间内。第二，实际漏洞利用损失的类别分布与审计结果的类别分布不一致：私钥泄露、钓鱼和社会工程攻击向量占累计损失的约49.6%，但在公开审计结果中占比极小。第三，实际损失呈现极端集中性：最大的8起事件占累计美元损失的50.6%，最大的20起事件占71.4%，这种分布形状不符合高斯假设。论文采用的分析惯例是审计输出和漏洞利用输出描述的是不同群体，因此将两个数据集并行展示，而非直接比较。该研究揭示了当前区块链安全审计实践与真实攻击损失之间的鸿沟，强调现有审计可能忽略了关键攻击向量（如私钥泄露、社会工程），为安全团队和审计机构提供了改进方向。

该论文从经济学角度分析了“有用工作量证明”（Proof-of-Useful-Work, PoUW）区块链的均衡特性。传统工作量证明（PoW）如比特币，其计算消耗仅用于维护共识，不产生外部经济价值；而PoUW旨在让同一计算既能保障区块链安全，又能产出有价值的经济输出（例如机器学习推理）。然而，一个常见的批评是：如果工作有用，攻击者可能因攻击而获得报酬，从而削弱安全性。作者建立了一个竞争均衡模型，其中计算资源可分配给三种活动：纯挖矿（mining）、纯有用工作（以机器学习推理为例）、以及同时产生两者的“双用途工作”（duplex work，存在计算开销）。模型通过一个单一经济参数——代币-推理比率（token-inference ratio，衡量代币采用程度相对于推理市场规模）——以及双用途工作开销，完成了均衡分配和价格的闭合式特征刻画。分析揭示了三个均衡体制： （1）“Bitconia”：经济体退化为经典PoW，有用工作无关紧要； （2）“Fortessia”：双用途工作取代纯挖矿，在有用产出不变的情况下提升安全性； （3）“Duplexia”：代币奖励补贴推理服务，降低推理价格并扩大供应。 与常见的稻草人论点相反，PoUW并不会使攻击变得经济上廉价：一旦考虑均衡价格，多数攻击的经济成本仍然与区块奖励挂钩。此外，在Duplexia体制下，区块奖励相当于推理价格的折扣，产生了如果没有区块链就不会出现的社会有用计算——这种扩张随代币采用和技术效率单调增加。本文为理解PoUW的经济安全特性提供了理论框架，适合区块链研究者、密码经济学家和安全分析师阅读。

随着Web3基础设施的快速采用，加密货币交易所、托管服务和基于区块链的平台面临越来越多的安全事件。现有研究主要关注智能合约和区块链协议中的漏洞，但现实世界中的大量损失源于链下系统、组织流程和以人为中心的运营工作流。本文对Web3生态系统中公开记录的高影响力安全漏洞进行了基于事件的定性分析，包括Bybit交易所事件（2025年）、Ronin Network桥接妥协（2022年）和DMM比特币交易所漏洞（2024年）。系统分析了这些案例，并将其映射到既定的Web2安全参考框架，包括基于OWASP的漏洞类别和组织安全控制域。结果表明，Web3环境中的主要失败模式未得到通用安全控制目录的充分解决，特别是在加密密钥管理、交易批准治理、签名者和验证者基础设施、第三方工具依赖以及人在回路流程方面。基于这些发现，本文主张在Web3组织中采用既定的信息安全管理体系（ISMS），并推导出一套结构化的区块链特定网络安全控制类别，以将现有ISMS框架应用于基于区块链的系统。提出的类别旨在弥合通用安全治理框架与Web3基础设施固有领域特定风险之间的差距。适合安全研究人员、Web3组织安全负责人及政策制定者阅读。

本研究针对去中心化金融（DeFi）中由矿工可提取价值（MEV）引发的安全问题，特别关注Flashbots bundle机制如何加剧MEV竞争。作者指出，Flashbots bundle允许机会主义交易者通过私有交易通道设计更复杂的MEV提取策略，威胁区块链共识安全与效率。现有方法难以准确识别bundle中的DeFi动作并发现新的MEV活动模式。为此，本文提出两个创新工具：ActLifter，一种自动化工具，通过结合智能合约分析、交易跟踪和机器学习，精确识别每个bundle交易中的DeFi动作（如交换、借贷、套利），在实验中实现了接近100%的精确率和召回率，显著优于现有技术；ActCluster，一种基于迭代聚类的无监督方法，能够自动发现已知和未知的DeFi MEV活动类型。通过对大规模Flashbots bundle数据的分析，ActCluster不仅验证了已有MEV活动，还新发现了17种此前未报道的DeFi MEV活动，这些活动出现在53.12%的bundle中。实验结果表明，新发现的MEV活动具有高频率和多样性，包括复杂的交叉协议套利、时间博弈和清算策略等。该研究首次系统性地揭示了Flashbots bundle中DeFi MEV活动的全貌，为区块链安全社区提供了新的理解，并为后续检测和防御MEV攻击奠定了基础。适合区块链安全研究人员、DeFi开发者及共识机制设计者阅读。

该论文提出了 MEVisor，一个利用 GPU 并行性在去中心化交易所（DEXs）中高效发现最大可提取价值（MEV）机会的系统。MEV 是区块链环境中通过操纵交易顺序获得的利润，对 DEX 安全构成威胁。传统方法由于需要扫描大量交易组合而计算开销巨大。MEVisor 通过将 MEV 发现问题建模为图上的路径搜索，并利用 GPU 的并行计算能力加速搜索过程。系统首先将 DEX 交易对构建为图结构，然后使用 GPU 并行执行多种搜索策略（如循环检测、套利路径搜索），以识别潜在的 MEV 机会。实验表明，MEVisor 相比 CPU 基线实现了数量级的吞吐量提升，能够在更短时间内发现更多 MEV 机会。这项工作为区块链安全中的 MEV 监控提供了高效工具，有助于防御者及时识别和缓解 MEV 攻击。

该论文针对TON（The Open Network）的ADNL（Abstract Datagram Network Layer）安全通道协议提出了攻击方法。ADNL是TON网络节点之间通信的基础安全协议，旨在提供加密和认证。研究者发现该协议在设计上存在漏洞，允许攻击者在不拥有合法密钥的情况下，通过精心构造的数据包破坏通信的保密性和完整性。具体而言，攻击利用了协议中握手阶段的某些实现缺陷，使得攻击者能够伪装成合法节点，或者在通信中注入恶意数据。论文详细分析了ADNL协议的密钥交换、消息认证码和会话管理机制，并提出了两种攻击场景：一种是针对初始化阶段的中间人攻击，另一种是利用协议状态机的不一致性导致会话密钥泄露。实验在TON测试网络上进行，验证了攻击的有效性，并讨论了修复建议，如改进消息验证顺序、增加随机数检查等。该研究对类TLS协议的定制化实现提出了安全警示。