Gasp 是一个基于应用特定 Layer 2 (L2) 滚动架构的去中心化交易所，旨在作为所有加密资产的聚合层。它利用 EigenLayer 的再质押 ETH 来确保计算正确性和最终确认，采用乐观滚动技术实现无 Gas 的原生跨链交换，无需依赖传统桥接，从而保留 Token 原有的 L1 级别安全性。Gasp 结合应用链架构与逃生舱机制，保证资产可撤回；通过 Themis 架构最小化 MEV（最大可提取价值）风险。协议引入流动性证明机制，通过将质押与流动性提供相结合，释放质押流动性，提升资本效率和流动性深度。此外，Gasp 采用基于时间的奖励机制，通过渐近奖励曲线激励长期流动性承诺。本文分析了跨链通信的当前挑战，阐述了 Gasp 的架构创新和安全保障，并探讨了优化 DeFi 生态系统的新方法。

该论文提出了可互换储备标准（Fungible Reserve Standard, FRS），这是一个确定性的代币设计框架，旨在解决真实世界资产（RWA）代币化过程中面临的持有成本（负利）问题。当前，实物资产如贵金属、存储商品等会产生持续的存储、保险和审计等结构性负利，而现有代币化模型通常由发行方在链下管理这些成本，缺乏透明性和与DeFi协议的可组合性。FRS通过引入一个随时间递减的资产-代币比率q(t)，将持有成本以预定年化费率直接编码到链上逻辑中。该框架还包含供应调节机制，确保用户代币余额的完整性以及ERC-20标准的兼容性。与传统的每日费用比率累积不同，FRS旨在编码实际运营成本，提供纯粹的制度级会计透明度，同时保持与DeFi的兼容性。FRS设计是资产无关的，适用于任何具有正向可预测持有成本的实物资产。实验结果表明，该框架能够在无需代币重新基数调整的情况下，有效、透明地处理负利问题，从而保持了代币的可互换性和与DeFi生态系统的互操作性。

本文研究 Polymarket 预测市场平台中由混合架构（链下撮合 + 链上结算）导致的一致性问题，称为“幽灵填充”（Ghost Fills）。Polymarket 为实现低延迟交易，采用订单在链下匹配、在链上最终结算的设计，但匹配与结算之间的时间差被攻击者利用：匹配成功的订单可能在链上最终确认前被恶意回滚。作者构建了 GHOSTHUNTER 工具，通过分析链上交易记录重构失败的结算，并识别出四种攻击向量：nonce bump（随机数提升）、balance drain（余额耗尽）、allowance revoke（授权撤销）和 proxy trap（代理陷阱），共包含 35 种演化变体。这些攻击允许攻击者选择性回滚已填充的订单，从而实现无风险预测、套利机器人狩猎和流动性奖励操纵。在 1,952,440 笔回滚的匹配订单交易中，他们确认攻击者获利至少 149 万美元，并将 17.8 亿美元的资产置于风险之中，同时运营商为这些回滚支付了 217 万 POL（约 21.2 万美元）。高峰时期超过 24.3% 的已填充订单被回滚，构成事实上的拒绝服务攻击。此外，存在缺陷的合约代码已扩散至 10 条链上的 167 个独立合约，这些合约持有至少 2300 万美元的用户资金，放大了影响范围。作者已向受影响方披露证据，问题已得到部分缓解。该研究不仅揭示了混合结算架构中的安全隐患，也为 DeFi 安全领域提供了新的攻击向量分类与检测方法。适合 DeFi 安全研究员、智能合约审计人员及去中心化应用开发者阅读。

该论文针对量子计算对现有金融加密体系构成的威胁，提出了一种后量子安全的联邦去中心化金融（DeFi）框架，旨在提升因信用记录不足而被传统银行排斥的个人的金融包容性。核心方法包括：多家银行将客户加密数据批量上传至虚拟服务器，采用基于格的全同态加密（FHE）实现端到端同态计算，确保数据在加密状态下完成融合分析；服务器融合本地数据驱动的概率评估、专家信念以及NASA-IBM Prithvi地理空间基础模型（GFM）生成的可验证证据（全部为密文形式）；利用区块链等去中心化技术保证证据的防篡改性和机构间数据交换的可审计问责。该框架以美国弗吉尼亚州农村借款人的农业贷款决策为测试场景，展示了在保护隐私的同时提升贷款覆盖率的潜力。论文的主要贡献在于首次将后量子密码学、联邦学习、FHE与地理空间AI模型系统性地整合到DeFi场景中，为应对量子威胁下的金融普惠问题提供了可扩展的架构方案。适合关注后量子安全、联邦学习、隐私计算及普惠金融的技术研究与安全架构师阅读。

该论文提出了一个形式化框架，用于分析去中心化金融（DeFi）组合的经济安全。DeFi服务通常由多个智能合约组合而成，这种可组合性是DeFi成功的关键驱动力，但也带来了安全风险：攻击者可以利用新部署的合约与已有合约之间的交互来造成经济损失。论文引入了“MEV非干扰”这一形式化安全概念，要求一组新部署的合约的最大可提取价值（MEV）不会因与现有区块链状态的交互而增加。为了支持这一概念，作者定义了“局部MEV”，这是一种新型的经济攻击度量标准，专注于给定受害者合约集的损失。论文研究了两种对手模型（有界财富和无界财富），并建立了充分条件和局部性原则，从而实现对安全组合性的模块化推理。作者将该框架应用于代表性的DeFi组合，包括交易所、自动做市商（AMM）、期权、借贷池、路由器和套利合约，展示了它如何区分安全组合与脆弱组合。该工作为推理DeFi组合的经济安全性提供了形式化基础，适合对DeFi安全、形式化方法和MEV研究感兴趣的读者。

该论文提出了Bastet，一个面向去中心化金融（DeFi）智能合约漏洞检测的细粒度专家标注数据集。2024年，DeFi协议因智能合约漏洞累计损失超过14.9亿美元，基于大语言模型（LLM）的漏洞检测成为有前景的应对方案，但现有评估数据集存在三大问题：基于过时的Solidity版本（如v0.4），无法反映现代DeFi合约；依赖自动化或LLM生成的标注，引入幻觉导致的标签噪声；采用粗粒度的单层标签，难以捕获真实业务逻辑漏洞的语义复杂性。Bastet通过以下方式解决这些问题：数据来源为2021-2024年的真实审计发现；由人类专家通过讨论达成共识进行标注；采用两层分类体系，包含46个标签和77个子标签。数据集包含从394份Code4rena竞争性审计报告中收集的4,402个发现（时间跨度为2021年4月至2024年11月），其中849个发现由DeFiHackLabs社区的白帽安全研究人员完全标注。所有标注均通过双标注者共识工作流程生成，确保了基于真实漏洞根因的标签准确性。该数据集的主要贡献在于：提供高质量、精细化的基准，以推动LLM在DeFi安全领域的应用研究，并促进可复现的实验评估。适合智能合约安全研究人员、LLM应用开发者及DeFi协议审计人员阅读。

本文对DeFi投资代理（即基于AI的自主链上交易系统）进行了大规模的实证分析。自2024年末以来，此类代理的合并代币估值已超过30亿美元。作者首先调查了超过1,900个标注为AI的加密项目，筛选出专注于投资的代理，并从中精选出10个具有代表性的项目，涵盖策略和可观测性维度。随后，对两个主流代理框架ElizaOS和Virtuals Protocol进行了深入的架构分析，并对11个基于Solana的代理金库（具有公开可归属的交易活动）进行了定量链上绩效分析，覆盖了925,323个代币持有者。研究发现：当前部署仍处于早期且高度异质化。（1）样本中许多项目并未提供清晰的自主交易执行证据，开发者访谈表明许多可见部署仍停留在基本API集成层面；（2）代理金库保留了超过3000万美元的账面收益，而代币持有者总计损失1.917亿美元，前1%的地址捕获了所有收益的81.4%（18.1亿美元）；（3）代币估值与金库基本面关联微弱，市值与资产管理规模之比超过10,000倍，而成熟的DeFi协议该比率低于1倍；（4）用户总收益峰值达到24亿美元，随后转为净亏损，每个平台的回报中位数均为负，代币平均从历史高点下跌93%。作者将这些结果解释为一个无需许可的第一代市场的特征：开放基础设施允许快速实验，但也使得在自主性、绩效和利益相关者一致性等稳健标准出现之前，幼稚或投机性的代理得以推出。因此，本文提出了一个成熟度框架，涵盖自主执行、风险调整盈利能力和利益相关者一致性三个维度，以表征当前部署与未来投资级代理系统之间的差距。

本文将Nakamura (2026) 在单期Kyle模型中提出的隐私补贴封闭形式解推广至连续时间框架。研究背景是自动化做市商（AMM）在面对噪声订单流时的隐私与市场效率权衡。核心问题：在连续时间Kyle模型中，当做市商观察到被独立布朗运动扰动（扩散强度σ_ε）的聚合订单流时，如何量化隐私噪声对流动性提供者收益的影响。方法上，论文建立了马尔可夫线性均衡，得到价格影响系数λ=σ_v/√(σ_u^2+σ_ε^2)（时间常数），并推导出在[0,1]时间段内从协议流动性池向交易者的累积期望转移为|Π_M|=σ_v σ_ε^2/√(σ_u^2+σ_ε^2)。主要贡献：1）证明了累积隐私补贴与损失-再平衡（LVR, Milionis et al. 2022）之间的结构对偶性，将隐私噪声福利识别为订单流观察视角下的LVR价格观察缺口；2）完成了在隐私聚合信息环境下量化承诺型AMM盈亏平衡费用的理论体系。该研究为理解DeFi中隐私保护机制的市场影响提供了数学基础。适合对市场微观结构、博弈论和去中心化金融理论感兴趣的读者。

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。

本文针对机构级去中心化金融（DeFi）协议缺乏统一风险量化评估框架的问题，提出一个九维度风险评估框架。现有方法或聚焦于协议层面的参数优化，或停留在概念性分类，未能提供可解释、可组合感知且结构独立的评估方法论。作者在穆迪分析和Gauntlet公司提出的六维度分类基础上，新增三个核心维度：组合风险（composability risk）、理解债务（comprehension debt）和时间风险动态（temporal risk dynamics），并引入透明度置信度修正因子，将评估可靠性与风险严重性分离。该框架基于覆盖超过8000个DeFi协议的本体论基础设施，通过结构化分析协议依赖关系建立。作者对2024-2026年间12起重大DeFi相关事件（造成约25亿美元直接损失）进行回溯分析，发现其中5起（包括数据集内影响最大的两起）必须借助至少一个新维度才能完整解释根因。本文贡献在于提供了一个可落地、可扩展的风险评估框架，特别适用于机构级DeFi投资决策、审计和监管合规场景。研究适合DeFi安全研究员、协议开发者、风险管理人员及监管机构阅读。

该论文提出 HOUSTON，一个针对以太坊去中心化金融（DeFi）协议攻击的实时异常检测系统。研究背景：DeFi 协议遭受多种攻击（如闪电贷攻击、预言机操纵、重入攻击等），现有检测方法多基于规则或签名，难以应对未知攻击且实时性不足。核心问题：如何在大规模交易数据中高效、实时地检测已知与未知攻击。方法：HOUSTON 通过记录并分析每笔交易的程序执行踪迹（如操作码、栈、内存等），将其编码为结构化图表示，然后利用一种新的图神经网络（GNN）架构——时间感知异构图神经网络（TA-HGNN）进行异常评分。系统首先对历史正常交易进行训练，建立行为基线；在实时场景中，对每笔新交易快速提取执行踪迹并计算异常分数，若超过阈值则报警。主要贡献：1）提出一个可扩展的实时检测框架，能够处理以太坊上的高频交易；2）设计 TA-HGNN，有效融合交易执行流中的时序与结构信息；3）在 7 种真实攻击数据集上评估，包括 43 个已知攻击和 257 个变种，检测率超过 95%，误报率低于 0.1%，且平均检测延迟小于 0.5 秒；4）对零日攻击的检测能力良好。适合安全性研究人员、DeFi 协议开发者、区块链安全分析师阅读。

本文提出了一个名为EvoPoC的知识驱动智能体系统，用于端到端的DeFi智能合约漏洞检测与利用合成。核心思路是将利用合成视为结构化推理问题，而非代码生成任务，因此需要协议语义、失败根因和利用原语的知识。EvoPoC将知识组织为层次知识图谱（HKG），作为LLM引导的多跳推理的结构化记忆。为验证利用可行性，系统采用两阶段验证框架：通过SMT求解检查利用路径可达性，通过资产级状态模拟检查利润可实现性，确保生成的PoC满足逻辑和经济可行性约束。在88个真实DeFi攻击和72个审计项目（2573个合约）上评估，检测召回率达98%，F1分数0.9，利用成功率（ESR）96.6%，复现了85个历史漏洞，恢复超过1.162亿美元。EvoPoC在ESR上超越最先进的模糊测试工具Verite和ItyFuzz达5倍，在可恢复价值上超越300倍；相比基于LLM的利用生成器A1，分别超越2倍和8.5倍。在漏洞赏金评估中，EvoPoC发现了16个确认的0-day漏洞，帮助保护超过7060万美元，并获得2900美元赏金。