本文聚焦去中心化金融（DeFi）中最主流的交易机制——自动做市商（AMM）与恒定函数做市商（CFMM），指出既有研究大多在忽略交易手续费的前提下分析流动性提供者（LP）的损益，而对费率本身的定量刻画明显不足。作者围绕一个核心问题进行理论建模：当费率趋近于零时，LP 能够从套利交易中实际收取多少手续费？针对该问题，论文给出了手续费收入的闭式解（closed-form formula），从而把套利流量、费率水平与 LP 收入之间的解析关系显式表达出来。基于该公式，作者得到一个重要结论：在价格过程连续的假设下，套利交易产生的手续费可以完全抵消 LP 所承受的 LVR（Loss-Versus-Rebalancing，即相对于持续再平衡基准策略的损失），这意味着在连续价格环境中手续费并非仅是补偿性收入，而具备结构性对冲 LVR 的作用。随后论文将分析框架推广到带跳跃的价格过程，理论结果表明，除市场风险本身之外，价格跳跃是造成 LP 损失的唯一来源——换言之，在连续路径下 LP 的损失可被手续费完全覆盖，而跳跃成分则构成无法被手续费抵消的残余风险。该结论为 AMM 设计者设定费率参数、为 LP 评估做市收益与风险来源提供了可操作的定量依据，也把 LVR 讨论从经验观察推进到解析刻画层面。适合 DeFi 协议研究者、AMM 机制设计者、做市策略与量化研究人员阅读。

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。

本文研究私有/加密内存池（private mempool）在对抗三明治攻击（sandwich attack）与 MEV 提取时的隐私边界问题。现实中，私有内存池很少隐藏全部信息：交易对（pair）、交易方向、以及交易规模的粗略区间往往仍会泄露。作者提出的核心问题是：究竟泄露多少信息才会让三明治攻击重新变得有利可图。论文在无手续费恒定乘积自动做市商（即 Uniswap v2 定价规则）模型下给出了精确答案。模型设定为：套利者/攻击者只能观测到包含受害者交易规模的一个区间，并在一级价格拍卖（first-price auction）中竞标获得实施三明治攻击的权利；竞得的前置交易（front-run）必须保证受害者在区间内任意可能规模下交易仍可执行。结论的关键在于“与泄露信息一致的最小规模”——它单独决定了哪些前置交易可行，且在逐点利润、期望利润与最坏情形利润三种目标下，最大的可行前置交易都是最优解，其保证利润存在闭式解。由此得到一个反直觉的隐私设计准则：当执行成本不可忽略时，若隐私层希望排除在所有一致规模下都盈利的三明治攻击，则它可以泄露规模的几乎任何信息，唯独不能泄露一个高于显式阈值的下界；区间上端完全无关紧要。作者进一步给出博弈论分析：当存在两个及以上对称交易者时，拍卖的所有纯策略完美贝叶斯均衡都会把全部期望净租金转移给拍卖者（即内存池/排序方）。此外，若交易方向也被隐藏，则不存在与方向无关（non-contingent）的第一腿前置交易能同时前置两个可能方向；但即便交易前的隐藏做到完美，交易后的套利（post-trade arbitrage）仍可能存活。该工作适合 MEV 研究者、DeFi 协议与隐私内存池（如加密 mempool、阈值加密排序）设计者、以及从事链上博弈论建模的读者阅读。

该论文针对链上 AI 推理在 EVM 环境中的根本性瓶颈展开研究。背景问题是:以太坊虚拟机存储按 gas 计费,若把静态浮点神经网络权重矩阵写入链上存储,成本高达数百万 gas,使直接链上推理在工程上不可行;而零知识机器学习(ZK-ML)虽把张量乘法外包给链下证明者,却引入了 10 至 300 秒的 SNARK 证明延迟以及每笔 25 万至 50 万 gas 的验证开销。由于 DeFi 攻击(无抵押闪电贷、三明治 MEV、LVR 毒性流量)都在单个区块内原子完成,ZK-ML 预言机在时间尺度上无法及时响应。 为此作者提出 Werracle:一个零存储的链上 AI 决策预言机,其全部参数可压缩进单个 32 字节 EVM 存储槽(bytes32)。其核心方法借用程序化 Mandelbrot 逃逸动力学(z_{n+1}=z_n^2+c),由 24 字节坐标三元组 Theta=(c_x, c_y, zoom)推导出连续的非线性决策超平面,从而无需存储任何权重矩阵即可表达非线性判决边界。实现层面使用纯 Solidity 字节码与定点 Q16.16 算术(WerrMath.sol),对 16 点 Pareto 微网格求值仅消耗 21,438 gas,在 Base、Arbitrum 等 L2 rollup 上折合不足 0.0005 美元,执行延迟为亚毫秒级。 应用演示为 WerracleFeeHook.sol——一个 Uniswap v4 动态 swap 费率调节器,实时度量订单簿湍流度并在 0.05% 至 0.50% 区间原子调整 LP 费率,作为闪电贷/MEV 场景下的“断路器”。作者声称协议通过 1,000 项密码学封存的确定性验证套件(100% 通过),遥测永久关闭,并在专用 EVM 开发网沙盒(Chain ID 4242)上运行。 需注意:所引前置工作标注为 arXiv:2609.25498,该编号指向未来日期、无法核实;“production-grade” 的表述仅基于 devnet 沙盒,文中未披露主网部署、第三方审计或真实资金规模下的对抗测试结果。因此应视为概念验证型研究,而非可直接采信的生产级组件。

该论文关注区块链生态中的最大可提取价值（MEV）问题。MEV 已成为区块链经济的重要力量，但其捕获长期被经验丰富的专业团队垄断，策略设计与工程实现高度依赖人工专家，难以在异构协议和不同链之间规模化复制。作者提出 EVAGE，宣称是首个全自动的多智能体框架，用于端到端地生成与适配 MEV 策略。EVAGE 具备三种专门运行模式：自动发现新型 MEV 策略变体、将执行逻辑适配到不同协议、以及在链之间（包括 Layer-1 与 Layer-2 网络）移植策略。为避免在 MEV 关键执行路径上引入大模型推理延迟，EVAGE 采用离线方式生成并精炼 MEV 机器人代码，而不是实时做决策。在编排器智能体的协调下，三个专门子智能体通过闭环诊断共同实现并修复完整的 MEV 机器人工作流，消除人工干预，并产出经过验证、具有确定性的概念验证实现。评估覆盖以太坊、Base 与 BNB Smart Chain 各超过 150 万个区块。在以太坊上，EVAGE 发现五个新型 MEV 策略变体，利润提升幅度为 1.02 倍至 15.97 倍；同时成功将 11 个 MEV 策略从 CPMM 适配到 CLMM 与 Balancer V2，并将策略从以太坊移植到 Base 与 BSC，全部 LLM token 成本低于 60 美元。适合区块链安全研究者、DeFi 协议与做市/交易团队、L1/L2 排序器与 MEV 监控方，以及关注大模型多智能体自动化代码生成的读者。

本文由 Prerna Arote、Adrian Saiz、Oriol Saguillo、Lucianna Kiffer 撰写，聚焦去中心化暗池（dark pool）的安全属性。暗池的核心承诺有三项：交易前隐私（执行前隐藏订单流）、活性（系统能持续正常撮合）、以及交易后机密性（限制成交信息外泄）。以 Renegade 为代表的去中心化暗池试图在无托管风险的前提下复现这些属性，其技术基础是安全多方计算（MPC）用于隐私撮合，以及零知识证明用于可验证结算。作者指出，密码学层面的正确性保证并不等价于暗池业务属性的实现，并从多个层面给出反例。第一，协议采用的 MPC-with-abort 只能保证正确性，而不能保证公平性：参与方可以在获知撮合结果后无成本地中止，这直接破坏了交易前隐私（类似免费期权）。第二，协议的发现层（discovery layer）在 MPC 尚未开始前就泄露了交易意图。第三，攻击者可以通过持续的选择性中止探测，概率性地重建对手方的历史订单，从而威胁交易后机密性。第四，MPC 执行前缺乏输入一致性检查，使攻击者能用无效状态承诺发起 griefing，无需持有真实代币即可持续锁死诚实用户的钱包并浪费算力，在持续攻击下破坏活性。第五，作者对 Base 链上超过 70 万笔 Renegade 交易进行测量分析，并探测其 P2P 层，发现网络实际高度中心化：88% 流量经由少数中继节点，仅有四个节点支撑整个 P2P 层；而中继方以明文持有用户钱包状态，这意味着系统在实践中退化为中心化订单簿，在链下重新制造了暗池本应消除的信息不对称。整体结论是：密码学隐私不等于暗池安全，交易前隐私、活性与交易后机密性都需要在 MPC 正确性之外补充协议层保证。该工作适合区块链隐私、DeFi 协议设计与密码协议工程方向的研究者与审计人员阅读。

该论文研究区块链预测市场中由「链上结算 + 链下订单簿」混合架构引入的原子性缺口问题。此类市场为兼顾用户自托管（用户资金始终留在自己的钱包或智能合约中），采用链下撮合、链上结算的模式：用户签署订单并提交至链下订单簿，订单在链下被接受或撮合时是有效的，但等到对应的链上结算交易真正执行时，订单可能已经失效。社区将这种现象称为「幽灵成交订单（ghost-filled orders）」——链下显示已成交，链上却结算失败。作者认为该现象并非偶发故障，而是架构层面的原子性缺陷：链下接受订单与链上结算之间存在时间窗口，掌握该窗口的一方可以在观察到市场结果或价格变动后，使对自己不利的订单失效，从而形成一种信息与执行时序上的优势。论文以 Polymarket 为案例展开实证研究，量化该行为的规模与财务影响：作者收集并分析了 2025 年 8 月 12 日至 2026 年 5 月 22 日共九个月间涉及 Polymarket 官方智能合约的约 180 万笔回滚（reverted）交易，并将攻击者获利与市场、普通用户损失分别归因，同时设计了一套偏保守的度量规则，以避免高估实际影响。在方法论层面，论文进一步抽象出可用于测试其他区块链预测市场是否易受同类问题影响的方法，并应用于另外三个市场；结果显示三者均存在同类原子性缺口，且其中一个市场因设计差异可使攻击者直接获利。作者已将发现披露给三个项目，其中一家在研究进行时已确认该问题。整体而言，这是一篇结合实证测量与架构安全分析的论文，适合关注区块链金融基础设施、MEV/交易排序、链下链上协同安全以及预测市场设计的读者。

该论文研究的是当「搜索者」从人类或自动化脚本变为自主 AI 代理时的跨链套利问题，属于 agentic economy 与 MEV（最大可提取价值）交叉领域。作者提出一个双向视角的建模框架：AI 代理既是套利的提取者，也可能成为 MEV 的受害者/被攻击目标。在方法上，论文做了三件事：其一，针对风险厌恶型代理，在均值-方差效用函数下并考虑跨链桥延迟的随机性，推导出最优交易规模；其二，把多链路径选择形式化为一个「信念加权」在线学习问题，并证明在 Robbins-Monro 步长调度下信念估计收敛；其三，基于 Ethereum、Arbitrum、Base 三条链上共 23,000 笔 Uniswap V3 swap 事件进行实证。实证结论显示：在 10 秒分辨率下，以太坊- Arbitrum 的价差平均为 0.044%，Arbitrum-Base 价差平均为 0.013%；因此 10,000 美元规模的交易在 L2-L2 窗口中有 63% 可通过 CCTP 顺利结算，而 L1-L2 路径要达到同等可行性通常需要 50,000 美元以上的规模。此外，作者提出的自适应路径选择算法平均比标准基线高出 11%，而适度的随机化执行策略可将 MEV 暴露降低 50% 以上，仅带来有限的利润损失。论文整体偏向量化金融与多智能体系统交叉，适合 MEV 研究者、跨链桥与交易所风控团队、以及研究 AI 代理经济行为的学者阅读。

该论文研究以太坊 Layer-2 rollup 时代出现的新型链上交易行为。作者指出，Arbitrum 等 rollup 以确定性排序、亚秒级出块和极低 gas 费取代了传统内存池竞争，虽抑制了经典 MEV，却催生了此前未被系统识别的行为模式。论文提出“高频兑换”（High-Frequency Swapping, HFS）概念，指在去中心化交易所内以机器节奏连续进行的单跳兑换。为量化该现象，作者构建可复现分析管线，基于 Arbitrum 18 个月全链数据（2023 年 1 月至 2024 年 6 月），先隔离自愿性单笔兑换交易，再归因到 swapper 地址层，并通过到达间隔动态识别 HFS 行为。结果显示，仅 477 个 HFS swapper 地址就贡献近 3000 万笔兑换和超过 10^11 美元名义交易量。论文从多维度展开实证分析：全局活动模式、时间动态、swapper 身份、代币覆盖、场所集中度、兑换规模、时间间隔和订单方向；并进一步进行案例级行为剖析，包括稳定币套利、CEX-DEX 执行价差以及短周期往返交易。作者据此总结出可将 HFS 与普通散户或传统套利活动区分开的稳定结构规律。该工作提供了 Arbitrum 上 HFS 的大规模地址级实证刻画，并为去中心化市场微结构研究奠定经验基础。适合区块链安全、DeFi 风控、链上市场监测与 MEV 研究读者。

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。

该论文研究的是多链加密货币交易所中原子交换的并行化问题。原子交换是一种去中心化的跨链交易机制，允许不同区块链上的用户直接交换资产而无需信任第三方，但传统原子交换（如哈希时间锁定合约 HTLC）通常只能逐笔串行执行，导致吞吐量低、确认延迟高，难以支撑大规模多链交易场景。论文提出了一种并行化通用原子交换（Parallelizing Universal Atomic Swaps）的方案，核心思路是针对多链环境下的资产交换，设计并发的原子交换协议，使多个交换操作可以同时进行而不会破坏原子性（要么全部完成，要么全部回滚）。方法上可能涉及改进锁定时长、哈希原像共享或新的智能合约结构，以消除串行依赖并缩短交易确认总时间。实验部分（推测）对比了串行与并行方案在交易延迟、吞吐量、成功率等指标上的表现，证明并行化能显著提升多链交易所的效率，同时保持安全性。适合区块链安全研究者、去中心化金融（DeFi）协议开发者以及关注跨链互操作技术的工程师阅读。由于仅提供摘要，结论的置信度有限。

本文从风险管理角度研究 DeFi 协议的操作风险定价问题，类比银行必须持有资本以覆盖操作风险的监管要求，指出 DeFi 协议通常没有此类强制资本要求，操作风险直接暴露给存款人。作者整理了自 2020 年以来 1,075 起事件、合计 94.5 亿美元损失的新的操作风险事件数据集，采用巴塞尔协议风格的按部门损失分布方法，量化四个核心部门的尾部风险，并与银行基准比较。研究发现：四个核心部门的尾部指数不高于 Moscadelli 银行区间 [0.85, 1.39]，但 Bridge、Derivatives 和 Other 部门的尾部接近网络攻击损失水平（ξ≈1.6），点估计超过无限均值边界。Lending 部门的尾部意味着 VaR_99.9 资本缓冲约为 TVL 的 18%，而十大 Lending 平台中，只有四家持有缓冲，平均仅覆盖所需缓冲的 5%。在市场纪律假设下，没有缓冲的平台应向存款人支付更高收益作为补偿；实际数据显示，无缓冲平台的中位收益率确实高出有缓冲平台约 125 个基点，表明市场在一定程度上按正确方向区分风险，但该溢价远不足以充分覆盖尾部风险。这种未定价的尾部风险最终主要落在零售存款人身上，他们只看到挂牌利率，缺乏评估风险的信息和技能。作者认为 DeFi 产品不受银行监管，因此建议采用披露而非资本强制要求：协议及其前端服务提供商应标准化披露损失、现有资本缓冲和尾部覆盖率。

本文针对去中心化金融（DeFi）生态中稳定币智能合约的安全防护问题，提出了一套实时动态防御与异常检测架构。稳定币作为连接加密货币市场与传统金融的关键基础设施，其运行高度依赖智能合约的自动执行；然而智能合约一旦部署便不可篡改，任何安全漏洞被利用都可能导致不可逆的巨大经济损失，甚至引发系统性金融风险。现有研究存在缺乏领域针对性、静态防御模型过时等不足。为此，作者系统梳理了稳定币环境中常见的攻击向量，包括重入攻击、预言机操纵和组合式闪电贷攻击等高风险模式，并基于对12个真实安全事件的深入分析，揭示了这些攻击背后的底层机制。在此基础上，论文构建了一个融合多维链上时序特征的实时异常检测模型，采用双向长短期记忆（Bi-LSTM）算法进行恶意行为识别。实验结果显示，该模型在分类准确率上达到96.61%，对恶意攻击样本的平均召回率达到97.70%，单次推理延迟仅为1.5至2.8毫秒，满足实时检测的时延要求。该研究为稳定币项目方和安全审计人员提供了一种动态、主动的防御思路，弥补了传统静态分析在应对复杂组合攻击时的不足。本文适合DeFi安全研究员、智能合约审计工程师、稳定币协议开发团队以及关注链上安全监控的SOC分析人员阅读。

本文提出针对代币化美国国债的基于凭证的支持证明框架 RWA-PoB。现有储备证明方案仅能提供总储备规模，无法确认链下资产是否合法合规、无产权负担、估值一致或具备足够的赎回流动性。RWA-PoB 引入五个授权机构角色，共同签署一个符合 EIP-712 的数据快照，快照中记录储备、负债、流动性和政策信息。框架定义了支持覆盖率（BCR）用于衡量资产支持充足性，以及赎回流动性覆盖（RLC）用于评估短期赎回能力。作者实现了一个 Solidity 原型，将策略控制器与 ERC-20 代币耦合。发行操作会同时增加代币供应量和对应的美元计价负债；赎回操作则销毁代币并将义务重新分类为待处理，只有在授权的结算角色确认付款后才最终减少该义务。实验部分使用由 USDY 校准的负债和确定性合成储备场景，将 RWA-PoB 与简化的聚合储备证明基线进行对比。结果显示，在有效状态下两者均可发放，但当资产存在产权负担且 BCR 为 96.3408%（低于实验设定的 105% 阈值）时，RWA-PoB 会拒绝该状态；在流动性压力下，RWA-PoB 能在赎回请求后将 RLC 降至 39.9999%，从而将该赎回归类为排队等待。作者强调，该框架验证了机构声明的归属性和完整性，但不能独立证明链下资产的存在、所有权或实际状况。原型、测试套件、数据集和复制脚本均在 GitHub 上公开。该框架对代币化资产的审计、监管科技以及 DeFi 风险控制具有参考价值。

该论文针对DeFi中基于屏蔽UTXO（未花费交易输出）的隐私协议提出了一套统一分析框架。此类协议允许资产在屏蔽池内持续流转，仅在提现或与公开DeFi交互时公开，因此与传统混币器不同，其匿名性并非简单的池规模问题，而是跨note/UTXO、证明和交易三层传播的溯源问题。目前缺乏适用于该场景的统一分析模型。作者提出分层系统模型与分析管道：以历史交易数据为时间基线，对每个证明的承诺集进行累积剪枝和跨证明传播，再递归遍历历史隐藏状态转换，从而推导出最终交易级的匿名集大小。方法在四个Railgun生产部署及六个EVM链上的五个Hinkal池的完整链上历史中验证，共分析186,356笔提现花费交易。仅使用公开协议痕迹和约束，非启发式分析结果显示，相对于各部署的时间基线，平均匿名集大小缩减40.1%至59.0%；其中3,679笔交易的匿名集不超过10个地址，包含1,228个单例。公共代币约束在两个协议中均为最强且最稳定的剪枝来源，而树号、证明根及金额约束的影响因协议设计和历史状态而异。结合典型实例，这些结果揭示了可解释的匿名性损失模式，对用户行为及未来协议设计具有启示意义。该研究为评估屏蔽UTXO协议的真实隐私性提供了系统方法，有助于审计和风险分析。

本文针对去中心化金融（DeFi）协议中深度逻辑漏洞的自动化攻击合成问题展开研究。随着区块链应用普及，DeFi 协议管理的数字资产价值巨大，成为攻击者的首要目标。现有智能合约漏洞检测工具在处理 DeFi 协议时面临严峻挑战：这类协议通常涉及多个智能合约之间的复杂金融交互，漏洞往往隐藏在跨合约的深层逻辑中，而非单个合约内部的简单缺陷。已有工具大多只分析单个合约，面对跨合约调用链时采用暴力搜索或穷举方式，导致分析效率低下且难以发现真正的逻辑漏洞。为此，论文提出名为 FORAY 的新方法，目标是高效合成针对 DeFi 协议深度逻辑漏洞的攻击路径。虽然摘要未详细展开 FORAY 的具体技术架构，但其核心思路应是结合程序分析、符号执行或约束求解等手段，对跨合约的金融交互逻辑进行建模，从而自动生成能够触发逻辑缺陷的交易序列或调用序列。论文强调当前工具的效率瓶颈和浅层分析局限，FORAY 试图填补这一空白。主要贡献包括：提出面向 DeFi 协议的逻辑漏洞攻击合成框架，改善跨合约分析的可扩展性，并为智能合约安全检测提供新思路。适合智能合约安全研究员、DeFi 协议开发者、区块链安全审计人员以及关注自动化漏洞挖掘的学术研究者阅读。

本文提出 PACE（Policy-Attested Contract Execution），一个面向去中心化金融（DeFi）中基于大语言模型（LLM）的自主智能体的交易级授权框架。研究背景在于：LLM 智能体在规划链上交易（如代币兑换、借贷、收益管理）时，容易遭受提示注入攻击，且缺乏将验证者的批准与最终提交到链上的确切交易绑定起来的机制。PACE 在 LLM 智能体与链上执行之间插入一层事务级授权，引入类型化交易意图（typed transaction intents）、确定性策略验证器，以及签名策略决策记录（PDR）。PDR 通过密码学方式将已批准的意图、策略和模拟报告与最终执行字节绑定，并具备重放和过期保护。一个 Solidity 智能账户在链上强制执行 PDR 签名，实测开销为 29,826–31,822 gas。作者在 40 个任务上对比了 6 个基线，涵盖四类攻击场景和良性用途，共进行 2,800 次试验（10 个随机种子）。在确定性沙箱中，PACE 实现了 0.00 的不安全执行率和 0.00 的良性任务误报率，而无防护基线的不安全执行率为 0.80。消融实验表明，宽松的策略设置（+57.5 个百分点）和受触合约允许列表（+12.5 个百分点）是主要的安全影响组件。为验证真实模型输出是否仍能达到相同的确定性底线，作者还提供了三模型实时 LLM 评估（全任务套件、多次运行）以及主网分叉测试工具（用于 archive-RPC 部署，但仅在生成相应工件时报告分叉结果）。这些辅助研究与确定性基准相互独立，不能替代后者。作者将声明限定为可复现基准内的逻辑级安全，而非可部署的 DeFi 安全方案。适合关注 LLM 智能体安全、DeFi 安全、形式化授权机制和链上执行完整性的研究人员与安全工程师阅读。

本文针对去中心化金融（DeFi）中频繁发生的预言机价格操纵攻击，系统性地研究了攻击模式、漏洞类型、风险评估、自动检测与防御策略。作者基于预言机生命周期理论，构建了一个覆盖物理层、协议层和应用层的三层攻击树，用于分析攻击链，并识别出数据选举阶段是关键入侵点。研究总结了四类主要的合约级漏洞：价格数据流验证不足、预言机调用风险、跨合约调用不受控、AMM价格读取逻辑缺陷。在风险评估方面，结合模糊层次分析法（Fuzzy-AHP）和风险价值（VaR）模型量化风险因素，构建涵盖技术、市场、治理和合约风险的风险矩阵。同时，基于扩展的Slither框架开发了自动化检测工具，采用污点跟踪和模式匹配技术。防御方面，提出了多层防御策略，包括数据源层的可信执行环境、智能合约层的TWAP平滑和自适应断路器，以及操作系统层的内核网络配置优化。实验表明，该方法能将攻击导致的价格偏差从55.56%降低到5%以下；检测工具准确率达94.38%，召回率92.31%，优于现有开源工具。本文适合DeFi安全研究者、智能合约审计人员以及区块链安全工程师阅读。

本文针对去中心化金融（DeFi）中跨链交易面临的隐私与监管合规之间的根本性冲突，提出了一种基于零知识证明（ZKP）的可审计跨链框架。研究指出，单链系统中的隐私或透明方案（如公开账本与匿名加密货币）无法同时满足异构跨链环境下的隐私保护和可审计性要求，阻碍了监管机构对DeFi的采纳。该框架集成三个核心组件：其一，利用零知识证明验证交易合规性（如金额非负、签名有效），且不泄露交易细节；其二，引入轻客户端（light-client）机制，实现无需第三方中继的可信最小化跨链验证；其三，基于分布式密钥生成（DKG）的阈值查看密钥（threshold view-key）机制，确保仅在法律触发条件（如FATF旅行规则、MiCA条例）下，授权实体方可进行审计访问。对于跨境调查，框架遵循国家法律和欧盟司法协助指令。工作系统地结合了ZKP、阈值密码学和轻客户端验证，形成一个可审计且保护隐私的跨链协议，为监管科技（RegTech）做出贡献，并为合规、可互操作的DeFi提供了可行路径。该研究适合关注区块链安全、DeFi合规、密码学应用及RegTech的学者和从业者阅读。

该论文基于网络安全公司 ack3 发布的 H1 2026 DeFi 事件数据集，对 2026 年 1 月 1 日至 6 月 29 日期间发生的 135 起 DeFi 安全事件进行了系统性分析，重点关注智能合约审计范围与事件路径之间的关系。数据集显示这些事件造成的总损失约为 9.3986 亿美元。研究人员为其中 68 起事件找到了公开的审计历史记录，并逐起比对了事件攻击路径是否落入事发前已公开的审计范围之内。结果发现：46 起事件的攻击路径完全处于所有已识别审计范围之外，20 起事件至少有一条路径在某个审计范围内，另有 2 起无法判定。在这 68 起事件子集中，范围外路径在数量上占 67.6%，在报告损失金额上占 94.4%。损失加权结果主要受两起大型事件影响；剔除这两起事件后，范围外路径的损失占比仍达 72.1%，说明结论方向稳健。论文还描述了审计时效（审计与事件之间的时间间隔）、时间维度上的损失分布以及受影响项目类型。核心结论是：项目层面的审计历史与事件路径层面的审计覆盖范围是两个相互独立的关键变量，存在审计记录并不等于该次攻击路径已被覆盖。该研究对 DeFi 审计实践、风险评估和保险定价具有直接参考价值。适合智能合约审计师、DeFi 安全研究者、区块链安全团队以及风险管理从业人员阅读。

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。

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。