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。

加密货币发行门槛已降至极低：pump.fun 等代币发行平台让用户仅需点击数次、花费极少成本即可创建新代币，并以 meme coin 为主要形态。该平台日交易量超过 1 亿美元，是当前最主流的代币发行场所。论文指出，这种大规模普及在带来便利的同时，也让有策略的攻击者能够低成本地制造虚假交易信号，诱使缺乏经验的散户买入，从而在不可持续的价格拉升中获利。为系统性地刻画此类操纵，作者对 pump.fun 开展了大规模测量研究：采集过去两年内上线的全部约 1500 万枚代币的元数据，并对大规模随机抽样的交易数据进行深入分析。研究识别出五类操纵策略：(1) 刷量交易（wash trading）；(2) 创建者地址混淆；(3) 协同抛售；(4) 仿冒与蹭热度代币（copycat coins）；(5) 社交媒体操纵。作者发现，操纵者往往绕过平台前端，直接与区块链交互，实现高度自动化、低延迟的操作。研究还揭示了“市场操纵即服务”（Market-Manipulation-as-a-Service, MMaaS）生态——第三方工具让毫无技术背景的用户也能发起上述操纵。最后，作者提出缓解措施，并分别面向交易者、pump.fun 平台、钱包与链上扫描器、软件开发平台以及监管机构给出建议。该工作适合区块链安全、加密市场完整性、交易平台风控与合规方向的研究者与工程人员阅读。

本文是DeFi '24研讨会的会议报告，聚焦于去中心化金融（DeFi）及其安全性问题。研讨会汇集了学术界和工业界的研究人员，旨在探讨DeFi生态系统中的新兴安全威胁、漏洞模式、攻击案例以及防御机制。主要讨论主题包括：智能合约漏洞（如重入攻击、闪电贷攻击、预言机操纵）、经济安全（如MEV、套利策略）、跨链桥风险、以及去中心化治理安全。此外，还涉及了形式化验证、运行时监控和异常检测等安全分析技术。会议强调了DeFi安全面临的独特挑战，例如代码不可变性与经济激励的复杂交互。该报告为DeFi安全社区提供了当前研究方向和关键问题的全面概述。

该论文提出了 DeFiScreener，一种基于历史攻击案例匹配的高效 DeFi 攻击预筛查框架。背景：截至 2026 年 1 月，已有超过 5,200 个 DeFi 项目部署在主流区块链上，但现有检测工具通常仅覆盖特定攻击类型，检测覆盖范围严重不足。核心观察：作者发现一种称为“危险时间不对称”的现象，即攻击者在时间上倾向于利用某些特定函数调用模式。基于此，DeFiScreener 通过以下步骤实现预筛查：首先，从目标项目的完整源代码中构建函数调用树（FCT），并使用大语言模型（LLM）为每个函数生成语义嵌入，融合程序结构和函数意图。然后，实施双层筛查：函数层将函数嵌入与历史攻击函数库中的攻击模式进行匹配；序列层利用提出的基于攻击模式的蒙特卡洛树搜索（APO-MCTS）高效探索 FCT，筛选出易受攻击的调用序列。最后，将候选结果传送给 LLM 进行进一步解释和安全分析。实验基于 207 个真实世界 DeFi 攻击事件的数据集，结果显示 DeFiScreener 在攻击预筛查中达到了 98.55% 的召回率和 84.30% 的精确率。该方法显著扩展了检测覆盖范围，为 DeFi 智能合约的自动化安全审计提供了新的思路。

本文研究加密内存池（encrypted mempool）在永续合约（perpetual futures）资金费率场景下的安全性问题。加密内存池旨在隐藏交易内容直到执行顺序固定，从而防止最大化提取价值（MEV）攻击。然而，本文揭示了一种新型攻击：自作者状态操纵（self-authored state manipulation），即攻击者知晓自己的交易并拥有下游对交易改变状态的索取权。永续合约的资金费率是典型例子：资金费率信号决定转移率，接收方未平仓量是转移基数。在“提交后揭示”的内存池中，自适应的纠正交易无法进入已提交的批次，因此即使密码学解密开销可忽略，隐私也会造成经济反应缺口。作者通过可执行的套利机会为纠正行为构建微观基础：纠正者根据局部价格影响和库存成本选择订单规模，而协议信息调度决定哪些机会可操作。排序障碍将普通自适应搜索者排除在封闭阶段之外，导致封闭阶段的纠正率低于自适应纠正率（当存在正的自适应能力时）。进入资金窗口的扭曲乘以明确的响应因子。交易隐私还能降低可预测资金进入价格的资本化，产生第二个放大通道。最终形成的局部安全指数将攻击者盲目性、纠正屏蔽和资本化屏蔽分离。本文适合DeFi协议设计者、MEV研究者及区块链安全工程师阅读，以理解加密内存池在动态博弈下的安全权衡。

本文提出 POMABuster，一种检测去中心化金融（DeFi）中价格预言机操纵攻击的系统。价格预言机是 DeFi 协议获取外部资产价格的关键组件，但容易受到操纵攻击（如闪电贷攻击）的影响，导致价格偏差和协议损失。现有检测方法通常依赖于静态规则或事后分析，难以应对动态和复杂的攻击模式。POMABuster 基于图神经网络（GNN）对 DeFi 交易流程进行建模，通过分析交易路径和价格突变特征，实时识别预言机价格操纵行为。系统首先从链上交易数据中提取特征，包括交易顺序、流动性池状态、价格变化等，然后利用 GNN 学习正常与攻击模式之间的差异。实验使用历史攻击事件（如 bZx、Harvest Finance 等）和模拟攻击进行验证，结果表明 POMABuster 能够以高召回率（>95%）和低误报率（<5%）检测已知和未知的操纵模式，且延迟低至秒级，适合链上实时部署。主要贡献包括：1）首次将 GNN 应用于 DeFi 预言机攻击检测；2）提出覆盖多种攻击类型的统一检测框架；3）公开数据集和代码以供复现。本文适合 DeFi 安全研究人员、协议开发者和审计师阅读。