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。