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。

该论文针对传统钓鱼URL检测方法（黑名单、规则匹配）对新出现的钓鱼URL反应迟缓的问题，提出了一种轻量级混合实时检测框架。框架结合黑名单预筛选与多层感知机（MLP）分类器，MLP仅利用URL的结构特征（如长度、域名层级、特殊字符统计等）进行分类，无需访问网页内容、调用第三方API或进行视觉渲染，大幅降低计算开销。模型基于PhiUSIIL数据集（含235,795条标记URL）训练，提取了16维轻量特征。实验结果显示，MLP分类器在准确率（99.24%）、精确率（98.74%）、召回率（99.95%）、F1分数（99.34%）和ROC-AUC（99.65%）上均优于随机森林、逻辑回归、XGBoost、LightGBM和CatBoost。混合架构下，单URL推理平均延迟仅1.2毫秒，并发处理峰值吞吐量达4,200 URL/秒。论文还开发了名为CyberGuard的原型桌面应用，验证了实际部署可行性。该工作证明，仅利用URL结构特征的轻量MLP模型即可在资源受限环境中实现高精度实时钓鱼检测，为终端设备或网络边界的安全防护提供了高效方案。