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。

以太坊智能合约是运行在区块链上的自治去中心化应用，常常管理着价值数百万美元甚至更多的数字资产，因此成为网络攻击的主要目标。仅在2023年，由智能合约漏洞导致的直接经济损失就超过了十亿美元。为了应对这些威胁，学术界和商业界开发了多种漏洞扫描工具，但实践中大量漏洞仍然存在，表明现有工具的实际防护效果与预期存在明显差距。本文旨在系统性地研究这一差距。为此，作者构建了四个不同的数据集：第一个数据集包含从区块链直接提取的77,219份源代码；第二个数据集包含来自以太坊主网和测试网的超过400万份字节码；另外两个数据集分别包含近14,000个经过人工标注的智能合约和373个经过审计验证的智能合约，为在字节码和源代码两种层面进行严格的真实标签分析提供了基础。使用未标注的数据集，作者对18款漏洞扫描器进行了全面的定量评估，发现不同扫描器之间的检测结果存在显著差异。而对真实标签数据集的分析显示，所有被测工具的整体表现均不理想。该研究揭示了扫描器性能不佳的深层原因，并强调当前智能合约安全技术在处理现实开放问题上仍显不足，有效检测漏洞仍然是一个重大且尚未解决的挑战。本文的研究问题聚焦于现有扫描器在真实场景下的检测能力缺口，核心方法是大规模多数据集实证评估，主要贡献在于提供了迄今较大规模的智能合约扫描器评测基准，并系统性地分析了各类工具的局限性。适合智能合约安全研究人员、区块链安全工具开发者、审计机构以及对该领域前沿实证研究感兴趣的安全从业者阅读。

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。