AI and the Future of On-Chain Trust & Safety: Building Security Detection at Scale for Web3
三句話摘要
利用 AI 行為分析與智能合約指紋辨識，在 DeFi 鏈上實現 Rug Pull 早期偵測。 單靠智能合約審計不夠——把行為分析與資金流向追蹤整合進去，才能在 Rug Pull 發生前偵測到 90% 以上的鏈上詐騙。 攻擊者行為模式重複是最大破綻：DeFi 攻擊者鮮少改變手法，這讓行為指紋辨識成為可行且高效的防禦策略。
重點整理
重點- 1
攻擊者行為模式重複是最大破綻：DeFi 攻擊者鮮少改變手法，這讓行為指紋辨識成為可行且高效的防禦策略。
- 2
單靠靜態合約審計無法擴展：每天數百個新合約上線，純依賴人工或規則式審查根本追不上，必須導入 AI 自動化分析。
- 3
行為訊號 + 合約訊號組合能大幅提升準確率：只看合約代碼不夠，還需追蹤資金流向、錢包關聯與部署模式，兩者結合後識別率提升 9 倍。
- 4
早偵測即早阻斷流動性損失：在流動性被抽走之前偵測到風險，協議與用戶就有機會拒絕互動、避免資產損失。
實用技巧與重點
乾貨- 分析範圍：超過 100 條區塊鏈、每日數百萬筆交易
- 資料樣本：2025 年 10 月，分析 500+ 合約、20K 新地址、31K 合約
- 發現訊號數量：178,024 個（含漏洞與行為訊號）
- Rug Pull 比例：平均 34%，單日峰值 50%
- 準確率提升：智能合約訊號 + 行為訊號組合 → 9 倍識別率
- 指標 1：Top 5 持倉（含關聯錢包）佔比 > 90% → 高機率 Rug Pull
- 指標 2：合約相似度 > 80% → Rug Pull 機率達 80%
- 工具/方法：行為分析（Behavioral Analytics）、財務分析（Financial Analytics）、合約指紋辨識（Smart Contract Fingerprinting）、EVM 跨鏈部署相似度比對
- 應用場景：避免上架毒性代幣、協議阻止漏洞利用、用戶交互前預警
結論
結論“單靠智能合約審計不夠——把行為分析與資金流向追蹤整合進去，才能在 Rug Pull 發生前偵測到 90% 以上的鏈上詐騙。”
完整解析
詳細DeFi 生態正以驚人速度擴張，但安全威脅也同步激增。目前有超過 100 條區塊鏈在運行，每日需分析數百萬筆交易，加上每天數百個新詐騙合約上線，傳統的人工審計或靜態規則偵測已完全無法跟上這個規模。更複雜的是，鏈上攻擊不再只是合約層的漏洞，還包括資金操縱、地址綁定與行為性攻擊，這些都需要更全面的分析視角。
Webby 的解決思路是將所有鏈上資料統一轉化為「訊號」，再從這些訊號中識別重複出現的行為模式。核心洞察在於：攻擊者雖然頻繁出手，但手法高度重複，這反而成為防禦方的優勢。以 2025 年 10 月的真實資料為例，團隊分析了 31K 份合約，發現超過 178,024 個包含至少一個漏洞或行為異常的訊號，平均 34% 的合約屬於 Rug Pull，而在某個單日，這個比例甚至高達 50%。
在具體偵測指標上，有兩個模式特別具有預測力：第一，若 Top 5 持倉（含所有關聯錢包合併計算）佔比超過 90%，幾乎可以直接認定為 Rug Pool；第二，若一個新合約與已知惡意合約的相似度超過 80%，則 Rug Pull 機率達 80%。最關鍵的發現是，當智能合約層訊號與鏈上行為訊號同時出現時，識別準確率比單一維度提升了整整 9 倍，這說明「錢去了哪裡、誰在動錢」的行為脈絡，與合約代碼本身同等重要。
這套分析架構的實際效益在於：協議可以在流動性被抽走之前就攔截惡意合約，避免上架毒性代幣，讓用戶在交互前獲得預警。講者的結論是，鏈上安全防護不能只停留在智能合約審計層，必須將行為分析與財務流向分析整合進技術堆疊，才能實現超過 90% 詐騙的早期攔截。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
