ERC20加密货币洗白交易量化及检测研究

区块链：研究与应用4（2023）100108WTEYE：ERC20加密货币的链上清洗交易检测和量化崔伟a，b，*，高存年aa华南理工大学自动化科学与工程学院，广州，510641b琶洲实验室，广州，510330，中国A R T I C L E I N F O保留字：洗白交易ERC20加密货币图检测A B S T R A C T虚假交易是一种常见的交易量操纵形式，用于吸引投资者进入市场并误导他们做出错误的投资判断。在ERC20加密货币中，虚假交易交易更为突出本文基于ERC20加密货币的链上交易数据，提出了两种算法来保留洗钱交易的直接证据在标记洗交易之后，我们继续获得洗交易的特征并量化洗交易的数量我们的实验表明，对于大多数ERC20加密货币，清洗交易率达到15%以上特别是，超过30%的UNI代币交易被标记为洗白交易。事实证明，大多数ERC20加密货币的激活都是不真实的，恢复真实数据对于市场监管是必要的。1. 介绍Blockchain是一种全球共享和仅附加的分散式分类账，由SatoshiNakamoto于2008年首次推出[1]。由于具有去中心化、不可变性、可追溯性等特点，大量的加密货币以区块链技术[2]为底层技术，其中最著名的就是比特币。然而，比特币网络缺乏图灵完备性，不适合某些场景。为了解决这个问题，Buterin [3]推出了以太坊区块链，这是一个去中心化的应用平台，并通过智能合约使其成为图灵完备 随着越来越多的Dapps在以太坊区块链上开发，项目发行人倾向于使用一种新的方法，即首次代币发行（ICO），以快速为初创企业提供资金[4]。考虑到不同代币之间的交换，许多标准注释被创建，包括两种著名的标准，ERC20和ERC721。根据Etherscan的数据，在撰写本文时，以太坊平台上共创建了456，761种ERC20代币。截至2021年10月底，加密货币市场的资本总额超过2. 5万亿美元。加密货币是区块链技术最成功的应用，引起了众多研究人员的关注Bariviera和Merediz-Sol`a[5]根据106篇与加密货币经济学有关的论文的重点研究主题，对它们进行了分类分为几个类别：货币经济学，信息效率，价格波动，投资组合优化，泡沫形成等。与货币经济学主题相关的研究重点是分析比特币的价格和需求。de la Horra等人通过建立需求模型分析了[6]比特币需求的 他们发现，投机在短期内增加了对比特币的需求，但从长远来看，对比特币作为交易媒介的效用的预期推动了对比特币的需求。根据有效市场假说（EMH），信息有效市场中的价格应该遵循随机游走，并且它们是不可预测的。因此，与信息效率相关的研究旨在检验加密货币市场是否具有信息效率。 厄克特[7]进行了几个测试，已在其他文章中使用。 他们发现，比特币在一开始的时候是信息不充分的，并且正在朝着一个更有效的市场发展。由于投机和不受监管的环境，加密货币的特点是价格高度波动。基于以前的研究，大多数与此主题相关的论文应用Gestival模型的变体并发现波动聚类[8]。端口优化是另一个值得深入研究的课题[9]. 这些文章的目的是评估将加密货币到当前金融投资组合中的风险。尽管不同的加密货币可以改善投资结果，但他们建议应考虑未来的监管和黑客活动Som等人[10个国家]* 通讯作者。琶洲实验室，广州，510330，中国电子邮件地址：aucuiwei@scut.edu.cn（W. Cui）。https://doi.org/10.1016/j.bcra.2022.100108接收日期：2022年4月8日;接收日期：2022年8月2日;接受日期：2022年8月23日2096-7209/©2022作者。出版社：Elsevier B.V.代表浙江大学出版社。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表区块链：研究与应用杂志主页：www.journals.elsevier.com/blockchain-research-and-applicationsW. Cui，C. 高区块链：研究与应用4（2023）1001082Fig. 1. 我们分析系统的框架是为ERC20加密货币的链上洗交易检测和量化而设计的。使用不同的方法量化了加密货币的波动性，并比较了有和没有黄金的投资组合。 他们的研究结果表明，比特币确实是“数字黄金”。 在缺乏有效监管体系的情况下，加密货币的泡沫行为非常普遍。研究加密货币的泡沫行为可以帮助我们进一步理解加密货币的经济学。 Cheah和Fry [11]应用了之前研究人员提出的泡沫模型，发现比特币在2017年泡沫之前表现出投机性泡沫。除了上述的研究课题外，如何检测市场操纵行为也是研究者关注的问题。 由于区块链的匿名性，犯罪更容易发生，包括洗钱，勒索和其他犯罪活动。与传统金融不同，加密货币市场充斥着市场操纵。由于缺乏有效的监管体系，加密货币市场操纵可以通过多种方式实施。这些策略经常打破市场的平衡 价格和成交量才是合谋集团想要操纵的主要目标。 我们关心的是市场交易量，因为它总是表明市场活跃。交易量操纵的一种常见形式是虚仓交易。由于流动性可以吸引流动性，当操纵者在放大交易量的同时，通过设计洗盘交易清单，制造市场激活的假象，吸引众多投资者入市。这些交易这些交易被打包成大宗后，几乎没有任何有利的所有权变化，但交易量却被放大，这会误导投资者做出错误的投资判断。随着流动性挖掘概念的提出，去中心化金融（DeFi）进入了爆炸性增长期[12]。随着DeFi项目的推出，创建了大量ERC20代币从网络的角度来看，Ref.[13]表明ERC20代币的网络结构与市场表现有很强的关系。 在缺乏有效监管的情况下，虚假交易是重建网络结构的常用策略，并对代币价格波动产生深刻影响[14- 16 ]。因此，检测DeFi项目的代币是否被洗白交易操纵[ 17 - 20 ]可以提高ERC 20代币的市场表现，并为项目评分提供参考指标。为了收集市场操纵的直接证据，研究人员从不同的角度提出了不同的方法Palshikar和Apte [21]试图通过三种图聚类算法来检测共谋集Cao等人[22]是第一个将清洗交易检测算法应用于股票市场的公司。根据以前的研究，Victor和Weintraud [23]设计了他们在去中心化加密货币交易所的实验，检测了清洗交易，并对其进行了量化从另一个角度来看，Chen et al.[24]采用实证分析方法，通过分析集中交易所的浏览量与交易量之间的关系，判断加密货币交易所是否存在虚假交易量。同样，Ref。 [25]监控12个交易所的网络流量指标及其管理的用户资金，并根据wash交易率对这些交易所进行分类。然而，到目前为止，仍然缺乏有效的算法来定量地检测洗钱交易并提供直接证据。大多数以前的工作集中在获得间接证据的洗交易，他们的数据收集从股票市场或交易所[26]。链上交易数据仍然不受监督。此外，他们的算法的时间和空间复杂度太高，不能及时检测到清洗交易。据我们所知，这是第一个基于链上数据检测单个ERC20代币清洗交易的系统 我们的系统框架如图所示。1.一、我们从以太坊ETL [27]和Etherscan [28]收集ERC20令牌链上数据，然后分别使用两种算法来检测清洗交易。之后，我们将结果合并并量化它们。我们设计了一个有用的工具来获取特征的洗行业和量化。虽然我们只收集五种ERC20代币的链上数据，但我们的系统具有可扩展性，用户可以在必要时将具有相同数据结构的交易记录作为输入。 这意味着我们的工具仍然适用于其他金融场景。本文的主要贡献如下：1) 这是基于链上数据检测ERC20代币清洗交易并对其进行量化的第一项工作我们提出了两种算法来寻找直接证据的洗交易。2) 为了对虚假交易进行定量分析，我们进行了交易图网络建模，将交易作为图中的有向流此外，我们用数学方法定义了洗白交易3) 我们实现了一个实用的工具来分析我们感兴趣的代币的清洗交易的特征。此外，在我们选择的时间段内，我们还可以量化清洗交易量，并显示真实的交易量。W. Cui，C. 高区块链：研究与应用4（2023）1001083¼n本文的其余部分组织如下。 在第2节中，我们将解释如何获取数据并对其进行预处理。第3节介绍了一些与洗交易相关的定义，并提出了我们的洗交易检测算法。第4节给出了实验结果并对其进行了量化。最后，我们在第5节中总结并讨论未来的工作。2. 数据准备与比特币和以太币不同，每个人都可以按照ERC20标准部署智能合约，并在不受监管的情况下铸造ERC20代币。该标准规定了代币的符号、总供应量和传递函数。 在以太坊平台上，由于缺乏规范交易者行为的系统，大多数ERC20代币都是由串通客户操纵的[ 29 ]。 为了获得表明交易量是假的直接证据，我们收集了ERC20代币的交易记录。本文使用的数据包含链上交易数据，包括时间戳、交易哈希、区块号、发送者地址、接收者地址和交易的代币数量。所有这些数据集都是从最流行的以太坊浏览器Etherscan和以太坊ETL中获得的，以太坊ETL是一个Python包，可以将区块链数据转换为方便的格式。我们收集了2021年1月1日至2021年3月1日期间与ERC20代币交易相关的以太坊区块 由于我们只对一天的虚假交易表示兴趣，因此我们将每天的交易打包到一个文件中。DeFi正在重建我们传统金融的结构。所有传统的金融服务都可以在DeFi中映射 由于DeFi具有非托管、免许可、可组合、可审计等优点，因此发展迅速。 DeFi协议可以分为几类：去中心化交易所、可贷款基金市场[30]、保险、预言机、衍生品等。Chain-link是最流行的oracle，是连接链上和链下世界的重要组件基于自动做市商（AMM）的机制，Uniswap占据了去中心化交易所市场的绝大多数份额，并将其股权代币称为UNI。通过提出流动性挖掘的概念，Compound点燃了借贷市场，并将DeFi带入了蓬勃发展的阶段。 为了检测与这些著名的DeFi协议相关的ERC20代币的清洗交易，我们在数据准备阶段对原始数据进行了预处理。为了消除一些不必要的计算，我们从ERC20令牌交易图删除了小交易和边缘节点，因为这些数据对我们的实验结果有微妙的影响 我们只保留时间戳，发送者地址，接收者地址和转移的令牌数量，过滤无用信息。处理后的数据概述见表1。我们可以发现LINK是最活跃的ERC20代币，而MKR的交易地址最少。3. 虚假交易检测根据金融行为监管局（FCA）和欧洲证券监管委员会（CESR）的规定，虚假交易遵循合法交易的规则，但它是由合谋集团故意预先安排的。这种策略可以伪造交易量并误导其他交易对手。 在本节中，我们将整个虚假交易检测过程分为三个步骤。在第一步中，我们基于数据结构构建事务图模型。在第二步中，我们提出表1一些ERC20代币数据集的概述议定书ERC20代币贸易地址数量Chainlink链路1,065,435464,1081,040,502,181Maker DaoMKR154,21657,8642,471,364化合物COMP211,374108,01815,001,128曲线CRV187,09930,4301,791,333,920UniswapUNI513,812221,6191,050,645,311两种算法，用于定量检测洗白交易，对符合步骤3中洗白交易定义的交易进行标记。3.1. 代币交易图模型处理数据后的第一步是图形建模。 由于每笔代币交易都包含交易双方的地址和转移的代币数量，为了构建一个交易图网络，我们定义了一个图G（V，E），其中V表示交易者的地址集，E表示交易集。在图中，我们将每个地址标记为一个节点。如果对应于这些地址的交易被打包到块中，这意味着连接这些节点的边被创建。每条边的权重等于所传输的令牌的量图图2示出了ERC20令牌流图的示例，其包括10个节点和18条边。箭头表示令牌流的方向，并且边的权重表示令牌传输的量。 在该图中，这些节点之间存在一系列圈交易，例如{x2，x4，x5}，{x2，x7，x8，x10}和{x2，x7，x9，x10}。这些节点可能属于同一合谋组。即使市场看起来相当活跃，但交易需求并不多。3.2. 解决状态和清洗贸易的定义为了更定量地分析ERC20清洗交易，有必要进行一些定义。参考以太坊网络的账户状态定义，我们还定义了地址的状态。在虚假交易检测阶段，我们假设合谋组拥有的地址数记为n，这些地址的原始状态集定义为A1;A2;其中Ai表示地址i的状态。 当对应于这些地址的事务完成时，状态集改变。每笔交易都包括卖方和买方的地址以及转移的代币数量。因此，我们将每笔交易定义为tx^fseller_address;buyer_address;value g：（2）假设地址1向地址2传输100个LINK，由图二、 ERC20令牌流程图示例。W. Cui，C. 高区块链：研究与应用4（2023）1001084nn33¼在该事务中，改变的状态集可以被示为A1-100;A2-100;由于虚拟交易不同于真实交易，因此创建虚拟交易的目的是扩大他们想要操纵的代币的24小时交易量。为了减少他们的财务损失，他们倾向于创建交易列表，以保持他们的状态地址集接近原始状态集。ERC20令牌在完成多个交易后在合谋组持有的地址之间转移，尽管这些地址的状态假设生成n个地址和m个事务，则事务列表可以描述为tx_list：tx1;tx2;总交易量Vtotal可以定义为Vtotal¼Sum½tx1：valuee;tx2：valuee;在m个事务完成后，Sm表示这些地址的终端状态集如果状态集之间的关系发生变化，并且总贸易量满足条件，图三. ERC20令牌流子图的圆形节点，这是我们提出的算法检测。对于图1中的令牌流图，2、利用该算法进行圆搜索和虚假交易检测。圆1 {x2，x4，x5}和圆2 {x2，x7，x8，x9，x10}如图所示。 3. 对于Circle1，根据地址状态的定义，原始状态集合S_0_f_0;0; 0g和终端状态集合S_0_f_0; 0 ; 0 g设置俄罗斯-俄罗斯1电话：+86-2242-1085-8190-1009-4361传真：+86-2242- 1085 - 8190nn<Δ：（6）2×V总计其中Δ代表所有权的有效变化率显然，为了躲避市场监管的检测，串通集团电话：+86-21-2242-8190传真：+86-21-2242-1089传真：+86-21 - 22421/4 f-6147;8186;-2039g：（七）不会完全匹配的体积，他们将允许一些去-然后，速率RkS7-S0k3304049，这意味着¼1 ¼：- 是的在我们的实验中，我们将参数Δ设置为10%。3.3. 检测方法学3.3.1. 圆节点洗交易检测清洗贸易又称 为了维护状态集，由操纵器控制的交易流程在交易图中构造几个圆。 我们现在描述我们开发的圆节点清洗交易检测算法（算法1）。该算法将令牌流图作为输入，其中包含所有活动地址和交易列表。图存储在地图中，包括关键节点及其邻居节点。然后，我们使用DFS，一个著名的图遍历算法，搜索图中的圆如果圈子节点创建的交易符合我们的洗白交易定义，我们将该交易标记为可疑。2*V总计有效所有权变更率达到40%以上。因为参数设置为10%，这些交易不能被标记为洗仓交易。类似地，对于Circle2，R0.3038，并且没有交易可以被标记。3.3.2. 邻居节点洗交易检测我们现在提出邻居节点清洗交易检测算法（算法2），以更全面地搜索ERC20令牌链上清洗交易。在令牌流图中，我们发现令牌总是沿着连接节点与其邻居节点的边因此，一个节点有更高的概率与它的邻居节点创建洗交易。针对这种情况，我们将令牌流图中的关键节点作为输入，迭代检测相邻节点我们将关键节点及其邻居节点添加到列表中类似地，如果这些节点创建的交易符合我们的洗交易定义，我们将这些交易标记为洗交易。W. Cui，C. 高区块链：研究与应用4（2023）1001085表2关键节点图。关键节点邻居节点x1{x5}x2{x4，x7}x3{}x4{x5}x5{x2}x6{x1}x7{x8，x9}x8{x10}x9{x10}x10{x2}表2显示了图1的关键节点图。二、使用我们提出的算法，如果我们以x1为起始节点，节点列表的演化如下所示节点表¼ fx;xg4. 实验结果和定量在本节中，我们将进行实验，以检测与我们关心的ERC20代币相对应的清洗交易，包括LINK，MKR，UNI，CRV和COMP。我们收集每个代币 为全面了解洗白交易，我们重点分析洗白交易的特征，并量化特定时期洗白交易的占比。值得一提的是，我们单独检测这些令牌，并将时间窗口设置为一天。4.1. 洗白交易特征通过观察代币交易记录的结构，我们得到了虚假交易的三个特征，从而帮助我们有效地监控虚假交易活动。 为了尽量减少利润损失的风险，操纵者总是尽可能快地匹配洗仓交易。因此，洗盘交易之间的时间间隔和单笔交易的数量可以被视为两个重要的-15洗贸易的特点此外，串通客户的数量是→fx1;x2;x5g→fx1;x2;x4;x5;x7g→fx1;x2;x4;x5;x7;x8;x9g→fx1;x2;x4;x5;x7;x8;x9;x10g：（八）这也是wash交易的一个特点关于这些特征的一些细节和实验结果描述如下。4.1.1. 单次洗涤交易在这种情况下，除了x3和x6，图中的所有节点都被遍历。通过改变起始节点，我们可以快速地检测到虚假交易但是，这种算法的时间复杂度和空间复杂度都远远大于算法1.如果地址数量足够大，我们就不能及时获得输出，这就降低了我们检测的效率。考虑到这种情况，有必要过滤图中的边缘节点并消除小交易。单笔交易的规模通常可以表明市场对交易的兴趣，使用大规模交易可以迅速增加交易量。小额交易对贸易量基本上没有影响。因此，为了提高我们的检测系统的速度，我们分析了单次洗涤交易量的分布。实验基于2021年1月1日至2021年1月2日的链上数据执行。结果如图所示。 四、我们将对应于ERC20代币t的单次清洗交易量标记为qt。对于每个ERC20令牌，结果表明qt的方差很小，这意味着见图4。表1：单笔洗单交易的数量分布，包括5种ERC20代币。W. Cui，C. 高区块链：研究与应用4（2023）1001086（9）图五. 时间间隔2：洗盘交易的时间间隔，包括5种ERC20代币。清洗交易往往集中在某一数量级对于LINK，大多数qt大于100且小于1000。对于CRV和UNI，此特征不同;大多数qt大于1000且小于10000。对于COMP和MKR，大多数qt小于10。显然，单笔洗盘交易的数量与代币的价格有很强的相关性 根据OKX E X的变化，LINK，MKR，COMP，CRV和UNI的价格分别约为11，600，140，0.6和4.7 USDT。因此，参考参数qt可以计算如下：10000美元t价格令牌4.1.2. 时间间隔加密货币的特点总是价格波动大，当交易被打包到不同的区块时，代币的价格可能会有所不同。如果我们想以我们期望的价格完成交易，必须正确设置天然气价格和提交时间我们设定的天然气价格越高，交易确认的速度就越快。 为了最大限度地减少财务损失，虚假交易创建者倾向于同时提交交易，尽可能将它们打包到同一个区块中。我们的实验结果如图所示。 五、 除COMP和MKR代币外，大多数洗盘交易的时间间隔小于1小时。对于LINK代币，时间间隔小于1小时的清洗交易占85.12%。而对于MKR代币，时间间隔为零的洗交易占比为26.09%，这意味着这些洗交易被打包到同一个区块中。可以发现，对于与去中心化交易所相关的ERC20代币来说，洗盘交易往往非常活跃，而且时间间隔通常很小。然而，对于与去中心化交易所无关的ERC20代币，大多数洗交易将在1小时内匹配因此，为了更准确地检测清洗交易并分析其时间间隔特征，我们可以缩小我们的时间窗口，特别是对于那些交易活跃的代币4.1.3. 串通客户一般来说，区块链上不允许进行自我交易。这个约束强制合谋客户端的数量大于1。然而，从另一个角度来看，当串通客户的数量足够大时，可能难以确保客户不会遭受经济损失。为了规避监管，控制收益风险，如何控制客户数量是一个值得深入研究的问题我们在图1中说明了产生虚假交易的客户数量。 6号尝试了五种ERC20代币。 对于这些ERC20代币（CRV除外），大多数清洗交易都是由三个或四个客户创建的。这些地址可能属于同一个实体或串通集团。 与这些地址相关的所有交易都应重点关注。这一特征表明，洗涤贸易总是发生在少数广告之间。因此，我们可以缩小我们的检测规模，只考虑相关地址数小于20的4.2. 虚假交易量化在从微观角度探索了洗仓交易的几个特征后，我们继续从宏观角度量化每个ERC20代币的每日洗仓交易我们收集了五种ERC20代币的链上数据，时间窗口设置为1天，从2021年1月1日到2021年3月图中的结果。图7显示，每个ERC20代币的洗盘交易非常常见。当虚仓交易的数量增加时，交易的总数量也会增加这表明，虚假交易对市场方向具有引导作用，这也是虚假交易成为市场操纵中根据我们的实验结果，我们可以发现LINK的清洗交易率低于其他代币。对于UNI来说，超过30%的交易是虚假交易。因此，有必要设计一个工具来检测和分析ERC20代币清洗交易。 在下一小节中，我们将介绍我们的虚假交易检测工具。4.3. 一种检测虚假交易的工具WTEYE被实现为GUI平台，提供输入接口和输出接口。 有两页用于呈现洗白交易检测的结果。对于第1页，它可以向我们展示washtrade的特征，期望指定token和参数的日常交易作为输入。 WTEYE然后标记清洗交易，并通过图表显示特征，如图所示。 八、对于第2页，用户可以选择开始日期和结束日期，然后输入他们想要检测的令牌类型第2页显示于指定期间的虚假交易量及实际交易量 图 9呈现页面的布局2. 值得一提的是，我们的工具是可扩展的。它可以应用于检测交易数据结构与ERC20令牌相同的其他市场中的虚假交易W. Cui，C. 高区块链：研究与应用4（2023）1001087见图6。 第三类：洗钱交易的合谋客户数量，包括5种ERC20代币。图第七章 于二零二一年一月一日至二零二一年三月一日，五种ERC20代币的洗仓交易量化。W. Cui，C. 高区块链：研究与应用4（2023）1001088见图8。WTEYE第1页：分析洗交易的特征。见图9。 WTEYE第2页：量化清洗交易的百分比。5. 结论和今后的工作虚假交易是一种常见的市场操纵形式，交易者在短时间内买卖相同的金融工具，而不承担任何类型的市场风险，试图控制价格或交易活动。由于缺乏有效的监督，这种不健康的市场行为在加密货币市场上更为常见。清洗交易的目的之一是提高交易量，并推动或倾销加密货币的价格[31另一个目的是给人一种印象，即代币的需求比实际情况更大，并在发行人启动区块链项目时通过ICO快速筹集资金。 根据《商品交易法》（CEA），虚假交易是非法的。因此，要维护健康的市场，提高区块链项目的质量，及时发现洗钱交易就显得极为重要。在本文中，我们通过地址的状态集来数学地定义洗交易。然后，我们提出了两种算法来保留基于ERC20令牌的链上交易数据的直接证据 在标记洗交易之后，我们继续获得洗交易的特征并量化洗交易的数量。 通过比较不同的ERC20代币，我们发现每个代币都被洗白交易操纵。对于大多数ERC20代币来说，清洗交易率达到15%以上是很常见的。我们的实验结果表明，超过30%的UNI代币交易被标记为虚假交易。 这意味着大多数ERC20代币的激活是不真实的，恢复真实数据对于市场监管是必要的。要防止洗白交易，可以从两个方面加强监管。一方面，洗涤贸易在较小和较新的市场中比在较大的市场中更为普遍 由于成本高，很难大幅增加BTC或ETH的交易量。然而，当一个新的硬币被添加到市场上时，开发商可以很容易地提高交易量，并误导投资者关于代币的真实价值。在这种情况下，检测小市场或新市场中的虚假交易是一个优先事项。另一方面，正如我们的实验结果所表明的那样，虚假交易总是由属于同一实体或群体的鲸鱼广告创造关注由鲸鱼地址创建的交易并结合实体识别技术[33在未来，洗涤行业的目标是另一个值得我们深入研究的课题我们计划分析代币价格的泵和倾销是否是洗交易的最重要目标。在高油价的基础上，我们还想知道合谋集团能获得多少利润W. Cui，C. 高区块链：研究与应用4（2023）1001089拨款本工作得到了国家自然科学基金项目61873317和62273154的资助。竞合利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。引用[1] S. Nakamoto，Bitcoin：一个点对点的电子现金系统。https://bitcoin.org/bitcoin.pdf，2008年。（2022年4月3日查阅）。[2] L.斯托克布格尔湾Kokosioulis，A. Mukkamala等人，Blockchain-enableddecentralized identity management：the case of self-sovereign identity in publictransportation，Blockchain：Res. Appl. 2（2）（2021），100014，https://doi.org/10.1016/j.bcra.2021.100014.[3] V. Buterin，下一代智能合约和去中心化应用平台。https://ethereum.org/en/whitepaper/，2013年。（2022年4月3日查阅）。[4] G. 费努湖Marchesi，M.Marchesi等人，ICO现象及其与以太坊智能合约环境的关系，见：2018年面向区块链的软件工程国际研讨会（IWBOSE）论文集，IEEE，2018年，第100页。26https://doi.org/10.1109/IWBOSE.2018.8327568[5] A.F. 巴里维埃拉岛梅雷迪斯-所以l`a，我们在加密货币经济中的地位研究？一项基于混合分析的调查，J。经济监视器35（2）（2021）377https://doi.org/10.1111/joes.12412[6] L.P. de la Horra，G. de la Fuente，J. Perote，《比特币需求的驱动因素：短期和长期分析》，国际金融评论。Anal. 62（2019）21 https://doi.org/-34，www.example.com10.1016/j.irfa.2019.01.006。[7] A. Urquhart，比特币的效率低下，Econ.Lett。148（2016）80doi.org/10.1016/j.econlet.2016.09.019.[8] P. Katsiampa，比特币的波动率估计：Gestival模型的比较，Econ.Lett。158（2017）3 https://doi.org/10.1016/j.econlet.2017.06.023。[9] D. 维达尔-汤姆阿斯，上午 我不知道，J.E. Farino's，加密货币的效率较低市场：市场组合方法，应用。经济Lett. 26（19）（2019）1627https://doi.org/10.1080/13504851.2019.1591583[10] A. Som，P. Kayal，加密货币与黄金的多国比较：通过广义模拟退火进行投资组合优化，Blockchain：Res.Appl.3（3）（2022），100075，https://doi.org/10.1016/j.bcra.2022.100075。[11] E.T. Cheah，J. Fry，比特币市场的投机泡沫？对比特币基本价值的实证调查，经济。130（2015）32 https://doi.org/10.1016/j.econlet.2015.02.029。[12] S.M. Werner，D. Perez，Gudgeon等人，SoK：去中心化融资（Defi），arXiv，2021预印本。ar X i v ：2101.08778。[13] SH. Liu，XF.Liu，ERC-20代币的共同投资网络：网络结构与市场表现，Front。9（2021），631659，https://doi.org/10.3389/fphy.2021.631659。[14] L. Cong，X. Li，K. Tang等人，Crypto Wash Trading，arXiv，2021预印本。arXiv：2108.10984。[15] S. Imisiker，B.K.O.塔斯，华盛顿交易作为一个股票市场操纵工具，J。行为举止。EXp.财政20（2018）92https://doi.org/10.1016/j.jbef.2018.08.004。[16] 蓄水位Chen，T.Zhang，ZG.Chen等人，Travelling the token world：a graphanalysis of Ethereum ERC20 token ecosystem，in：Proceedings of the WebConference 2020（WWW '20），ACM，2020，pp. 1411 https://doi.org/10.1145/-1421，www.example.com 3366423.3380215。[17] A. 你好JS李，比特币洗交易的直接证据，SSRN，2019预印本。doi：10.2139/ssrn.3362153。[18] D. Amiram，E. Lyandres，D. Rabetti，竞争和产品质量：加密交易所的虚假交易，SSRN，2020预印本。doi：10.2139/ssrn.3745617。[19] D. 比安奇A.Dickerson，加密货币市场的交易量，SSRN，2019预印本。doi：10.2139/ssrn.3239670。[20] W. 陈，J.Wu，Z.Zheng等人，比特币的市场操纵：来自开采Mt的证据GoXtransaction network，in：Proceedings of the IEEEINFOCOM 2019-IEEEConference on Computer Communications，IEEE，2019，pp.964https://doi.org/10.1109/INFOCOM.2019.8737364[21] G.K. Palshikar，M.M.基于图聚类的合谋集检测，数据最小化。16（2008）135https://doi.org/10.1007/s10618-007-0076-8。[22] Y. Cao，YH. Li，S. Coleman等人，利用有向图和动态规划检测金融市场中的洗市交易 ， IEEETransact 。 神 经 网 络 学 习 . 系 统 27 （ 11 ） （ 2016 ）2351https://doi.org/10.1109/TNNLS.2015.2480959[23] F. 维克多，上午。Weintraud，检测和量化分散式加密货币交易所的清洗交易，在：2021年网络会议论文集，ACM，2021年，第10页。23- 32，doi：10.1145/3442381.3449824。[24] JL. Chen，中国粘蝇D.林，JJ。Wu，加密货币交易所会伪造交易量吗？基于数据挖 掘 的 洗 市 交 易 实 证 分 析 。 Stat. 机 甲 586 （ 2022 ） ， 126405 ，https://doi.org/10.1016/j.physa.2021.126405。[25] G.L.佩内克岛菲德勒湖Ante，Wash在加密货币交易所交易，Financ.保留信函43（2021）101982，https://doi.org/10.1016/j.frl.2021.101982。[26] D. Cumming，S.Johan，D.李，E X改变交易规则和股票市场流动性，J。金融。99（3）（2011）651 https://doi.org/10.1016/neco.2010.10.001.[27] 以太坊ETL。https://ethereum-etl.readthedocs.io/网站。（2022年4月3日[28] 以太网扫描。https://docs.etherscan.io/网站。（2022年4月3日查阅）。[29] N.卡兰迪卡尔河Abhishek，N. Saurabh等人，基于区块链的Prosumer激励通过时间聚合和上下文聚类缓解峰值，Blockchain：Res. Appl. 2（2）（2021），100016，https://doi.org/10.1016/j.bcra.2021.100016。[30] DB. Wang，SW.Wu，ZL.Lin等人， 迈向理解区块链贷款及其在DeFi生态系统中的应用的第一步，见：第九届区块链和云计算安全国际研讨会论文集，ACM，2021年，pp。23 https://doi.org/10.1145/3457977.3460301。[31] T. Li，D Shin，B Wang，Cryptocurrency pump-and-dump schemes，SSRN，2021预印本。doi：10.2139/ssrn.3267041。[32] F. Victor，T. Hagemann，Cryptocurrency pump and dump schemes：quantification and detection，in：Proceedings of the 2019 International Conferenceon Data Mining Workshops（ICDMW），IEEE，2019，pp.244https://doi.org/10.1109/-251，www.example.com ICDMW.2019.00045。[33] M. Shen，JP. Zhang，LH. Zhu等人，通过使用图神经网络的加密流量分析实现精确的分散式应用程序识别，IEEE Trans. Inf. Forensics Secur. 16（2021）2367https://doi.org/10.1109/- 2380，www.example.com TIFS.2021.3050608。[34] M. Yan，X. Xia，中国山茱萸E. Shihab等人，自动化变更级别自承认技术债务确定，IEEE Trans. Software Eng. 45（12）（2019）1211doi.org/10.1109/TSE.2018.2831232。