DeFiFusion: Combining Transaction Events with Smart Contracts to Detect Price Manipulation Attacks

📄 arXiv: 2609.11008v1 📥 PDF

作者: Rui Cao, Shaojing Fan, Liming Fang, Yuchan Liu, Yingying Jiao, Zhenguang Liu

分类: cs.CR, cs.AI, cs.SE

发布日期: 2026-09-10

备注: 12 pages, 10 figures

💡 一句话要点

提出DeFiFusion以解决去中心化金融中的价格操纵攻击检测问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 去中心化金融 价格操纵攻击 智能合约 多模态融合 深度学习 异常检测

📋 核心要点

  1. 现有的价格操纵攻击检测方法存在局限，交易中心的方法缺乏合约执行语义的理解，静态分析又忽视真实交易行为。
  2. 本文提出DeFiFusion，通过联合建模交易事件和智能合约语义，捕捉交易行为与合约逻辑之间的相互作用。
  3. 实验结果显示，DeFiFusion在检测性能上优于现有方法，有效回忆了绝大多数PMA案例，且保持高精确率。

📝 摘要（中文）

去中心化金融（DeFi）作为一种快速发展的区块链金融服务，其市场交易动态与智能合约逻辑密切交织。这种自主互动虽然消除了集中式中介，但也显著扩大了DeFi协议面临价格操纵攻击（PMA）的脆弱性。现有检测方法存在基本局限性，交易中心的方法缺乏对合约执行语义的理解，容易在合法市场波动下产生误报，而静态合约分析则忽视真实交易行为，常常报告在实践中难以利用的漏洞。为此，本文提出了DeFiFusion，一个双模态的PMA检测框架，通过在统一管道中联合建模交易事件和智能合约语义来弥补这一缺口。实验表明，DeFiFusion在检测性能上持续达到最先进水平，有效回忆了225个PMA案例中的222个，同时保持96.10%的精确率。

🔬 方法详解

问题定义：本文旨在解决去中心化金融中价格操纵攻击的检测问题。现有方法在交易中心和静态合约分析上存在痛点，前者易产生误报，后者忽视真实交易行为。

核心思路：DeFiFusion的核心思路是联合建模交易事件与智能合约语义，认为价格操纵攻击的恶意性源于交易行为与合约逻辑的相互作用，单独的信号不足以识别攻击。

技术框架：DeFiFusion的整体架构包括两个主要模块：交易事件编码和合约语义提取。交易事件编码提取与操纵模式相关的时间和经济特征，而合约语义提取则利用大语言模型（LLM）提供执行逻辑上下文。

关键创新：最重要的技术创新在于提出了双模态投影融合变换器，采用T5风格的相对位置编码，能够捕捉区分PMA与正常市场活动的循环多阶段执行结构。

关键设计：在参数设置上，采用了针对操纵模式的事件编码，损失函数设计考虑了多模态融合的特性，网络结构则基于变换器架构进行优化，以提升检测性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

DeFiFusion在实验中表现出色，成功回忆了225个价格操纵攻击案例中的222个，精确率高达96.10%。这一结果显著优于现有的检测方法，展示了其在实际应用中的有效性和可靠性。

🎯 应用场景

该研究的潜在应用领域包括去中心化金融平台的安全监测、智能合约的安全审计以及金融市场的异常行为检测。通过提高价格操纵攻击的检测能力，DeFiFusion能够有效保护用户资产，促进去中心化金融的健康发展。未来，该技术可能扩展到其他区块链应用场景，提升整体金融系统的安全性。

📄 摘要（原文）

Decentralized Finance (DeFi) has emerged as a rapidly growing blockchain-based financial service, where market transaction dynamics and underlying smart contract logic are intricately intertwined. This autonomous interplay, while eliminating centralized intermediaries, significantly expands the vulnerability surface of DeFi protocols to Price Manipulation Attacks (PMAs), which have already inflicted catastrophic financial losses. Despite their gravity, existing detection paradigms suffer from fundamental limitations. Transaction-centric methods lack awareness of contract execution semantics, making them prone to false positives under legitimate market volatility, while static contract analyses ignore real transaction behaviors and frequently report vulnerabilities that are infeasible to exploit in practice. We present DeFiFusion, a dual-modal PMA detection framework that closes this gap by jointly modeling transaction events and smart contract semantics within a unified pipeline. Our core insight is that PMA maliciousness emerges only from the interaction between transaction behaviors and the contract logic they exploit; neither signal suffices in isolation. Accordingly, we derive price-manipulation-aware event encoding for extracting fine-grained temporal and economic features tailored to manipulation patterns. We further introduce LLM-based contract semantic extraction to supply the execution-logic context that prior behavioral methods lack. To fuse these modalities, we propose a Dual-Modal Projection-Fusion Transformer with T5-style relative positional encoding, capturing the cyclic multi-stage execution structures that distinguish PMAs from benign market activity. Extensive experiments demonstrate that DeFiFusion consistently achieves state-of-the-art detection performance, effectively recalling 222 of the 225 PMA cases while maintaining a precision of 96.10%.