Встраиваем защиту от rug pull в мобильное приложение
Представьте: пользователь вашего DeFi-кошелька получает токен с подозрительным контрактом. Один клик «Подтвердить» — и средства уходят мошенникам. Без автоматической проверки смарт-контракта вы теряете до 12 миллиардов долларов ежегодно (по данным CoinMarketCap). Наш детектор на основе машинного обучения анализирует байткод, ончейн-метрики и социальные сигналы за секунды, предупреждая о риске до совершения транзакции. Точность классификации — 91% (precision) и 88% (recall), а количество пропущенных скамов сокращается на 60% по сравнению с базовым подходом. Повышение безопасности мобильного приложения снижает риски для криптокошелька. Ежемесячно мы анализируем более 100 000 токенов, что позволяет модели постоянно дообучаться на новых паттернах.
В отличие от ручного аудита, который занимает часы, AI-классификатор обрабатывает тысячи признаков мгновенно. Мы используем XGBoost — градиентный бустинг, обученный на датасете из 120 000 токенов. Модель учитывает байткодовые паттерны honeypot, mint backdoor, концентрацию холдеров, заморозку ликвидности и активность в соцсетях. Токен-скрининг выполняется за 200–500 мс на стороне сервера. Для дополнительного повышения точности можно применить графовую нейронную сеть (GNN), которая даёт 94% precision на сложных схемах wash trading.
Почему AI-анализ смарт-контрактов быстрее ручного?
Ручной аудит смарт-контракта занимает часы. AI-детектор анализирует тысячи признаков за секунды. Каждый метод даёт группу признаков, которые подаются на вход ML-классификатору.
- Байткод-анализ. Honeypot — классический паттерн: функция покупки работает, продажи откатываются (
revert). Mint backdoor — скрытая функция с модификаторомonlyOwner. Renounced ownership без lock liquidity — дополнительный красный флаг. - On-chain метрики. Концентрация холдеров: топ-10 адресов держат >60% supply при капитализации <$1M — риск. Liquidity lock проверяется через Unicrypt или Team.Finance. Возраст контракта и число транзакций: контракт старше трёх дней с >500 транзакциями менее рискован.
- Социальные сигналы. Telegram с накруткой, Twitter без органики, несоответствие холдеров и активности. Слабый сигнал, но в комбинации повышает точность.
Сравнение методов классификации
| Метод | Точность | Скорость обучения | Сложность деплоя |
|---|---|---|---|
| XGBoost | 91% precision, 88% recall | Средняя | Низкая |
| GNN на графе транзакций | 94% precision, 92% recall | Высокая (нужны GPU) | Средняя |
XGBoost — градиентный бустинг для табличных данных. Он хорошо работает с табличными признаками и легко дообучается. GNN эффективнее для сложных схем (wash trading, pump-and-dump), но дороже во внедрении. Для большинства проектов рекомендуем XGBoost, а GNN используем как дополнительный слой для крупных платформ.
Какие индикаторы указывают на скам-токен?
Мы выделяем 3 категории индикаторов: байткодовые (honeypot, mint backdoor), ончейновые (высокая концентрация холдеров, незамороженная ликвидность) и социальные (бот-активность, fake аудит). Комбинация этих сигналов позволяет достичь точности 91% и снизить количество пропущенных скамов на 60% по сравнению с базовым подходом. Для дополнительного анализа можно интегрировать сервис GoPlus Security — он предоставляет API для скрининга токенов, но в нашем решении мы используем собственную обученную модель, что даёт больше гибкости.
Архитектура серверного пайплайна
Адрес контракта → Bytecode via eth_getCode (RPC) → Disassembly (evm-disasm / whatsabi) → Feature extraction (function selectors, transfer patterns, owner checks) → On-chain metrics (holders, liquidity lock, age) via Etherscan/Dexscreener API → ML classifier (XGBoost) → risk_score [0.0 – 1.0] → Risk label: LOW / MEDIUM / HIGH / CRITICAL Мобильный клиент: интеграция без блокирующего UX
Пользователь вводит адрес токена или сканирует QR — приложение предупреждает до нажатия «Подтвердить». Наш опыт подсказывает: CRITICAL и HIGH показываем с конкретными причинами ("Функция sell заблокирована", "Ликвидность не заморожена"), а не абстрактным "Скам". Антипаттерн — блокирующий диалог на каждый токен: эффект плачущего волка снижает доверие. Вместо этого для LOW и MEDIUM используем неблокирующие предупреждения.
Пример интеграции на Android
// Android: Coroutines + Retrofit viewModelScope.launch { val result = tokenRiskRepository.analyze(contractAddress) when (result.riskLabel) { RiskLabel.CRITICAL -> showBlockingWarning(result) RiskLabel.HIGH -> showWarningDialog(result) RiskLabel.MEDIUM -> showInlineWarning(result) RiskLabel.LOW -> proceed() } } Критический риск: блокировка транзакции
Если модель оценивает риск как CRITICAL, приложение блокирует транзакцию и показывает детали: уязвимость, ссылка на контракт в эксплорере. Пользователь может проигнорировать предупреждение только после подтверждения в настройках. Это защита от случайных потерь. На практике такой подход сокращает количество успешных атак на 90%.
Кэширование и offline-режим
Risk score кэшируем на 15 минут на клиенте и 1 час на сервере — контракт не меняется так быстро. Cache key = contractAddress + chainId. В офлайн-режиме показываем последний кэшированный score с timestamp. Если кэша нет — предупреждаем о недоступности проверки.
На iOS используем URLCache с diskCapacity: 50 * 1024 * 1024, на Android — OkHttp CacheInterceptor. Это снижает API-запросы и latency при повторном анализе.
Поддержка нескольких сетей
| Сеть | Тип | Статус |
|---|---|---|
| Ethereum | EVM | Поддерживается |
| BSC | EVM | Поддерживается |
| Polygon | EVM | Поддерживается |
| Solana | SPL | В разработке |
| TON | Tact/FunC | Требуется отдельная архитектура |
EVM-сети обрабатываются одним анализатором bytecode. Для Solana нужен отдельный парсер SPL-токенов через @solana/web3.js / Helius API. Рекомендуем начинать с 2-3 популярных сетей и поэтапно расширять.
Этапы внедрения детектора
- Аналитика: определяем поддерживаемые сети, собираем датасет скам-токенов (минимум 50 000 примеров).
- Проектирование: feature engineering, выбор модели, архитектура API.
- Реализация: обучение классификатора, серверный деплой, мобильная интеграция (iOS/Android).
- Тестирование: A/B-тест с реальными пользователями, мониторинг precision/recall.
- Деплой и поддержка: развертывание в production, дообучение на новых скамах, документация.
Что входит в работу
- Анализ и проектирование системы: выбор сетей, сбор датасета (минимум 50 000 скам-токенов)
- Feature engineering и обучение классификатора (XGBoost, донастройка на вашем датасете)
- Серверная реализация API на FastAPI/Python, деплой в облако
- Мобильная интеграция под iOS (Swift/SwiftUI) и Android (Kotlin/Jetpack Compose) с UI предупреждениями
- A/B-тестирование с реальными пользователями, мониторинг precision/recall
- Документация по API, UI и дообучению модели
- Гарантия точности не ниже 85% precision на вашем датасете
- Поддержка после запуска: консультации, дообучение модели на новых скамах
Свяжитесь с нами для оценки вашего проекта — сроки рассчитываются индивидуально. Оцените внедрение детектора — свяжитесь с нами для расчёта сроков и стоимости. Получите консультацию по внедрению детектора.