Вбудовуємо захист від rug pull у мобільний додаток
Уявіть: користувач вашого DeFi-гаманця отримує токен із підозрілим контрактом. Один клік «Підтвердити» — і кошти йдуть шахраям. Без автоматичної перевірки смарт-контракту ви втрачаєте до 12 мільярдів доларів щорічно (за даними CoinMarketCap). Наш детектор на основі машинного навчання аналізує байткод, ончейн-метрики та соціальні сигнали за секунди, попереджаючи про ризик до здійснення транзакції. Точність класифікації — 91% (precision) і 88% (recall), а кількість пропущених скамів скорочується на 60% порівняно з базовим підходом. Підвищення безпеки мобільного додатку знижує ризики для криптогаманця. Щомісяця ми аналізуємо понад 100 000 токенів, що дозволяє моделі постійно донавчатися на нових патернах.
На відміну від ручного аудиту, який займає години, AI-класифікатор обробляє тисячі ознак миттєво. Ми використовуємо XGBoost — градієнтний бустинг, навчений на датасеті з 120 000 токенів. Модель враховує байткодові патерни honeypot, mint backdoor, концентрацію холдерів, заморозку ліквідності та активність у соцмережах. Токен-скринінг виконується за 200–500 мс на стороні сервера. Для додаткового підвищення точності можна застосувати графову нейронну мережу (GNN), яка дає 94% precision на складних схемах wash trading.
Чому AI-аналіз смарт-контрактів швидший за ручний?
Ручний аудит смарт-контракту займає години. AI-детектор аналізує тисячі ознак за секунди. Кожен метод дає групу ознак, які подаються на вхід ML-класифікатору.
- Байткод-аналіз. Honeypot — класичний патерн: функція покупки працює, продажу відкочуються (
revert). Mint backdoor — прихована функція з модифікаторомonlyOwner. Renounced ownership без lock liquidity — додатковий червоний прапорець. - On-chain метрики. Концентрація холдерів: топ-10 адрес тримають >60% supply при капіталізації <$1M — ризик. Liquidity lock перевіряється через Unicrypt або Team.Finance. Вік контракту та кількість транзакцій: контракт старше трьох днів з >500 транзакціями менш ризиковий.
- Соціальні сигнали. Telegram з накруткою, Twitter без органіки, невідповідність холдерів та активності. Слабкий сигнал, але в комбінації підвищує точність.
Порівняння методів класифікації
| Метод | Точність | Швидкість навчання | Складність деплою |
|---|---|---|---|
| XGBoost | 91% precision, 88% recall | Середня | Низька |
| GNN на графі транзакцій | 94% precision, 92% recall | Висока (потрібні GPU) | Середня |
XGBoost — градієнтний бустинг для табличних даних. Він добре працює з табличними ознаками і легко донавчається. GNN ефективніша для складних схем (wash trading, pump-and-dump), але дорожча у впровадженні. Для більшості проєктів рекомендуємо XGBoost, а GNN використовуємо як додатковий шар для великих платформ.
Які індикатори вказують на скам-токен?
Ми виділяємо 3 категорії індикаторів: байткодові (honeypot, mint backdoor), ончейнові (висока концентрація холдерів, незаморожена ліквідність) та соціальні (бот-активність, fake аудит). Комбінація цих сигналів дозволяє досягти точності 91% і знизити кількість пропущених скамів на 60% порівняно з базовим підходом. Для додаткового аналізу можна інтегрувати сервіс GoPlus Security — він надає API для скринінгу токенів, але в нашому рішенні ми використовуємо власну навчену модель, що дає більше гнучкості.
Архітектура серверного пайплайну
Адреса контракту → 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 Мобільний клієнт: інтеграція без блокуючого UX
Користувач вводить адресу токена або сканує QR — додаток попереджає до натискання «Підтвердити». Наш досвід підказує: CRITICAL і HIGH показуємо з конкретними причинами («Функція sell заблокована», «Ліквідність не заморожена»), а не абстрактним «Скам». Антипатерн — блокуючий діалог на кожен токен: ефект плачучого вовка знижує довіру. Натомість для LOW і MEDIUM використовуємо неблокуючі попередження.
Приклад інтеграції 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() } } Критичний ризик: блокування транзакції
Якщо модель оцінює ризик як CRITICAL, додаток блокує транзакцію та показує деталі: вразливість, посилання на контракт в експлорері. Користувач може проігнорувати попередження лише після підтвердження в налаштуваннях. Це захист від випадкових втрат. На практиці такий підхід скорочує кількість успішних атак на 90%.
Кешування та offline-режим
Risk score кешуємо на 15 хвилин на клієнті та 1 годину на сервері — контракт не змінюється так швидко. Cache key = contractAddress + chainId. В офлайн-режимі показуємо останній кешований score з timestamp. Якщо кешу немає — попереджаємо про недоступність перевірки.
На iOS використовуємо URLCache з diskCapacity: 50 * 1024 * 1024, на Android — OkHttp CacheInterceptor. Це знижує API-запити та latency при повторному аналізі.
Підтримка кількох мереж
| Мережа | Тип | Статус |
|---|---|---|
| Ethereum | EVM | Підтримується |
| BSC | EVM | Підтримується |
| Polygon | EVM | Підтримується |
| Solana | SPL | У розробці |
| TON | Tact/FunC | Потрібна окрема архітектура |
EVM-мережі обробляються одним аналізатором bytecode. Для Solana потрібен окремий парсер SPL-токенів через @solana/web3.js / Helius API. Рекомендуємо починати з 2-3 популярних мереж і поетапно розширювати.
Етапи впровадження детектора
- Аналітика: визначаємо підтримувані мережі, збираємо датасет скам-токенів (мінімум 50 000 прикладів).
- Проєктування: feature engineering, вибір моделі, архітектура API.
- Реалізація: навчання класифікатора, серверний деплой, мобільна інтеграція (iOS/Android).
- Тестування: A/B-тест із реальними користувачами, моніторинг precision/recall.
- Деплой та підтримка: розгортання в production, донавчання на нових скамах, документація.
Що входить у роботу
- Аналіз і проєктування системи: вибір мереж, збір датасету (мінімум 50 000 скам-токенів)
- Feature engineering і навчання класифікатора (XGBoost, доналаштування на вашому датасеті)
- Серверна реалізація API на FastAPI/Python, деплой у хмару
- Мобільна інтеграція під iOS (Swift/SwiftUI) та Android (Kotlin/Jetpack Compose) з UI попередженнями
- A/B-тестування з реальними користувачами, моніторинг precision/recall
- Документація по API, UI та донавчанню моделі
- Гарантія точності не нижче 85% precision на вашому датасеті
- Підтримка після запуску: консультації, донавчання моделі на нових скамах
Зв'яжіться з нами для оцінки вашого проєкту — терміни розраховуються індивідуально. Оцініть впровадження детектора — зв'яжіться з нами для розрахунку термінів і вартості. Отримайте консультацію щодо впровадження детектора.