利用机器学习在以太坊平台上检测金融机器人，建立了金融机器人分类，并提供关于当前机器人情况的额外见解。

Mar, 2024

本研究利用 NLP 方法全面分析推特话题中矿工可提取价值 (MEV) 的各类主题，结果显示推文讨论了包括安全、平等、情感情绪和 MEV 的解决方案在内的深刻伦理问题，同时还发现了 MEV 活动在区块链和社交媒体平台上的协同运动。

Dec, 2022

通过一项在线实验研究了区块链交易市场中交易者对同侪影响的敏感度以及设计选择对市场行为的影响。结果表明交易者的购买行为会导致购买行为的短期活跃，而交易所的设计会对此产生积极的社会和经济影响。

Jan, 2018

该研究针对以太坊上的前置交易攻击问题，提出了一种名为 FRAD 的新型检测方法，用于准确分类涉及交易位移、插入和压制的前置交易攻击，并通过实验证明，多层感知器（MLP）分类器在检测前置交易攻击方面达到了 84.59% 的准确率和 84.60% 的 F1 分数。

Nov, 2023

本文提出了一种从不同的链中提取特征的有效方法，并运用 XGBoost 和神经网络等机器学习方法用于识别欺诈账户，明确指出引入 DeFi 相关特征后，结果显著提高。

May, 2023

通过开发一般且实用的框架，我们解决了多个区块链资源的动态费用机制的最优设计问题。我们的框架允许计算出能在调整资源价格以处理持续需求变化和在观察到的区块需求中具有本地噪声鲁棒性之间进行最优权衡的策略。在存在多个资源的一般情况下，我们的最优策略可以正确处理资源需求中的交叉效应（互补性和替代性）。我们还展示了如何利用这些交叉效应来指导资源设计，即将资源组合成低需求交叉效应的捆绑资源可以获得更简单和更高效的价格更新规则。我们的框架还具有实用性，我们通过两个案例研究展示了如何使用它来完善或指导启发式费用更新规则（如 EIP-1559 或 EIP-4844）。然后，我们使用以太坊区块链的实际市场数据估计了我们模型的一维版本，并实证比较了我们的最优策略与 EIP-1559 的性能。

Sep, 2023

介绍了以太坊的新一代区块链技术及其去中心化应用（DApps）的概念，分析了 DApps 系统中存在的安全漏洞、攻击和防御的能力，提出了未来的研究方向。

Aug, 2019

本文研究了加密货币在社交媒体平台上的欺诈行为，发现大量 Twitter 账户是机器人或被停止使用的账户，同时通过 Telegram 和 Discord 的信息进行主题建模，发现了 “Pump-and-dump” 和 “庞氏骗局” 两种不同的欺诈方案。鉴于 Telegram 中有超过 20％的频道与这些骗局有关，该研究揭示了一个鲜为人知的社交机器人活动，为打击加密货币网络操纵制定了可操作的政策。

Jan, 2020

本研究提出一种基于深度强化学习的解决方案来自适应性地调整价格范围，以实现最大化利润和减轻市场风险，并通过在集中式期货交易所中对流动性头寸进行再平衡来中和价格变动风险。该方法在 ETH/USDC 和 ETH/USDT 池中与现有基准相比表现出卓越的性能，为投资者提供了有价值的资产管理工具，并引入了一种新的 DEX 设计激励机制。

Sep, 2023

本文研究了以太坊区块链上两个著名的限价订单簿交易所（IDEX 和 EtherDelta）上的股票洗盘现象，发现超过 30% 的所有交易的代币都受到了股票洗盘的影响，并发现有些代币几乎完全是由洗盘交易构成，暗示着需要在分布式系统中采取反制措施。

Feb, 2021