本研究旨在揭示诸如流通交易等常见的欺诈行为，以帮助监管者缩小市场中坏演员的搜索范围并为投资者提供保护。使用市场数据，我们设计了从网络、货币和时间角度出发的定量特征，将其提供给 K-means 聚类无监督学习算法，并讨论了聚类结果的重要性和监管措施如何减少不良行为。

May, 2023

区块链中的仲裁机器人和优先燃气拍卖所带来的威胁及其对 Etheruem 的影响。

Apr, 2019

本文深入分析了互联网社区组织的 “炒作 - 倒卖” 诈骗机制，并进一步报告了两个相关的案例研究。最后，我们介绍一种实时检测诈骗的方法，以帮助投资者避免受害。

May, 2020

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

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

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

本文分析了以太坊的账户模型的隐私问题，并使用类标识符将用户进行了匿名剖析，以此评估了 Tornado Cash 混币的隐私保障，并描述了一种可用于在以太坊上的机密交易层上的恶意价值指纹攻击。

May, 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

本文旨在通过数据驱动的方法，利用美国证券交易委员会公开的内幕交易信息，构建关系网络以识别潜在异常，结果表明此方法能够发现内幕交易中的有趣模式，从而有望发现非法内幕交易。

Feb, 2017

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