Predicción de Contratos Inteligentes Maliciosos en Blockchains EVM mediante Análisis de Opcodes y Machine Learning

Abstract

La tecnología blockchain ha transformado significativamente la forma en que se intercambia información, ofreciendo transacciones seguras y transparentes. Sin embargo, esta misma percepción de seguridad ha facilitado el surgimiento de contratos inteligentes maliciosos en redes basadas en Ethereum Virtual Machine. La falta de verificación del código fuente en muchos contratos expone únicamente sus opcodes o bytecodes públicamente, dificultando la detección temprana de comportamientos fraudulentos. Esta tesis propone una solución mediante la aplicación de técnicas de Machine Learning para predecir la maliciosidad de contratos inteligentes analizando sus opcodes. Utilizando un dataset compuesto por más de cien mil contratos inteligentes etiquetados como maliciosos y no maliciosos, se desarrollan modelos predictivos que permiten clasificar contratos en tiempo real, antes de que los usuarios interactúen con ellos. El proceso metodológico incluye la transformación de opcodes en vectores numéricos mediante técnicas como TF-IDF, la selección y configuración de modelos específicos para datos desbalanceados (Easy Ensemble Classifier y Balanced Random Forest Classifier), y la optimización del desempeño mediante validación cruzada. Los resultados obtenidos se evalúan con métricas como Precision, Recall y F1-score, garantizando una alta confiabilidad en las predicciones. Finalmente, se propone una implementación práctica del modelo a través de una API, facilitando que plataformas blockchain, billeteras virtuales y exchanges puedan consultar rápidamente el riesgo asociado a un contrato inteligente, contribuyendo así a la seguridad del ecosistema blockchain.