[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-126444-es":3,"doc-seo-126444-110":31,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},126444,8796095027276,"Valentina","https://avatar.qwps.com/avatar/d3BzX2FwX3Rlc3RfMjUxMTI2XzAxODA=",41,"Investigación e Informes","Predicción de Contratos Inteligentes Maliciosos en Blockchains EVM mediante Análisis de Opcodes y Machine Learning - Tesis de Maestría","La tecnología blockchain mejora la seguridad y transparencia de las transacciones, pero también ha impulsado la proliferación de contratos inteligentes maliciosos en redes basadas en Ethereum Virtual Machine (EVM). La ausencia de verificación del código fuente en muchos contratos limita la detección temprana de comportamientos fraudulentos, dejando expuestos principalmente opcodes o bytecodes. Esta tesis propone predecir la maliciosidad mediante Machine Learning a partir del análisis de opcodes, transformados a vectores numéricos con TF-IDF, entrenando modelos para datos desbalanceados y evaluando con Precision, Recall y F1-score.","Escuela de Negocios  \nTipo de documento: Tesis de maestría  \nMaster in Management + Analytics  \nPredicción de Contratos Inteligentes Maliciosos en Blockchains EVM mediante Análisis de Opcodes y Machine Learning Autoría: Landaburu, Rodrigo  \nAño: 2025  \n¿Cómo citar este trabajo?  \nLandaburu, R. (2025)“Predicción de Contratos Inteligentes Maliciosos en Blockchains EVM mediante Análisis de Opcodes y Machine Learning”. [Tesis de maestría. Universidad Torcuato Di Tella] . Repositorio Digital Universidad Torcuato Di Tella [https://repositorio.utdt.edu/handle/20.500.13098/13739](https://repositorio.utdt.edu/handle/20.500.13098/13739)  \nEl presente documento se encuentra alojado en el Repositorio Digital de la Universidad Torcuato Di Tella bajo una licencia Creative Commons Atribución-No Comercial-Compartir Igual 4.0 Internacional Dirección: [https://repositorio.utdt.edu](https://repositorio.utdt.edu)  \nBiblioteca Di Tella  \nMASTER IN MANAGEMENT + ANALYTICS  \nPredicción de Contratos Inteligentes Maliciosos en Blockchains EVM mediante  \nAnálisis de Opcodes y Machine Learning  \nAutor: Rodrigo Landaburu  \nTutor: Carlos Salort Junio 2025  \nPredicción de Contratos Inteligentes Maliciosos en Blockchains  \nEVM mediante Análisis de  \nOpcodes y Machine Learning  \nTesis de Maestría en Gestión y Análisis de datos  \nRodrigo Landaburu  \nResumen  \nLa 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 surgimientode 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 deteccióntemprana de comportamientos fraudulentos.  \nEsta 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 contratosinteligentes 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.  \nEl proceso metodológico incluye la transformación de opcodes en vectores numéricos mediante técnicas como TF-IDF, la selección y configuración demodelos 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.  \nFinalmente, 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.  \nMalicious Smart Contracts prediction in EVM Blockchains through Opcode Analysis and Machine Learning  \nMaster's Thesis in Management and Data Analytics  \nRodrigo Landaburu  \nAbstract  \nBlockchain technology has significantly transformed the way information is exchanged, offering secure and transparent transactions. However, this very perception of security has facilitated the proliferation of malicious smart contracts on networks based on the Ethereum Virtual Machine (EVM) . The lack of source code verification in many contracts exposes only their opcodes or bytecodes publicly, making it difficult to detect fraudulent behavior early.  \nThis thesis proposes a solution through the application of Machine Learning techniques to predict the maliciousness of smart contracts by analyzing their opcodes. Using a dataset composed of more than hundred thousands smart contracts labeled as malicious and non-malicious, predictive models are developed to classify contracts in real time be","cbCaie48ebTD696F","https://ap.wps.com/l/cbCaie48ebTD696F","pdf",4946423,2,1,111,"Spanish","es",110,"# Resumen\n# Introducción\n## Contexto y motivación\n## Problema de investigación\n## Objetivos generales y específicos\n# Marco Teórico\n## Blockchain y contratos inteligentes\n## Ethereum Virtual Machine (EVM)\n## Opcodes y bytecodes: definiciones y características\n## Contratos inteligentes maliciosos: riesgos y desafíos actuales\n# Datos\n## Descripción del dataset utilizado\n## Análisis exploratorio y descriptivo preliminar\n## Feature Engineering: TF-IDF\n# El Modelo\n## Explorando diferentes enfoques de clasificación\n## Cómo se abordó el desbalance de clases","[{\"question\":\"Por qué es difícil detectar contratos inteligentes maliciosos en redes EVM?\",\"answer\":\"Porque muchos contratos no cuentan con verificación del código fuente y solo se dispone públicamente de opcodes o bytecodes, lo que retrasa la detección de conductas fraudulentas.\"},{\"question\":\"Cómo se generan las características a partir de los opcodes?\",\"answer\":\"Los opcodes se transforman en vectores numéricos mediante técnicas como TF-IDF, permitiendo que los modelos aprendan patrones asociados a la maliciosidad.\"},{\"question\":\"Qué modelos y cómo se evalúa el desempeño de predicción?\",\"answer\":\"Se emplean modelos adecuados para datos desbalanceados, como Easy Ensemble Classifier y Balanced Random Forest Classifier, y se optimiza mediante validación cruzada evaluando métricas como Precision, Recall y F1-score.\"}]","Predicción de Contratos Inteligentes Maliciosos en Blockchains EVM mediante Análisis de Opcodes y Machine Learning - Tesis de Maestría | PDF",1785905093,171,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"malicious-smart-contracts-prediction-on-evm-blockchains-via-opcode-analysis-and-machine-learning-masters-thesis","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,48,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":20},"https://docshare.wps.com/es/document/","Document",{"item":49,"name":12,"@type":44,"position":50},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/es/document/malicious-smart-contracts-prediction-on-evm-blockchains-via-opcode-analysis-and-machine-learning-masters-thesis/126444/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-15","2026-08-05",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Por qué es difícil detectar contratos inteligentes maliciosos en redes EVM?","Question",{"text":76,"@type":77},"Porque muchos contratos no cuentan con verificación del código fuente y solo se dispone públicamente de opcodes o bytecodes, lo que retrasa la detección de conductas fraudulentas.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Cómo se generan las características a partir de los opcodes?",{"text":81,"@type":77},"Los opcodes se transforman en vectores numéricos mediante técnicas como TF-IDF, permitiendo que los modelos aprendan patrones asociados a la maliciosidad.",{"name":83,"@type":74,"acceptedAnswer":84},"Qué modelos y cómo se evalúa el desempeño de predicción?",{"text":85,"@type":77},"Se emplean modelos adecuados para datos desbalanceados, como Easy Ensemble Classifier y Balanced Random Forest Classifier, y se optimiza mediante validación cruzada evaluando métricas como Precision, Recall y F1-score.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},24,"Tecnología","technology"]