Bowen Cai、Nanzi Yang、Weiheng Baiら6名の研究チームは2026年9月11日(現地時間)、「Mind the Gap: Detecting Description-Execution Mismatch Attacks in DAO Governance」と題する論文をarXiv cs.CRで公開しました。この論文は、分散型自律組織（DAO）のガバナンスにおける「説明と実行の不一致（DEMI）」攻撃を検出するための体系的なフレームワークを提示しており、悪意ある提案が巧妙に隠蔽される問題に対処するものです。
DAOにおけるプロトコル変更のプロセスは、提案者が自然言語で説明された提案を提出し、メンバーがこれに基づいて投票、承認されればその背後にあるコードが実行されるという流れで進行します。このプロセスには、提案の説明と実際のコード実行が矛盾する詐欺的な提案に対する本質的な脆弱性が存在すると指摘されています。悪意のある提案者は、一見無害に見える説明で投票を通過させつつ、実行されるコードで資金を移動させたり、プロトコルの制御を奪ったりする可能性があります。論文では、これをDescription-Execution Mismatch (DEMI)攻撃と定義しています。
論文は、実際のDAOガバナンスにおけるDEMI検出のための初の体系的なフレームワークを提示しています。まず、DAOの多様性が統一されたスケーラブルな分析を困難にする課題に対し、DAOに依存しないシミュレーションフレームワークを導入しています。このフレームワークでは、履歴上のオンチェーントランザクションからDAOごとのガバナンスプロファイルを構築し、各新規提案をガバナンスのライフサイクル全体を通じて実行することで、その振る舞いを取得します。
次に、自由形式の説明と構造化された実行トレースの比較が難しいという課題に対しては、「証拠マッピング」パラダイムで対処しています。これは、大規模言語モデル（LLM）が全体的な判断を下すのではなく、アクションごとの明示的なテキストによる正当性を特定することを求めるものです。これにより、直接的なクエリと比較して精度と再現率が大幅に向上すると述べています。
実際のEthereum DAOガバナンスにおける大規模なデータセットを用いた評価では、シミュレーションがアクティブなDAOの92.7%および実行された提案の89.3%で実行結果を導き出し、既存のプラットフォームを大きく上回る性能を示しました。検出器は、層別交差検定の下で平均精度81.7%、平均再現率98.3%を達成し、証拠マッピングが特定のモデルに依存せず、LLMベンダー間で汎用性があることを実証しています。体系的なレッドチーム・ブルーチーム評価では、Robustness Guardが悪意のある敵対者が検出器の存在を認識している場合でも、適応型攻撃のほとんどを防御し、その堅牢性が未検証の提案にも適用可能であることが実証されたとしています。
参考: arXiv cs.CR — 2026年9月15日 13:00 (JST)
原文ハイライト"Mind the Gap: Detecting Description-Execution Mismatch Attacks in DAO Governance"