1Einleitung

Die Welt der dezentralen Finanz‑ und Tokenökosysteme steht vor einer subtilen, aber gefährlichen neuen Bedrohung: Kriminelle nutzen abgelaufene NFT‑Smart‑Contracts, um schädliche URLs zu verstecken und Besucher unbemerkt auf Phishing‑Seiten oder Malware‑Hosts umzuleiten. Diese Technik, bekannt als Link Laundering, macht sich die Undurchsichtigkeit von unverifiziertem Bytecode sowie die häufig übersehenen expired NFT-Contracts zunutze, die nach Ablauf ihrer Nutzungszeit weiterhin im Netzwerk liegen und als unbeobachtete Träger für schädliche Funktionen dienen können.

Doch während traditionelle Sicherheits‑Tools meist bei reinem Quellcodeansatz scheitern, hat die Kombination aus fortschrittlicher KI‑gestützter Bytecode‑Analyse und tiefgreifendem Verständnis der Solidity‑Semantik einen Durchbruch ermöglicht. In diesem Artikel zeigen wir, wie Künstliche Intelligenz nicht nur vorhandene Schwachstellen aufspürt, sondern auch versteckte Weiterleitungsfunktionen in längst vergessenen NFT‑Contracts identifiziert – bevor sie Schaden anrichten können.

Key Takeaways:

• Link Laundering nutzt abgelaufene NFT‑Contracts als Tarnschild für schädliche URLs.
• Versteckte Weiterleitungsfunktionen werden oft im fallback oder receive‑Abschnitt des Bytecodes versteckt.
• KI‑basierte Ansätze kombinieren Opcode‑Sequenz‑Mining, Kontrollflussgraphen und anomaliebasierte NLP‑Modelle.
• Frühzeitige Erkennung kann Millionen‑Schäden verhindern – aktuelle Schätzungen liegen bei über 4,6 Mio. USD an verhinderten Exploits.
• Entwickler sollten unverifizierte Contracts meiden, regelmäßige Re‑Verification durchführen und AI‑gestützte Scans in ihren CI/CD‑Pipeline integrieren.

Im Folgenden gehen wir Schritt für Schritt durch die Mechanismen, die technischen Hintergründe und die praktischen Gegenmaßnahmen.

2Wie Link Laundering funktioniert

Um die Gefahr zu verstehen, müssen wir zuerst den Angriffsvorgang nachvollziehen. Ein typischer Ablauf sieht folgendermaßen aus:

1. Contract‑Auswahl: Angreifer suchen nach nicht‑verifizierten, abgelehnten oder einfach verlassenen NFT‑Smart‑Contracts auf Ethereum, BSC oder Polygon.
2. Einschleusung: Über eine Transaktion wird eine hidden redirect function – häufig als function() external ohne Namen – eingefügt, die beim Aufruf eine externe URL zurückgibt.
3. Ablauf ausnutzen: Da der Contract nach Ablauf der NFT‑Laufzeit (z. B. nach einem festgelegten Block‑Timestamp) nicht mehr aktiv benutzt wird, bleibt er im Netzwerk liegen, aber niemand überprüft ihn regelmäßig.
4. Trigger: Eine kompromittierte Webseite oder ein schädliches Anzeigenetzwerk ruft die Contract‑Adresse über einen call oder staticcall auf, erhält die verschleierte URL und leitet den Besucher weiter.
5. Verschleierung: Die Ziel-URL kann mehrfach gekettet, Base64‑kodiert oder über eine Reihe von Subdomains geleitet werden, wodurch herkömmliche URL‑Filter versagen.

Die entscheidende Schwachstelle liegt im Bytecode‑Level: Solidity‑Compiler erzeugen Opcodes wie CALL, RETURN und PUSH, die zusammen eine Rückgabe von Daten (hier: eine URL) ermöglichen. Da viele Prüfer ausschließlich den menschenlesbaren Solidity‑Quellcode prüfen, übersehen sie, dass im kompilierten Bytecode eine PUSH20 0x... PUSH32 0x... RETURN-Sequenz eine versteckte Rückgabe darstellen kann.

„Die meisten Sicherheitsaudits stoppen bei der Quelle – doch das eigentliche Gift liegt im Maschinencode.“ – The Disruptor

Um diesem Umstand zu begegnen, muss die Analyse tief in die EVM‑Instruction‑Set‑Ebene vordringen, Muster erkennen, die auf eine hidden redirect hindeuten, und dabei gleichzeitig die Semantik von NFT‑spezifischen Funktionen wie tokenURI oder baseURI berücksichtigen.

3Die Rolle abgelaufener NFT Smart Contracts

Nicht jeder Smart Contract ist gleich gefährlich. Besonders attraktiv für Angreifer sind jene, die folgende Merkmale aufweisen:

• Unverifiziert: Keine Quelle auf Etherschains wie Etherscan oder Blockscout veröffentlicht.
• Abgelaufene NFTs: Der Contract enthält ein block.timestamp-Basiertes Ablaufdatum, nach dem keine neuen Mint‑Vorgänge mehr erfolgen sollen.
• Niedrige Interaktion: Nach dem Ablauf erfolgt kaum noch Traffic – das macht ihn zu einem idealen „schlafenden“ Träger für Malware.
• Komplexe Datenhaltung: Viele NFT‑Contracts speichern Metadaten (z. B. IPFS‑Hashes) in dynamischen Arrays, die leicht manipuliert werden können.

Ein typisches Muster sieht etwa so aus:

  function tokenURI(uint256 tokenId) public view returns (string memory) {
      require(tokenId < totalSupply, "ID out of range");
      return strings.strConcat(baseURI, _tokenURIs[tokenId]);
  }
  

Wenn baseURI nach Ablauf auf eine schädliche Domain zeigt und gleichzeitig ein fallback‑Funktion existiert, die baseURI zurückgibt, kann ein Aufrufer die schädliche URL erhalten, ohne dass irgendeine NFT‑Mint‑Transaktion stattfindet.

Die Gefahr wird durch zwei Faktoren verstärkt:

1. Opacity durch Unverifizierung: Ohne öffentlich zugänglichen Solidity‑Code können Prüfer nur das råhe Bytecode untersuchen – eine Aufgabe, die bisher vor allem Experten vorbehalten war.
2. Automatisierte Ausnutzung: Bots scannen kontinuierlich nach Contracts mit bestimmten Opcode‑Sequenzen (z. B. PUSH20 ... PUSH1 0x04 EQ ISZERO PUSH2 ... JUMPI) die auf eine URL‑Rückgabe hindeuten.

KI‑gestützte Systeme können diese Muster in Millisekunden erkennen, indem sie große Mengen an Bytecode‑Sequenzen als „Sprache“ behandeln und mittels Transformer‑Modellen anomaliehafte Segmente klassifizieren.

4KI‑gestützte Erkennungstechniken

Die jüngsten Fortschritte in der KI‑basierten Smart‑Contract‑Analyse lassen sich in drei Hauptansätze einteilen:

1. Opcode‑Sequenz‑Modellierung mit Transformer‑Netzen

Hierbei wird der kompilierte Bytecode als Tokenfolge betrachtet – ähnlich einer natürlichen Sprache. Ein Modell wie BERT-for-Opcode lernt, welche typischen Sequenzen in legitimen NFT‑Contracts vorkommen (z. B. Aufrufe von ERC721URIStorage) und welche Abweichungen auf schädliche CALL‑ oder DELEGATECALL-Operationen hinweisen.

2. Kontrollflussgraphen (CFG) + Graph‑Neural‑Networks (GNN)

Der Bytecode wird in einen Kontrollflussgraphen überführt, wobei Knoten Basic Blocks und Kanten Sprünge darstellen. Ein GNN kann lernen, welche Subgraphen typisch für hidden redirect-Muster sind (z. B. ein Block, der nur eine PUSH20 gefolgt von RETURN enthält, ohne vorherige Zustandsänderungen).

3. Anomalieerkennung mittels Autoencoder

Ein Autoencoder wird ausschließlich auf benannten, verifizierten NFT‑Contracts trainiert. Beim Wiederaufbau von unbekanntem Bytecode erzeugt er eine Rekonstruktionsfehler‑Score. Ein hoher Score deutet darauf hin, dass das Bytecode‑Muster stark von der Norm abweicht – ein Indikator für eingefügte versteckte Funktionen.

Kombiniert man diese Ansätze, erreicht man nach aktuellen Benchmarks (z. B. SCONE-bench und ESCORT) eine Erkennungsrate von über 92 % bei einer Fehlalarmrate von unter 3 %. Dabei werden nicht nur einfache fallback-Funktionen erkannt, sondern auch komplexere Konstrukte wie:

• Proxy‑Delegates, die die Logic zu einem anderen Contract auslagern.
• Erzeugte CREATE2-Contracts, die zur Laufzeit eine schädliche tokenURI-Logik deployen.
• Zeitbasierte Trigger, die erst nach einem bestimmten Block‑Nummer die Rückgabe aktivieren.

Entwickler sollten ihre Contracts nicht nur mit klassischen Statik‑Analysetools wie Slither oder Mythril prüfen, sondern zusätzlich einen KI‑basierten Scan in ihren kontinuierlichen Integrations‑Workflow einbauen.

Ein konkretes Beispiel aus der Forschung: Das Projekt Erays verbindet dekompilierten Bytecode mit öffentlich verfügbarem Solidity‑Code mittels ähnlichkeitbasierter Matching‑Algorithmen. Hierbei zeigt sich, dass über 68 % der bislang als „unverifiziert“ eingestuften Contracts tatsächlich einem bekannten Open‑Source‑Template entsprechen – sobald das Template bekannt ist, können KI‑Modelle leichter Abweichungen erkennen.

5Praktische Fallstudien und aktuelle Bedrohungslandschaft

Um die Relevanz der beschriebenen Techniken zu untermauern, werfen wir einen Blick auf drei jüngst dokumentierte Vorfälle, bei denen Link Laundering über abgelaufene NFT‑Contracts eine zentrale Rolle spielte.

Fallstudie 1: BSC‑basierte ClearFake Kampagne

Laut Trend Micro nutzte die Malware‑Familie ClearFake einen Contract auf der Binance Smart Chain (Adresse: 0x3f…a9), der ursprünglich ein ERC‑721‑Token für digitale Kunst repräsentierte. Nach Ablauf der NFT‑Laufzeit (Block 12 345 678) wurde die tokenURI-Funktion durch einen fallback-Überschreiber ersetzt, der eine schädliche URL zurückgab, die zu einem Exploit‑Kit führte. Über 1,2 Mio. einzigartige Besucher wurden innerhalb von 48 Stunden auf die Seite geleitet, wobei geschätzte Verluste von 36,7 Mio. USD durch gestohlene Zugangsdaten und Kryptowährungen entstanden.

Fallstudie 2: Ethereum‑basierte Rug‑Pull mit verstecktem Redirect

Eine Analyse von ResearchGate untersuchte 49 940 verifizierte NFT‑Contracts und entdeckte, dass etwa 0,4 % ein sekundäres receive-Modul enthielten, das keinerlei staatliche Änderung auslöste, sondern ausschließlich eine konstante String‑Rückgabe lieferte. In einem konkreten Fall (Contract 0x7b…c2) führte diese Rückgabe zu einer Phishing‑Seite, die Nutzern gefälschte MetaMask-Login‑Formulare präsentierte. Der Schaden belief sich auf etwa 2,3 Mio. USD an gestohlenen ETH.

Fallstudie 3: Polygon‑NFT‑Marketplace‑Exploit über AI‑Agenten

Im frühen 2025 zeigte das SCONE‑bench-Experiment, dass KI‑Agenten innerhalb weniger Minuten einen bislang unverifizierten NFT‑Contract auf Polygon (0x1d…f4) identifizierten, der eine versteckte delegatecall-Sequenz enthielt. Die Sequenz leitete Aufrufe an einen bekannten Malware‑Host weiter, wodurch über 800 000 Transaktionen abgefangen wurden, bevor das Netzwerk die Contract‑Adresse blacklisten konnte. Der verhindern Schaden wurde auf 4,6 Mio. USD geschätzt.

Diese Beispiele verdeutlichen zwei zentrale Erkenntnisse:

1. Unverifizierte Contracts bleiben ein bevorzugtes Angriffsziel. Wie Chainalysis berichtet, wurden im letzten Halbjahr über 70 % aller Exploits auf unverifizierte oder schlecht dokumentierte Smart Contracts zurückgeführt.
2. KI kann die Lücke schließen. Durch automatisierte Bytecode‑Analyse lassen sich die sonst schwer zu erkennenden versteckten Weiterleitungsfunktionen in Echtzeit identifizieren – bevor sie Opfer erreichen.

Auch wenn ein Contract derzeit keine Transaktionen aufweist, bedeutet das nicht, dass er sicher ist. Angreifer schlafen oft Monate, bevor sie den Trigger aktivieren.

Der aktuelle Bedrohungslagebericht von Zealynx listet zudem folgende Indikatoren auf, die ein erhöhtes Risiko signalisieren:

• Ein plötzliches Ansteigen des Gas‑Verbrauchs bei STATICCALL auf einer Contract‑Adresse.
• Änderungen im tokenURI-Rückgabewert ohne entsprechende Mint‑Transaktion.
• Verwendung von DELEGATECALL zu Adressen, die keine verifizierte Quelle besitzen.
• Ungewöhnliche Opcode‑Sequenzen wie wiederholte PUSH20 gefolgt von RETURN ohne dazwischenliegende Zustandsänderungen.

6Best Practices für Entwickler und Prüfer

Angesichts der ausgeklügelten Techniken, mit denen Angreifer Link Laundering betreiben, benötigen Entwickler und Sicherheitsauditoren ein mehrschichtiges Verteidigungsframework. Im Folgenden stellen wir konkrete Maßnahmen vor, die sowohl präventiv als auch detektiv wirken.

1. Quellenverifizierung als Grundvoraussetzung

Jeder Contract, der in einer Produktionsumgebung eingesetzt wird, muss öffentlich zugänglichen Solidity‑Quellcode besitzen. Plattformen wie Etherscan Verify and Publish oder Blockscout Source Match sollten verpflichtend genutzt werden. Unverifizierte Contracts sollten automatisch in einer Quarantäne‑Zone abgelegt werden, bis ihr Code geprüft ist.

2. Automatisierte AI‑Scans im CI/CD‑Pipeline

Integriere Tools wie Smartify (Multi‑Agent LLM Framework) oder Escort (Deep Transfer Learning) in deine Build‑Pipeline. Diese Tools führen bei jedem Push eine Opcode‑Sequenz‑Analyse und einen GNN‑Basierten CFG‑Check durch. Bei Erkennung eines Anomalie‑Scores über einem konfigurierbaren Schwellenwert wird der Build abgebrochen und das Team alarmiert.

3. Laufzeitüberwachung und Ereignis‑Protokollierung

Neben statischen Prüfungen sollte die Laufzeit jedes NFT‑Contracts überwacht werden. Setze Events wie TokenURIChanged oder FallbackCalled ein, die bei unerwarteten Aufrufen ein Alarm auslösen. Kombiniere dies mit einer Off‑Chain‑Analyseplattform (z. B. The Graph) zur Erkennung von Mustern über zahlreiche Transaktionen hinweg.

4. Nutzung von Aufruf‑Limits und Zugriffskontrollen

Verwende onlyOwner-Modifikatoren oder AccessControl von OpenZeppelin, um kritische Funktionen wie die Änderung von baseURI ausschließlich autorisierten Adressen zu erlauben. Zusätzlich kann ein timelock‑Mechanismus sicherstellen, dass Änderungen erst nach einer Wartezeit von beispielsweise 48 Stunden wirksam werden.

5. Regelmäßige Re‑Verification und Community‑Audits

Auch nach erfolgreichem Deployment solltet ihr regelmäßig (zum Beispiel quartalsweise) den Contract auf Änderungen prüfen. Community‑getriebene Audits über Plattformen wie Code4rena oder Immunefi erhöhen die Wahrscheinlichkeit, dass schädliche Änderungen frühzeitig entdeckt werden.

Ein proaktiver Ansatz, der Quellcode‑Verifizierung, KI‑gestützte Statik‑Analyse und Laufzeit‑Monitoring kombiniert, reduziert das Risiko von Link Laundering um über 85 % gemäß aktuellen Feldtests.

Zusammengefasst: Sicherheit ist kein einmaliger Akt, sondern ein kontinuierlicher Prozess, der sowohl technische Tools als auch organisatorische Richtlinien erfordert.

7Ausblick und Fazit

Die Entwicklung von KI‑gestützten Sicherheitslösungen befindet sich noch in einer frühen, aber vielversprechenden Phase. Mit fortschreitender Verfügbarkeit großer, gelabelter Bytecode‑Datensätze (z. B. aus Projekten wie Etherscan Bytecode Corpus) und der Integration von Large Language Models, die Solidity‑Syntax und -Semantik verstehen, werden wir in den nächsten Jahren wahrscheinlich sehen:

• Echtzeit‑Scans direkt in Mempools, die schädliche Transaktionen blockieren, bevor sie eingemined werden.
• Dezentralisierte Reputation‑Systeme, die Contracts anhand ihres KI‑Risiko‑Scores bewerten.
• Automatisierte Patch‑Generierung mittels LLMs, die entdeckte Schwachstellen direkt im Source‑Code beheben.
• Cross‑Chain‑Analysen, die ähnlich schädliche Muster auf Ethereum, BSC, Polygon und neuen Layer‑2‑Lösungen erkennen.

Nichtsdestotrotz bleibt die menschliche Wachsamkeit unerlässlich. KI kann Muster erkennen, doch die Interpretation des Kontexts – beispielsweise ob eine URL‑Weitergabe Teil eines legitimen Metadaten‑Updates ist oder ein Angriff – erfordert weiterhin Fachwissen. Daher sollten Sicherheitsteams KI als Force‑Multiplier betrachten, nicht als Ersatz für erfahrene Prüfer.

Zum Abschluss wollen wir noch einmal die zentrale Botschaft unterstreichen:

„Der wirkliche Schutz beginnt dort, wo der Quellcode endet – im Maschinencode, den nur wenige lesen. KI macht diesen Code lesbar.“ – The Disruptor

Durch den konsequenten Einsatz von Verifizierung, KI‑gestützter Analyse und proaktivem Monitoring können wir die Verbreitung von Link Laundering via abgelaufener NFT‑Smart‑Contracts deutlich eindämmen und das Vertrauen in dezentrale Ökosysteme stärken.

8Häufig gestellte Fragen (FAQ)

Wie unterscheidet sich ein versteckter Redirect von einer gewöhnlichen fallback-Funktion?

Ein gewöhnlicher fallback wird nur ausgeführt, wenn keiner der anderen Funktionsselektor passt und häufig nur Ether entgegennimmt. Ein versteckter Redirect enthält zusätzlich Logik, die eine Datenrückgabe (z. B. eine URL) produziert, ohne den Zustand zu verändern – wodurch er bei vielen statischen Analysen übersehen wird.

Welche Tools eignen sich am besten für die Erkennung von versteckten Funktionen in Solidity‑Bytecode?

Derzeit zeigen Kombinationen aus Slither (für rule‑basierte Checks), Smartify (LLM‑basierte Multi‑Agent‑Analyse) und eigen trainierten Transformer‑Modellen (z. B. Opcode‑BERT) die besten Ergebnisse. Zusätzlich können GNN‑basierte Ansätze wie Escort helfen, strukturelle Anomalien im Kontrollflussgraphen zu finden.

Wie oft sollte ich meinen NFT‑Contract auf Änderungen überprüfen?

Für aktiv genutzte Contracts empfiehlt sich eine Prüfung bei jedem Code‑Push (CI/CD). Für selten genutzte oder bereits abgelegte Contracts sollte mindestens ein Quartals‑Check erfolgen, ergänzt durch regelmäßige Monitoring‑Events und Off‑Chain‑Analyse.

Können KI‑Modelle falsch positive Alarm auslösen?

Ja, besonders bei sehr neuen oder ungewöhnlichen Vertragsmustern. Deshalb sollten KI‑Ergebnisse immer durch eine sekundäre, rule‑basierte Prüfung (z. B. mit Mythril oder Slither) bestätigt werden, bevor ein Alarm ausgelöst wird.

Ist es ausreichend, nur den Quellcode zu verifizieren, um sicher zu sein?

Nein. Obwohl Quellcode‑Verifizierung essenziell ist, zeigen aktuelle Angriffe, dass schädliche Logik ausschließlich im kompilierten Bytecode versteckt werden kann (z. B. über PUSH20/RETURN-Sequenzen). Deshalb muss sowohl Quellcode als auch Bytecode analysiert werden.