論文の概要: Chaos Engineering of Ethereum Blockchain Clients
- arxiv url: http://arxiv.org/abs/2111.00221v2
- Date: Sun, 18 Jun 2023 00:43:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 15:48:43.459476
- Title: Chaos Engineering of Ethereum Blockchain Clients
- Title(参考訳): Ethereumブロックチェーンクライアントのカオスエンジニアリング
- Authors: Long Zhang, Javier Ron, Benoit Baudry, and Martin Monperrus
- Abstract要約: ブロックチェーンクライアントのレジリエンス評価のためのカオスエンジニアリングアプローチであるChaosETHを提案する。
この結果から,直接クラッシュから完全なレジリエンスに至るまで,クライアントのシステムコールの呼び出しエラーに対するレジリエンス特性が幅広いことが明らかとなった。
- 参考スコア(独自算出の注目度): 13.131269677617286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present ChaosETH, a chaos engineering approach for
resilience assessment of Ethereum blockchain clients. ChaosETH operates in the
following manner: First, it monitors Ethereum clients to determine their normal
behavior. Then, it injects system call invocation errors into one single
Ethereum client at a time, and observes the behavior resulting from
perturbation. Finally, ChaosETH compares the behavior recorded before, during,
and after perturbation to assess the impact of the injected system call
invocation errors. The experiments are performed on the two most popular
Ethereum client implementations: GoEthereum and Nethermind. We assess the
impact of 22 different system call errors on those Ethereum clients with
respect to 15 application-level metrics. Our results reveal a broad spectrum of
resilience characteristics of Ethereum clients w.r.t. system call invocation
errors, ranging from direct crashes to full resilience. The experiments clearly
demonstrate the feasibility of applying chaos engineering principles to
blockchain systems.
- Abstract(参考訳): 本稿では,Ethereumブロックチェーンクライアントのレジリエンス評価のためのカオスエンジニアリングアプローチであるChaosETHを提案する。
ChaosETHは以下の方法で動作する。 まず、Ethereumクライアントを監視して、通常の動作を決定する。
その後、システム呼び出しのエラーをひとつのethereumクライアントに一度に注入し、摂動による動作を監視する。
最後に、ChaosETHは、インジェクションされたシステム呼び出しの呼び出しエラーの影響を評価するために、摂動前後に記録された振る舞いを比較する。
実験は、最も人気のあるethereumクライアント実装であるgoethereumとnethermindで実施された。
15のアプリケーションレベルのメトリクスに対して、22の異なるシステムコールエラーがEthereumクライアントに与える影響を評価します。
システムコールの呼び出しエラーは,直接クラッシュから完全なレジリエンスに至るまで,Ethereumクライアントの幅広いレジリエンス特性を明らかにした。
この実験は、ブロックチェーンシステムにカオスエンジニアリング原則を適用する可能性を明確に示している。
関連論文リスト
- Self-Replicating and Self-Employed Smart Contract on Ethereum Blockchain [0.0]
自己複製型・自己雇用型エージェントを開発した。
ある量のエーテルが蓄積されると、エージェントは自分自身を複製し、子孫を残します。
このプロジェクトの目的は、人間のためのツールとしてではなく、自分自身のために生きる人工エージェントを実装することだ。
論文 参考訳(メタデータ) (2024-05-07T06:17:06Z) - Generative AI-enabled Blockchain Networks: Fundamentals, Applications,
and Case Study [73.87110604150315]
Generative Artificial Intelligence(GAI)は、ブロックチェーン技術の課題に対処するための有望なソリューションとして登場した。
本稿では、まずGAI技術を紹介し、そのアプリケーションの概要を説明し、GAIをブロックチェーンに統合するための既存のソリューションについて議論する。
論文 参考訳(メタデータ) (2024-01-28T10:46:17Z) - FRAD: Front-Running Attacks Detection on Ethereum using Ternary
Classification Model [3.929929061618338]
独自のセキュリティ脅威であるフロントランニング攻撃は、ブロックチェーントランザクションの整合性に重大な課題を生じさせる。
これらの攻撃シナリオでは、悪意のあるアクターが他のユーザのトランザクションアクティビティを監視し、より高い手数料で自身のトランザクションを戦略的に送信する。
第三次分類モデルを用いたFRAD(Front-Running Attacks Detection)という新しい検出手法を提案する。
実験により,Multilayer Perceptron (MLP)分類器は前走攻撃の検出において最高の性能を示し,精度84.59%,F1スコア84.60%を達成した。
論文 参考訳(メタデータ) (2023-11-24T14:42:29Z) - G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks
through Attributed Client Graph Clustering [116.4277292854053]
Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。
FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。
本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
論文 参考訳(メタデータ) (2023-06-08T07:15:04Z) - Blockchain Large Language Models [65.7726590159576]
本稿では,異常なブロックチェーントランザクションを検出するための動的,リアルタイムなアプローチを提案する。
提案するツールであるBlockGPTは、ブロックチェーンアクティビティのトレース表現を生成し、大規模な言語モデルをスクラッチからトレーニングして、リアルタイム侵入検出システムとして機能させる。
論文 参考訳(メタデータ) (2023-04-25T11:56:18Z) - BERT4ETH: A Pre-trained Transformer for Ethereum Fraud Detection [29.518411879700263]
BERT4ETHは、様々な不正行為を検出するための事前訓練されたTransformerアカウント表現抽出器である。
BERT4ETHはトランザクション固有の動的シーケンシャルパターンをキャプチャするTransformerの優れたモデリング機能を備えている。
実験により,BERT4ETHは,フィッシングアカウントの検出や匿名化タスクにおいて,最先端の手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2023-03-29T20:30:52Z) - Highly Available Blockchain Nodes With N-Version Design [13.131269677617286]
本稿では,N-versionブロックチェーンノードの概念を紹介する。
N-versionノードは、同じブロックチェーンプロトコルの異なる実装の同時実行に依存している。
我々は,N-ETHが不安定な実行環境の影響を緩和し,環境欠陥下での可用性を著しく向上できることを示す。
論文 参考訳(メタデータ) (2023-03-25T11:16:17Z) - Token Spammers, Rug Pulls, and SniperBots: An Analysis of the Ecosystem
of Tokens in Ethereum and the Binance Smart Chain (BNB) [63.36515347329037]
トークンと流動性のプールのエコシステムを調査し、両方のブロックチェーン間の類似点と相違点を強調します。
トークンの寿命を見積もると、約60%のトークンが1日以内でアクティブであることが分かりました。
我々は、出口詐欺の詐欺を提示し、両方のブロックチェーン上でその頻度を定量化する。
論文 参考訳(メタデータ) (2022-06-16T14:20:19Z) - A Simple Hash-Based Early Exiting Approach For Language Understanding
and Generation [77.85086491395981]
早期終了は、難易度の推定に応じて異なるレイヤでインスタンスを終了させることを可能にする。
我々はハッシュベースの早期退避アプローチ(HashEE)を提案し,各トークンを固定された退避層に割り当てるために,学習から退避するモジュールをハッシュ関数に置き換える。
分類,回帰,生成タスクに関する実験結果から,HashEEはFLOPを少なくして高い性能を達成できることが示された。
論文 参考訳(メタデータ) (2022-03-03T12:02:05Z) - ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep
Neural Network and Transfer Learning [80.85273827468063]
既存の機械学習ベースの脆弱性検出方法は制限され、スマートコントラクトが脆弱かどうかのみ検査される。
スマートコントラクトのための初のDeep Neural Network(DNN)ベースの脆弱性検出フレームワークであるESCORTを提案する。
ESCORTは6種類の脆弱性に対して平均95%のF1スコアを達成し,検出時間は契約あたり0.02秒であることを示す。
論文 参考訳(メタデータ) (2021-03-23T15:04:44Z) - Blockchain is Watching You: Profiling and Deanonymizing Ethereum Users [0.0]
擬似識別子に基づくユーザプロファイリング手法を提案し,実装する。
機密トランザクションオーバレイに適用可能な,Danaan-gift攻撃の変種である悪意のあるバリューフィンガープリント攻撃について述べる。
論文 参考訳(メタデータ) (2020-05-28T14:33:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。