論文の概要: Deep Smart Contract Intent Detection
- arxiv url: http://arxiv.org/abs/2211.10724v1
- Date: Sat, 19 Nov 2022 15:40:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 22:56:15.454864
- Title: Deep Smart Contract Intent Detection
- Title(参考訳): 深部スマートコントラクトインテント検出
- Authors: Youwei Huang, Tao Zhang, Sen Fang, Youshuai Tan
- Abstract要約: 本稿では,スマートコントラクトの自動意図検出を行うための,新しいディープラーニングベースのアプローチであるSmartIntentNNを提案する。
SmartIntentNNは、スマートコントラクトの文脈表現を生成する事前訓練された文エンコーダ、インテント関連表現を強調するK平均クラスタリング方法、スマートコントラクトの意図を予測する双方向LSTMベースのマルチラベル分類ネットワークである。
実験によると、SmartIntentNNはf1スコアのメトリックですべてのベースラインを最大0.8212パフォーマンスで上回っている。
- 参考スコア(独自算出の注目度): 2.2313164168600372
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nowadays, security activities in smart contracts concentrate on vulnerability
detection. Despite early success, we find that developers' intent to write
smart contracts is a more noteworthy security concern because smart contracts
with malicious intent have caused significant users' financial loss.
Unfortunately, current approaches to identify the aforementioned malicious
smart contracts rely on smart contract security audits, which entail huge
manpower consumption and financial expenditure. To resolve this issue, we
propose a novel deep learning-based approach, SmartIntentNN, to conduct
automated smart contract intent detection. SmartIntentNN consists of three
primary parts: a pre-trained sentence encoder to generate the contextual
representations of smart contracts, a K-means clustering method to highlight
intent-related representations, and a bidirectional LSTM-based (long-short term
memory) multi-label classification network to predict the intents in smart
contracts. To evaluate the performance of SmartIntentNN, we collect more than
40,000 real smart contracts and perform a series of comparison experiments with
our selected baseline approaches. The experimental results demonstrate that
SmartIntentNN outperforms all baselines by up to 0.8212 in terms of the
f1-score metric.
- Abstract(参考訳): 現在、スマートコントラクトのセキュリティ活動は脆弱性検出に集中している。
初期の成功にもかかわらず、スマートコントラクトを書くという開発者の意図は、悪意のある意図を持つスマートコントラクトがユーザの経済的損失を著しく引き起こしているため、より注目すべきセキュリティ上の問題であることがわかった。
残念ながら、前述の悪意のあるスマートコントラクトを特定するための現在のアプローチはスマートコントラクトのセキュリティ監査に依存している。
この問題を解決するために,スマートコントラクトの自動検出を行うための,新しいディープラーニングベースのアプローチであるSmartIntentNNを提案する。
smartintentnnは、スマートコントラクトのコンテキスト表現を生成する事前学習された文エンコーダ、意図に関連する表現を強調するk平均クラスタリング方法、スマートコントラクトの意図を予測するための双方向lstmベース(long-short term memory)マルチラベル分類ネットワークである。
SmartIntentNNの性能を評価するために、我々は4万以上のリアルなスマートコントラクトを収集し、選択したベースラインアプローチとの比較実験を行った。
実験の結果、SmartIntentNNはf1スコアメートル法ですべてのベースラインを最大0.8212で上回っていることがわかった。
関連論文リスト
- Token-Level Adversarial Prompt Detection Based on Perplexity Measures
and Contextual Information [67.78183175605761]
大規模言語モデルは、敵の迅速な攻撃に影響を受けやすい。
この脆弱性は、LLMの堅牢性と信頼性に関する重要な懸念を浮き彫りにしている。
トークンレベルで敵のプロンプトを検出するための新しい手法を提案する。
論文 参考訳(メタデータ) (2023-11-20T03:17:21Z) - VulnSense: Efficient Vulnerability Detection in Ethereum Smart Contracts
by Multimodal Learning with Graph Neural Network and Language Model [0.0]
VulnSenseはスマートコントラクトの脆弱性を効率的に検出するための包括的なアプローチである。
我々のフレームワークは、ソースコード、オプコードシーケンス、制御フローグラフを含むスマートコントラクトの3種類の機能を組み合わせています。
我々は、変換器(BERT)、双方向長短期記憶(BiLSTM)、グラフニューラルネットワーク(GNN)モデルを用いて、これらの特徴を抽出し分析する。
実験の結果,脆弱なスマートコントラクトの3つのカテゴリで平均77.96%の精度を達成し,提案手法の優れた性能を示した。
論文 参考訳(メタデータ) (2023-09-15T15:26:44Z) - Formally Verifying a Real World Smart Contract [52.30656867727018]
われわれは、Solidityの最新バージョンで書かれた現実世界のスマートコントラクトを正式に検証できるツールを検索する。
本稿では,最近のSolidityで書かれた実世界のスマートコントラクトを正式に検証できるツールについて紹介する。
論文 参考訳(メタデータ) (2023-07-05T14:30:21Z) - HyMo: Vulnerability Detection in Smart Contracts using a Novel
Multi-Modal Hybrid Model [1.16095700765361]
既存の分析技術は、多数のスマートコントラクトのセキュリティ欠陥を特定することができるが、専門家によって確立された厳格な基準に依存しすぎている。
マルチモーダルなハイブリッドディープラーニングモデルとしてHyMoを提案する。
ハイブリッドHyMoモデルでは,優れたスマートコントラクト脆弱性検出性能が得られた。
論文 参考訳(メタデータ) (2023-04-25T19:16:21Z) - Semantic Information Marketing in The Metaverse: A Learning-Based
Contract Theory Framework [68.8725783112254]
仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。
帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。
本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
論文 参考訳(メタデータ) (2023-02-22T15:52:37Z) - An Automated Vulnerability Detection Framework for Smart Contracts [18.758795474791427]
ブロックチェーン上のスマートコントラクトの脆弱性を自動的に検出するフレームワークを提案する。
具体的には、まず、スマートコントラクトのバイトコードから新しい特徴ベクトル生成技術を利用する。
次に、収集したベクトルを新しいメトリック学習ベースディープニューラルネットワーク(DNN)に入力し、検出結果を得る。
論文 参考訳(メタデータ) (2023-01-20T23:16:04Z) - Robustness Certificates for Implicit Neural Networks: A Mixed Monotone
Contractive Approach [60.67748036747221]
暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。
入力逆流の摂動に関して、それらは不安定なままである。
本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
論文 参考訳(メタデータ) (2021-12-10T03:08:55Z) - Smart Contract Vulnerability Detection: From Pure Neural Network to
Interpretable Graph Feature and Expert Pattern Fusion [48.744359070088166]
従来のスマートコントラクトの脆弱性検出方法は、専門家の規則に大きく依存している。
最近のディープラーニングアプローチはこの問題を軽減するが、有用な専門家の知識をエンコードすることができない。
ソースコードから専門家パターンを抽出する自動ツールを開発する。
次に、深いグラフの特徴を抽出するために、コードをセマンティックグラフにキャストします。
論文 参考訳(メタデータ) (2021-06-17T07:12:13Z) - A Bytecode-based Approach for Smart Contract Classification [10.483992071557195]
ブロックチェーンプラットフォームにデプロイされるスマートコントラクトの数は指数関数的に増えているため、ユーザは手動のスクリーニングによって望ましいサービスを見つけることが難しくなっている。
スマートコントラクト分類に関する最近の研究は、契約ソースコードに基づく自然言語処理(NLP)ソリューションに焦点を当てている。
本稿では,これらの問題を解決するために,ソースコードの代わりにコントラクトバイトコードの特徴に基づく分類モデルを提案する。
論文 参考訳(メタデータ) (2021-05-31T03:00:29Z) - 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) - Multi-Class classification of vulnerabilities in Smart Contracts using
AWD-LSTM, with pre-trained encoder inspired from natural language processing [0.0]
OYENTEやMAIANといったシンボリックツールは、スマートコントラクトの脆弱性予測に一般的に使用される。
LSTM の変種である AWD-LSTM (AWD-LSTM) を用いて分類を行った。
重み付き平均Fbetaスコアは90.0%に達した。
論文 参考訳(メタデータ) (2020-03-21T20:48:09Z)
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。