論文の概要: SmartIntentNN: Towards Smart Contract Intent Detection

• arxiv url: http://arxiv.org/abs/2211.13670v3
• Date: Thu, 5 Sep 2024 16:12:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-07 07:20:22.458865
• Title: SmartIntentNN: Towards Smart Contract Intent Detection
• Title（参考訳）: SmartIntentNN: スマートコントラクトインテント検出を目指す
• Authors: Youwei Huang, Sen Fang, Jianwen Li, Bin Hu, Tao Zhang,
• Abstract要約: textscSmartIntentNN (Smart Contract Intent Neural Network)は、スマートコントラクトにおける開発者の意図の検出を自動化するように設計されている。 提案手法では,スマートコントラクトコードのコンテキスト表現にユニバーサル文を統合するとともに,K平均クラスタリングアルゴリズムを用いて,インテント関連コード特徴の強調を行う。
• 参考スコア（独自算出の注目度）: 5.9789082082171525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Smart contracts on the blockchain offer decentralized financial services but often lack robust security measures, resulting in significant economic losses. Although substantial research has focused on identifying vulnerabilities, a notable gap remains in evaluating the malicious intent behind their development. To address this, we introduce \textsc{SmartIntentNN} (Smart Contract Intent Neural Network), a deep learning-based tool designed to automate the detection of developers' intent in smart contracts. Our approach integrates a Universal Sentence Encoder for contextual representation of smart contract code, employs a K-means clustering algorithm to highlight intent-related code features, and utilizes a bidirectional LSTM-based multi-label classification network to predict ten distinct types of high-risk intent. Evaluations on a dataset of 10,000 smart contracts demonstrate that \textsc{SmartIntentNN} surpasses all baselines, achieving an F1-score of up to 0.8633. A demo video is available at \url{https://youtu.be/otT0fDYjwK8}.
• Abstract（参考訳）: ブロックチェーン上のスマートコントラクトは、分散金融サービスを提供するが、堅牢なセキュリティ対策を欠いていることが多いため、大きな経済的損失をもたらす。 重大な研究は脆弱性の特定に重点を置いているが、その開発の背後にある悪意のある意図を評価する上で、注目すべきギャップが残っている。 これを解決するために,スマートコントラクトにおける開発者の意図の検出を自動化するために設計されたディープラーニングベースのツールである‘textsc{SmartIntentNN}(Smart Contract Intent Neural Network)を紹介した。 提案手法は,スマートコントラクトコードのコンテキスト表現のためのユニバーサル文エンコーダを統合し,K平均クラスタリングアルゴリズムを用いてインテント関連コードの特徴を強調し,双方向LSTMに基づく多ラベル分類ネットワークを用いて10種類のハイリスクインテントを推定する。 1万のスマートコントラクトのデータセットに対する評価は、 \textsc{SmartIntentNN}がすべてのベースラインを超え、最大0.8633のF1スコアを達成することを示している。 デモビデオは \url{https://youtu.be/otT0fDYjwK8} で公開されている。

関連論文リスト

• Contractual Reinforcement Learning: Pulling Arms with Invisible Hands [68.77645200579181]
  本稿では,契約設計によるオンライン学習問題において,利害関係者の経済的利益を整合させる理論的枠組みを提案する。 計画問題に対して、遠目エージェントに対する最適契約を決定するための効率的な動的プログラミングアルゴリズムを設計する。 学習問題に対して,契約の堅牢な設計から探索と搾取のバランスに至るまでの課題を解き放つために,非回帰学習アルゴリズムの汎用設計を導入する。
  論文  参考訳（メタデータ） (2024-07-01T16:53:00Z)
• Vulnerability Scanners for Ethereum Smart Contracts: A Large-Scale Study [44.25093111430751]
  2023年だけでも、そのような脆弱性は数十億ドルを超える巨額の損失をもたらした。 スマートコントラクトの脆弱性を検出し、軽減するために、さまざまなツールが開発されている。 本研究では,既存のセキュリティスキャナの有効性と,現在も継続している脆弱性とのギャップについて検討する。
  論文  参考訳（メタデータ） (2023-12-27T11:26:26Z)
• 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)
• 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)
• Deep Smart Contract Intent Detection [5.642524477190184]
  textscSmartIntentNNは、スマートコントラクトにおける開発意図を自動的に検出するように設計されたディープラーニングモデルである。 実世界の4万以上のスマートコントラクトからなるデータセット上で,TextscSmartIntentNNをトレーニングし,評価した。
  論文  参考訳（メタデータ） (2022-11-19T15:40:26Z)
• 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)
• Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation [57.92972327649165]
  この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。 コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
  論文  参考訳（メタデータ） (2021-09-07T21:24:36Z)
• 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)

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。