論文の概要: Smart Learning to Find Dumb Contracts (Extended Version)

• arxiv url: http://arxiv.org/abs/2304.10726v2
• Date: Tue, 27 Jun 2023 14:19:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-28 17:06:20.018028
• Title: Smart Learning to Find Dumb Contracts (Extended Version)
• Title（参考訳）: ダム契約を見つけるためのスマートラーニング(拡張版)
• Authors: Tamer Abdelaziz and Aquinas Hobor
• Abstract要約: 本稿では、スマートコントラクトに基づくニューラルネットワークのためのDeep Learning Vulnerability Analyzer(DLVA)を紹介する。 DLVAは、0.2秒で29の脆弱性のコントラクトをチェックする。 DLVAを9つの有名なスマートコントラクト分析ツールと比較した。
• 参考スコア（独自算出の注目度）: 0.7106986689736827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce the Deep Learning Vulnerability Analyzer (DLVA) for Ethereum smart contracts based on neural networks. We train DLVA to judge bytecode even though the supervising oracle can only judge source. DLVA's training algorithm is general: we extend a source code analysis to bytecode without any manual feature engineering, predefined patterns, or expert rules. DLVA's training algorithm is also robust: it overcame a 1.25% error rate mislabeled contracts, and--the student surpassing the teacher--found vulnerable contracts that Slither mislabeled. DLVA is much faster than other smart contract vulnerability detectors: DLVA checks contracts for 29 vulnerabilities in 0.2 seconds, a 10-1,000x speedup. DLVA has three key components. First, Smart Contract to Vector (SC2V) uses neural networks to map smart contract bytecode to a high-dimensional floating-point vector. We benchmark SC2V against 4 state-of-the-art graph neural networks and show that it improves model differentiation by 2.2%. Second, Sibling Detector (SD) classifies contracts when a target contract's vector is Euclidian-close to a labeled contract's vector in a training set; although only able to judge 55.7% of the contracts in our test set, it has a Slither-predictive accuracy of 97.4% with a false positive rate of only 0.1%. Third, Core Classifier (CC) uses neural networks to infer vulnerable contracts regardless of vector distance. We benchmark DLVA's CC with 10 ML techniques and show that the CC improves accuracy by 11.3%. Overall, DLVA predicts Slither's labels with an overall accuracy of 92.7% and associated false positive rate of 7.2%. Lastly, we benchmark DLVA against nine well-known smart contract analysis tools. Despite using much less analysis time, DLVA completed every query, leading the pack with an average accuracy of 99.7%, pleasingly balancing high true positive rates with low false positive rates.
• Abstract（参考訳）: ニューラルネットワークに基づくEthereumスマートコントラクトのためのDeep Learning Vulnerability Analyzer(DLVA)を紹介する。 我々は、監視するオラクルがソースのみを判断できるにもかかわらず、バイトコードを判断するようにDLVAを訓練する。 DLVAのトレーニングアルゴリズムは一般的に、手動のフィーチャエンジニアリング、事前定義されたパターン、専門家のルールなしでソースコード解析をバイトコードに拡張します。 dlvaのトレーニングアルゴリズムも頑健で、1.25%のエラー率の誤ってラベル付けされた契約を上回っており、生徒はslitherがラベルを間違えた教師が見つけた脆弱な契約を上回っている。 DLVAは他のスマートコントラクトの脆弱性検出よりもはるかに高速である。DLVAは、0.2秒で29の脆弱性のコントラクトをチェックする。 DLVAには3つの重要なコンポーネントがある。 まず、smart contract to vector (sc2v)はニューラルネットワークを使用してスマートコントラクトバイトコードを高次元浮動小数点ベクトルにマッピングする。 SC2Vを4つの最先端グラフニューラルネットワークに対してベンチマークし、モデルの微分を2.2%改善することを示す。 第2に、姉妹検出器(sd)は、対象契約ベクトルが訓練セット内のラベル付き契約ベクトルとユークリッド的に近い場合の契約を分類するが、テストセットの契約の55.7%しか判断できないが、slither予測精度97.4%で、偽陽性率は0.1%である。 第3に、コア分類器(CC)は、ニューラルネットワークを使用して、ベクトル距離に関係なく脆弱な契約を推論する。 DLVAのCCを10のML手法でベンチマークし、CCの精度が11.3%向上したことを示す。 DLVAはSlitherのラベルを92.7%の精度で予測し、関連する偽陽性率は7.2%である。 最後に、DLVAを9つの有名なスマートコントラクト分析ツールと比較する。 DLVAは分析時間を大幅に減らしたにもかかわらず、全てのクエリを完了し、平均99.7%の精度で、偽陽性率の低い真の正の値を喜んでバランスさせた。

関連論文リスト

• All Your Tokens are Belong to Us: Demystifying Address Verification Vulnerabilities in Solidity Smart Contracts [24.881450403784786]
  検証のプロセスにおける脆弱性は、大きなセキュリティ問題を引き起こす可能性がある。 静的EVMオペコードシミュレーションに基づく軽量なテナントアナライザであるAVVERIFIERの設計と実装を行う。 500万以上のスマートコントラクトを大規模に評価した結果,コミュニティが公表していない812の脆弱性のあるスマートコントラクトを特定しました。
  論文  参考訳（メタデータ） (2024-05-31T01:02:07Z)
• Improving Smart Contract Security with Contrastive Learning-based Vulnerability Detection [8.121484960948303]
  スマートコントラクト脆弱性に対するコントラスト学習強化型自動認識手法であるClearを提案する。 特にClearは、契約間のきめ細かい相関情報をキャプチャするために、対照的な学習(CL)モデルを採用している。 その結果,既存のディープラーニング手法よりも9.73%-39.99%高いF1スコアが得られることがわかった。
  論文  参考訳（メタデータ） (2024-04-27T09:13:25Z)
• 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)
• Schooling to Exploit Foolish Contracts [4.18804572788063]
  SCooLSはスマートコントラクト学習(セミ教師付き)エンジンです。 SCooLSは、ニューラルネットワークを使用してコントラクトバイトコードを分析し、特定の脆弱な機能を特定する。 SCooLSのパフォーマンスは既存のツールよりも優れており、精度は98.4%、F1スコアは90.5%、偽陽性率は0.8%と極めて低い。
  論文  参考訳（メタデータ） (2023-04-21T04:25:08Z)
• Peeling the Onion: Hierarchical Reduction of Data Redundancy for Efficient Vision Transformer Training [110.79400526706081]
  ビジョントランス (ViT) は近年多くのアプリケーションで成功を収めているが、その計算量とメモリ使用量によって一般化が制限されている。 従来の圧縮アルゴリズムは通常、事前訓練された高密度モデルから始まり、効率的な推論のみに焦点を当てる。 本稿では,3つのスパースの観点から,Tri-Level E-ViTと呼ばれるエンドツーエンドの効率的なトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-19T21:15:47Z)
• Spotting adversarial samples for speaker verification by neural vocoders [102.1486475058963]
  我々は、自動話者検証(ASV)のための敵対サンプルを見つけるために、ニューラルボコーダを採用する。 元の音声と再合成音声のASVスコアの違いは、真正と逆正のサンプルの識別に良い指標であることがわかった。 私たちのコードは、将来的な比較作業のためにオープンソースにされます。
  論文  参考訳（メタデータ） (2021-07-01T08:58:16Z)
• 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)
• Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
  深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。 本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
  論文  参考訳（メタデータ） (2020-11-16T06:51:55Z)
• Smooth Adversarial Training [120.44430400607483]
  ネットワークは正確かつ堅牢であると一般に信じられている。 ここでは、敵対的訓練に関する慎重な研究により、これらの共通の信念に挑戦する証拠を提示する。 本研究では、ReLUをそのスムーズな近似で置き換えて、逆行訓練を強化するスムーズな逆行訓練(SAT)を提案する。
  論文  参考訳（メタデータ） (2020-06-25T16:34:39Z)
• Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
  既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。 本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。 ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-13T08:24:33Z)

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。