論文の概要: DeFiTail: DeFi Protocol Inspection through Cross-Contract Execution Analysis
- arxiv url: http://arxiv.org/abs/2405.11035v1
- Date: Fri, 17 May 2024 18:14:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-05-21 19:36:45.773242
- Title: DeFiTail: DeFi Protocol Inspection through Cross-Contract Execution Analysis
- Title（参考訳）: DeFiTail: クロスコントラクト実行分析によるDeFiプロトコル検査
- Authors: Wenkai Li, Xiaoqi Li, Yuqing Zhang, Zongwei Li,
- Abstract要約: DeFi(Decentralized Finance)プロトコルは、ブロックチェーン上に開発された暗号通貨で、デジタル資産を管理する。
本稿では,DeFiTailを提案する。DeFiTailは,ディープラーニングを利用してアクセス制御とフラッシュローンのエクスプロイトを検出する最初のフレームワークである。
DeFiTailは98.39%のアクセス制御、97.43%のフラッシュローンのエクスプロイトを達成している。
- 参考スコア（独自算出の注目度）: 4.891180928768215
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Decentralized finance (DeFi) protocols are crypto projects developed on the blockchain to manage digital assets. Attacks on DeFi have been frequent and have resulted in losses exceeding \$77 billion. However, detection methods for malicious DeFi events are still lacking. In this paper, we propose DeFiTail, the first framework that utilizes deep learning to detect access control and flash loan exploits that may occur on DeFi. Since the DeFi protocol events involve invocations with multi-account transactions, which requires execution path unification with different contracts. Moreover, to mitigate the impact of mistakes in Control Flow Graph (CFG) connections, we validate the data path by employing the symbolic execution stack. Furthermore, we feed the data paths through our model to achieve the inspection of DeFi protocols. Experimental results indicate that DeFiTail achieves the highest accuracy, with 98.39% in access control and 97.43% in flash loan exploits. DeFiTail also demonstrates an enhanced capability to detect malicious contracts, identifying 86.67% accuracy from the CVE dataset.
- Abstract（参考訳）: DeFi(Decentralized Finance)プロトコルは、ブロックチェーン上に開発された暗号通貨で、デジタル資産を管理する。
DeFiの攻撃は頻繁に行われ、損失は77億ドルを超えた。
しかし、悪意のあるDeFiイベントの検出方法はまだ不足している。
本稿では,DeFi上で発生する可能性のあるアクセス制御とフラッシュローンのエクスプロイトを検出するために,ディープラーニングを利用した最初のフレームワークであるDeFiTailを提案する。
DeFiプロトコルのイベントにはマルチアカウントトランザクションによる呼び出しが含まれているため、異なるコントラクトで実行パスを統一する必要がある。
さらに、制御フローグラフ(CFG)接続におけるミスの影響を軽減するために、シンボル実行スタックを用いてデータパスを検証する。
さらに、DeFiプロトコルの検査を実現するために、モデルを通してデータパスを供給します。
実験の結果、DeFiTailは98.39%のアクセス制御、97.43%のフラッシュローンのエクスプロイトを達成している。
DeFiTailはまた、悪意のあるコントラクトを検出する機能を強化し、CVEデータセットから86.67%の精度を識別する。
関連論文リスト
- Secure Smart Contract with Control Flow Integrity [3.1655211232629563]
スマートコントラクトを確保するために,リアルタイムに制御フローの整合性を実現するフレームワークであるCrossGuardを開発した。
評価の結果,CrossGuardは,契約のデプロイ前に一度だけ設定した場合に,30件の攻撃のうち28件を効果的にブロックすることがわかった。
論文 参考訳（メタデータ） (2025-04-07T21:08:16Z) - Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions [51.43521977132062]
マネーロンダリング(英: Money laundering)は、不正資金の起源を隠蔽する金融犯罪である。
モバイル決済プラットフォームとスマートIoTデバイスの普及は、マネーロンダリング対策をかなり複雑にしている。
本稿では,AMLにおけるディープラーニングソリューションとその利用に関する課題について,包括的レビューを行う。
論文 参考訳（メタデータ） (2025-03-13T05:19:44Z) - DeFiScope: Detecting Various DeFi Price Manipulations with LLM Reasoning [13.536828549768858]
我々は、最初のLCMベースのアプローチであるDeFiScopeを導入し、DeFi価格操作攻撃を検出する。
DeFiScopeは高い精度の96%、リコールレートの80%を達成し、SOTAのアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2025-02-17T07:45:03Z) - Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳（メタデータ） (2024-11-06T15:38:31Z) - Strengthening DeFi Security: A Static Analysis Approach to Flash Loan Vulnerabilities [0.0]
我々はフラッシュローンによる価格操作の脆弱性を検出する高度なフレームワークであるFlashDeFierを紹介した。
FlashDeFierは、テナントソースとシンクの範囲を広げ、DeFiプロトコルをまたいだデータフローの包括的な分析を可能にする。
著名なDeFiインシデントのデータセットに対してテストされたFlashDeFierは、価格操作の脆弱性の76.4%を特定し、DeFiTainterよりも30%改善している。
論文 参考訳（メタデータ） (2024-11-02T12:42:01Z) - What If We Had Used a Different App? Reliable Counterfactual KPI Analysis in Wireless Systems [52.499838151272016]
本稿では、無線アクセスネットワーク(RAN)によって異なるアプリが実装された場合、キーパフォーマンス指標(KPI)の値を推定する「What-if」問題に対処する。
本稿では,推定値に対して信頼度の高い「エラーバー」を提供する無線システムに対する共形予測に基づく対実解析手法を提案する。
論文 参考訳（メタデータ） (2024-09-30T18:47:26Z) - Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。
拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。
MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文 参考訳（メタデータ） (2024-05-01T12:03:39Z) - Hunting DeFi Vulnerabilities via Context-Sensitive Concolic Verification [24.94431436197627]
DeFiサービスをターゲットにした攻撃は、DeFi市場に深刻な打撃を与えた。
シンボル実行、モデルチェック、セマンティック分析、ファジィングに基づく既存のメソッドは、最もDeFi脆弱性タイプを特定するのに不足している。
本研究では,時間論理で定式化されたユーザ定義プロパティに基づいて,DeFi脆弱性の自動検出手法であるCSCV(Context-Sensitive Concolic Verification)を提案する。
論文 参考訳（メタデータ） (2024-04-16T08:13:13Z) - LookAhead: Preventing DeFi Attacks via Unveiling Adversarial Contracts [15.071155232677643]
分散型金融(DeFi)インシデントは、30億ドルを超える経済的損害をもたらした。
現在の検出ツールは、攻撃活動を効果的に識別する上で重大な課題に直面している。
本稿では,敵対的契約の特定に焦点をあてた,DeFi攻撃検出のための新たな方向を提案する。
論文 参考訳（メタデータ） (2024-01-14T11:39:33Z) - Empirical Review of Smart Contract and DeFi Security: Vulnerability
Detection and Automated Repair [36.46679501556185]
分散ファイナンス(DeFi)はピアツーピア金融エコシステムとして台頭している。
スマートコントラクトには 膨大な価値があります 攻撃の魅力的なターゲットになります
本稿では,脆弱性検出と自動修復の観点から,スマートコントラクトとDeFiセキュリティの分野における進歩を概観する。
論文 参考訳（メタデータ） (2023-09-05T17:00:42Z) - 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) - Detecting DeFi Securities Violations from Token Smart Contract Code [0.4263043028086136]
DeFi(Decentralized Finance)は、さまざまなブロックチェーン上のスマートコントラクトを通じて構築および配信される金融製品とサービスのシステムである。
本研究の目的は、トークンのスマートコントラクトコードに基づいて、証券違反の可能性のあるDeFiプロジェクトを特定できるかどうかを明らかにすることである。
論文 参考訳（メタデータ） (2021-12-06T01:44:08Z) - Fault-tolerant parity readout on a shuttling-based trapped-ion quantum
computer [64.47265213752996]
耐故障性ウェイト4パリティチェック測定方式を実験的に実証した。
フラグ条件パリティ測定の単発忠実度は93.2(2)%である。
このスキームは、安定化器量子誤り訂正プロトコルの幅広いクラスにおいて必須な構成要素である。
論文 参考訳（メタデータ） (2021-07-13T20:08:04Z) - 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。