論文の概要: Hyperion: Unveiling DApp Inconsistencies using LLM and Dataflow-Guided Symbolic Execution

• arxiv url: http://arxiv.org/abs/2408.06037v1
• Date: Mon, 12 Aug 2024 09:59:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 13:23:51.984898
• Title: Hyperion: Unveiling DApp Inconsistencies using LLM and Dataflow-Guided Symbolic Execution
• Title（参考訳）: Hyperion: LLMとDataflow-Guided Symbolic Executionを使用したDAppの不整合の解消
• Authors: Shuo Yang, Xingwei Lin, Jiachi Chen, Qingyuan Zhong, Lei Xiao, Renke Huang, Yanlin Wang, Zibin Zheng,
• Abstract要約: フロントエンド記述とバックエンドコード実装の不整合は、DAppsの信頼性を損なう可能性がある。 DAppsにおけるフロントエンド記述とバックエンドコード実装の矛盾を自動的に識別するアプローチであるHYPERIONを紹介する。 54のDAppからなる地上真実データセットの実験は、HYPERIONが全体のリコールの84.06%、DAppの不整合の報告の全体的な精度が92.06%に達したことを示している。
• 参考スコア（独自算出の注目度）: 31.450905252075415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid advancement of blockchain platforms has significantly accelerated the growth of decentralized applications (DApps). Similar to traditional applications, DApps integrate front-end descriptions that showcase their features to attract users, and back-end smart contracts for executing their business logic. However, inconsistencies between the features promoted in front-end descriptions and those actually implemented in the contract can confuse users and undermine DApps's trustworthiness. In this paper, we first conducted an empirical study to identify seven types of inconsistencies, each exemplified by a real-world DApp. Furthermore, we introduce HYPERION, an approach designed to automatically identify inconsistencies between front-end descriptions and back-end code implementation in DApps. This method leverages a fine-tuned large language model LLaMA2 to analyze DApp descriptions and employs dataflow-guided symbolic execution for contract bytecode analysis. Finally, HYPERION reports the inconsistency based on predefined detection patterns. The experiment on our ground truth dataset consisting of 54 DApps shows that HYPERION reaches 84.06% overall recall and 92.06% overall precision in reporting DApp inconsistencies. We also implement HYPERION to analyze 835 real-world DApps. The experimental results show that HYPERION discovers 459 real-world DApps containing at least one inconsistency.
• Abstract（参考訳）: ブロックチェーンプラットフォームの急速な進歩は、分散アプリケーション(DApps)の成長を著しく加速させた。 従来のアプリケーションと同じように、DAppsは、ユーザを引き付ける機能を示すフロントエンド記述と、ビジネスロジックを実行するためのバックエンドスマートコントラクトを統合している。 しかし、フロントエンドで宣伝された機能と契約で実際に実装された機能との矛盾は、ユーザを混乱させ、DAppsの信頼性を損なう可能性がある。 本稿では,まず,実世界のDAppで実証された7種類の不整合を同定するための実証的研究を行った。 さらに,DAppにおけるフロントエンド記述とバックエンドコード実装の矛盾を自動的に識別するアプローチであるHYPERIONを紹介する。 本手法はDApp記述の解析に微調整された大言語モデルLLaMA2を使用し,データフロー誘導型シンボル実行を用いてコントラクトバイトコード解析を行う。 最後に、HYPERIONは事前に定義された検出パターンに基づいて矛盾を報告する。 54のDAppからなる地上真実データセットの実験は、HYPERIONが全体のリコールの84.06%、DAppの不整合の報告の全体的な精度が92.06%に達したことを示している。 また,実世界の835のDAppを解析するためにHYPERIONを実装した。 実験の結果,HYPERIONは少なくとも1つの矛盾を含む459個の現実世界のDAppを発見した。

関連論文リスト

• DistDD: Distributed Data Distillation Aggregation through Gradient Matching [14.132062317010847]
  DistDDは、クライアントのデバイスに直接データを蒸留することで、反復的なコミュニケーションの必要性を減らす、連邦学習フレームワークにおける新しいアプローチである。 本研究では,DistDDアルゴリズムの詳細な収束証明を行い,その数学的安定性と信頼性を実証する。
  論文  参考訳（メタデータ） (2024-10-11T09:43:35Z)
• ToolACE: Winning the Points of LLM Function Calling [139.07157814653638]
  ToolACEは、正確で複雑で多様なツール学習データを生成するように設計された自動エージェントパイプラインである。 我々は、合成データに基づいてトレーニングされたモデルが、8Bパラメータだけで、バークレー・ファンクション・カリング・リーダーボード上で最先端のパフォーマンスを達成することを実証した。
  論文  参考訳（メタデータ） (2024-09-02T03:19:56Z)
• $τ$-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains [43.43344028212623]
  $tau$-benchは、ユーザと言語エージェント間の動的会話をエミュレートするベンチマークである。 我々は、会話の最後にデータベースの状態と注釈付きゴール状態を比較する、効率的で忠実な評価プロセスを採用する。
  論文  参考訳（メタデータ） (2024-06-17T19:33:08Z)
• Fact Checking Beyond Training Set [64.88575826304024]
  本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。 本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。 次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
  論文  参考訳（メタデータ） (2024-03-27T15:15:14Z)
• SMaRt: Improving GANs with Score Matching Regularity [94.81046452865583]
  生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。 スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることを示す。 スコアマッチング規則性(SMaRt)を用いたGANの最適化を提案する。
  論文  参考訳（メタデータ） (2023-11-30T03:05:14Z)
• Clover: Closed-Loop Verifiable Code Generation [2.5369596232063896]
  整合性チェックを使用して、不正なコードに対して強力なフィルタを提供するCloverパラダイムを導入します。 Cloverは、コード、ドキュストリング、フォーマルアノテーション間の一貫性チェックを実行する。 クローバーはまた、既存の人書きデータセットMBPP-DFY-50で6つの誤ったプログラムを発見した。
  論文  参考訳（メタデータ） (2023-10-26T22:58:19Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)
• Don't be Contradicted with Anything! CI-ToD: Towards Benchmarking Consistency for Task-oriented Dialogue System [24.227068548489385]
  本稿では,タスク指向領域において,一貫性問題はより緊急である,と論じる。 本研究では,タスク指向ダイアログシステムにおける一貫性同定のための新しいデータセットであるCI-ToDを紹介する。 実験の結果、最先端の手法は51.3%しか達成していないことが示され、これは93.2%の人間のパフォーマンスよりもはるかに遅れている。
  論文  参考訳（メタデータ） (2021-09-23T10:56:31Z)
• Annotation Inconsistency and Entity Bias in MultiWOZ [40.127114829948965]
  MultiWOZは、最も人気のあるマルチドメインタスク指向のダイアログデータセットの1つである。 ダイアログ状態追跡(DST)、自然言語生成(NLG)、エンドツーエンドダイアログモデリング(E2E)など、様々なダイアログタスクのベンチマークとして広く受け入れられている。
  論文  参考訳（メタデータ） (2021-05-29T00:09:06Z)
• Emerging App Issue Identification via Online Joint Sentiment-Topic Tracing [66.57888248681303]
  本稿では,MERITという新しい問題検出手法を提案する。 AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。 Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
  論文  参考訳（メタデータ） (2020-08-23T06:34:05Z)

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。