論文の概要: JANUS: A Difference-Oriented Analyzer For Financial Centralization Risks in Smart Contracts
- arxiv url: http://arxiv.org/abs/2412.03938v1
- Date: Thu, 05 Dec 2024 07:35:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-06 14:41:18.927207
- Title: JANUS: A Difference-Oriented Analyzer For Financial Centralization Risks in Smart Contracts
- Title(参考訳): JANUS:スマートコントラクトにおける金融集中化リスクの差分分析
- Authors: Wansen Wang, Pu Zhang, Renjie Ji, Wenchao Huang, Zhaoyi Meng, Yan Xiong,
- Abstract要約: JANUSは、Solidityスマートコントラクトの自動アナライザで、特定の振る舞いとは独立して、金融集中化リスクを検出する。
Janus氏は行動よりもリスクの影響に注目し、未知のパターンで集中化リスクを明らかにする。
我々は、JANUSを33,151の契約からなる実世界のデータセットで評価し、他のツールが検出できない2種類のリスクを特定した。
- 参考スコア(独自算出の注目度): 13.310942218826723
- License:
- Abstract: Some smart contracts violate decentralization principles by defining privileged accounts that manage other users' assets without permission, introducing centralization risks that have caused financial losses. Existing methods, however, face challenges in accurately detecting diverse centralization risks due to their dependence on predefined behavior patterns. In this paper, we propose JANUS, an automated analyzer for Solidity smart contracts that detects financial centralization risks independently of their specific behaviors. JANUS identifies differences between states reached by privileged and ordinary accounts, and analyzes whether these differences are finance-related. Focusing on the impact of risks rather than behaviors, JANUS achieves improved accuracy compared to existing tools and can uncover centralization risks with unknown patterns. To evaluate JANUS's performance, we compare it with other tools using a dataset of 540 contracts. Our evaluation demonstrates that JANUS outperforms representative tools in terms of detection accuracy for financial centralization risks . Additionally, we evaluate JANUS on a real-world dataset of 33,151 contracts, successfully identifying two types of risks that other tools fail to detect. We also prove that the state traversal method and variable summaries, which are used in JANUS to reduce the number of states to be compared, do not introduce false alarms or omissions in detection.
- Abstract(参考訳): 一部のスマートコントラクトは、許可なく他のユーザの資産を管理する特権アカウントを定義し、金融損失を引き起こした集中化リスクを導入することで、分散化原則に違反している。
しかし、既存の手法は、事前に定義された行動パターンに依存しているため、多様な集中化リスクを正確に検出する上で困難に直面している。
本稿では,ソリデーティ・スマートコントラクトの自動分析装置であるJANUSを提案する。
JANUSは、特権アカウントと一般アカウントで到達した州の違いを特定し、これらの違いが金融関連かどうかを分析する。
行動よりもリスクの影響に注目して、JANUSは既存のツールと比較して精度の向上を実現し、未知のパターンで集中型リスクを明らかにすることができる。
JANUSのパフォーマンスを評価するために、540のデータセットを使用して他のツールと比較する。
JANUSは、金融集中化リスクの検出精度において代表的ツールよりも優れていることを示す。
さらに、JANUSを33,151の契約で実世界のデータセットで評価し、他のツールが検出できない2種類のリスクを特定しました。
また,JANUSで比較対象の状態数を減らすために使用されている状態トラバーサル法と変数サマリーが,検出時に誤報や省略を発生させないことも証明した。
関連論文リスト
- Leveraging Ensemble-Based Semi-Supervised Learning for Illicit Account Detection in Ethereum DeFi Transactions [0.0]
分散ファイナンス(DeFi)は、不正アカウントの拡散など、重大なセキュリティリスクを導入している。
従来の検出方法は、ラベル付きデータの不足と悪意あるアクターの進化戦略によって制限される。
本稿では,これらの課題に対処するために,自己学習型Illicitアカウント検出フレームワークを提案する。
論文 参考訳(メタデータ) (2024-12-03T12:03:13Z) - Uncertainty in Language Models: Assessment through Rank-Calibration [65.10149293133846]
言語モデル(LM)は、自然言語生成において有望な性能を示している。
与えられた入力に応答する際の不確実性を正確に定量化することは重要である。
我々は、LMの確実性と信頼性を評価するために、Rank$-$Calibration$と呼ばれる斬新で実用的なフレームワークを開発する。
論文 参考訳(メタデータ) (2024-04-04T02:31:05Z) - 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) - Binary Classification with Confidence Difference [100.08818204756093]
本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。
本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。
また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
論文 参考訳(メタデータ) (2023-10-09T11:44:50Z) - Risk-limiting Financial Audits via Weighted Sampling without Replacement [47.189919138260066]
$N$の取引が与えられた場合、目標は、不正な通貨の合計分を所定の精度で見積もることである。
重み付き平均値が未知の値に対して新しい信頼シーケンスを構築することでこれを行う。
側情報が十分に予測可能な場合には,直接サンプリングを行うことができることを示す。
論文 参考訳(メタデータ) (2023-05-08T17:34:06Z) - Pre-deployment Analysis of Smart Contracts -- A Survey [0.27195102129095]
本稿では,スマートコントラクトの脆弱性と方法に関する文献を体系的にレビューする。
具体的には、スマートコントラクトの脆弱性とメソッドを、それらが対処するプロパティによって列挙し分類します。
異なる手法の強みに関するいくつかのパターンがこの分類プロセスを通して現れる。
論文 参考訳(メタデータ) (2023-01-15T12:36:56Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Exploring Robustness of Unsupervised Domain Adaptation in Semantic
Segmentation [74.05906222376608]
クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。
i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
論文 参考訳(メタデータ) (2021-05-23T01:50:44Z) - Measuring Model Fairness under Noisy Covariates: A Theoretical
Perspective [26.704446184314506]
本研究では,雑音情報に基づく機械学習モデルの公平性の測定問題について検討する。
本稿では, 精度の高い公平性評価が可能な弱い条件を特徴付けることを目的とした理論的解析を行う。
論文 参考訳(メタデータ) (2021-05-20T18:36:28Z) - Learning Strategies in Decentralized Matching Markets under Uncertain
Preferences [91.3755431537592]
エージェントの選好が不明な場合,共有資源の不足の設定における意思決定の問題について検討する。
我々のアプローチは、再生されたカーネルヒルベルト空間における好みの表現に基づいている。
エージェントの期待した利益を最大化する最適な戦略を導出する。
論文 参考訳(メタデータ) (2020-10-29T03:08:22Z)
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。