論文の概要: I Know Who Clones Your Code: Interpretable Smart Contract Similarity Detection

• arxiv url: http://arxiv.org/abs/2509.09630v1
• Date: Thu, 11 Sep 2025 17:15:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.489169
• Title: I Know Who Clones Your Code: Interpretable Smart Contract Similarity Detection
• Title（参考訳）: 誰があなたのコードをクローンするか知っている:解釈可能なスマートコントラクト類似性検出
• Authors: Zhenguang Liu, Lixun Ma, Zhongzheng Mu, Chengkun Wei, Xiaojun Xu, Yingying Jiao, Kui Ren,
• Abstract要約: 本稿では,スマートコントラクト関数間の類似性を計算するための新しいアプローチであるSmartDetectorを紹介する。 We show that SmartDetector are outperforming current-of-the-art method by average improve of 14.01% in F1-score。
• 参考スコア（独自算出の注目度）: 35.184524486200495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Widespread reuse of open-source code in smart contract development boosts programming efficiency but significantly amplifies bug propagation across contracts, while dedicated methods for detecting similar smart contract functions remain very limited. Conventional abstract-syntax-tree (AST) based methods for smart contract similarity detection face challenges in handling intricate tree structures, which impedes detailed semantic comparison of code. Recent deep-learning based approaches tend to overlook code syntax and detection interpretability, resulting in suboptimal performance. To fill this research gap, we introduce SmartDetector, a novel approach for computing similarity between smart contract functions, explainable at the fine-grained statement level. Technically, SmartDetector decomposes the AST of a smart contract function into a series of smaller statement trees, each reflecting a structural element of the source code. Then, SmartDetector uses a classifier to compute the similarity score of two functions by comparing each pair of their statement trees. To address the infinite hyperparameter space of the classifier, we mathematically derive a cosine-wise diffusion process to efficiently search optimal hyperparameters. Extensive experiments conducted on three large real-world datasets demonstrate that SmartDetector outperforms current state-of-the-art methods by an average improvement of 14.01% in F1-score, achieving an overall average F1-score of 95.88%.
• Abstract（参考訳）: スマートコントラクト開発におけるオープンソースコードの広範な再利用は、プログラミング効率を向上するが、同様のスマートコントラクト関数を検出する専用の方法が制限されている一方で、コントラクト間のバグ伝搬を著しく向上させる。 抽象構文木(AST)に基づくスマートコントラクト類似性検出手法は,複雑な木構造を扱う上で課題となる。 最近のディープラーニングベースのアプローチは、コード構文と検出の解釈可能性を見落とし、最適以下のパフォーマンスをもたらす傾向にある。 この研究ギャップを埋めるために、スマートコントラクト関数間の類似性を計算するための新しいアプローチであるSmartDetectorを紹介します。 技術的には、SmartDetectorはスマートコントラクト関数のASTを、ソースコードの構造的要素を反映した一連の小さなステートメントツリーに分解する。 次にSmartDetectorは、それぞれのステートメントツリーを比較して、2つの関数の類似度スコアを計算するために、分類器を使用する。 分類器の無限ハイパーパラメータ空間に対処するために、最適ハイパーパラメータを効率的に探索するコサインワイズ拡散過程を数学的に導出する。 3つの大規模な実世界のデータセットで実施された大規模な実験は、SmartDetectorが現在の最先端の手法を平均14.01%のF1スコアで上回り、F1スコア全体の95.88%を達成していることを示している。

関連論文リスト

• Malicious Code Detection in Smart Contracts via Opcode Vectorization [0.8225825738565354]
  スマートコントラクトのセキュリティ問題はますます顕著になっている。 悪意のあるコードの存在は、ユーザ資産の喪失とシステムのクラッシュにつながる可能性がある。 本稿では,機械学習に基づく知的契約の悪意のあるコード検出について,簡単な研究を行った。
  論文  参考訳（メタデータ） (2025-04-17T07:51:48Z)
• Interaction-Aware Vulnerability Detection in Smart Contract Bytecodes [7.5121791984664625]
  スマートコントラクトの脆弱性を検出するために,セマンティックコンテキストと関数インターフェースを統合したフレームワークであるCOBRAを提案する。 署名データベースに存在しない関数シグネチャを推測するために,SRIFを提案する。 SRIFは関数シグネチャ推論において94.76%のF1スコアを達成可能であることを示す。 ABIがなければ、推論関数機能はエンコーダを埋め、システムは89.46%のリコール率を達成する。
  論文  参考訳（メタデータ） (2024-10-28T03:55:09Z)
• Binary Code Similarity Detection via Graph Contrastive Learning on Intermediate Representations [52.34030226129628]
  バイナリコード類似度検出(BCSD)は、脆弱性検出、マルウェア分析、コードの再利用識別など、多くの分野で重要な役割を果たしている。 本稿では,LLVM-IRと高レベルのセマンティック抽象化を利用して,コンパイル差を緩和するIRBinDiffを提案する。 IRBinDiffは1対1の比較と1対多の検索シナリオにおいて,他の主要なBCSD手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-24T09:09:20Z)
• GSSF: Generalized Structural Sparse Function for Deep Cross-modal Metric Learning [51.677086019209554]
  ペアワイド類似性学習のためのモダリティ間の強力な関係を捕捉する汎用構造スパースを提案する。 距離メートル法は、対角線とブロック対角線の2つの形式を微妙にカプセル化する。 クロスモーダルと2つの余分なユニモーダル検索タスクの実験は、その優位性と柔軟性を検証した。
  論文  参考訳（メタデータ） (2024-10-20T03:45:50Z)
• Smart Contract Vulnerability Detection based on Static Analysis and Multi-Objective Search [3.297959314391795]
  本稿では,静的解析と多目的最適化アルゴリズムを用いて,スマートコントラクトの脆弱性を検出する手法を提案する。 永続性、スタックオーバーフローの呼び出し、整数オーバーフロー、タイムスタンプの依存関係の4つのタイプの脆弱性に焦点を当てています。 我々は,6,693のスマートコントラクトを含むEtherscanから収集したオープンソースデータセットを用いて,このアプローチを検証する。
  論文  参考訳（メタデータ） (2024-09-30T23:28:17Z)
• Blockchain Smart Contract Threat Detection Technology Based on Symbolic Execution [0.0]
  永続性の脆弱性は隠蔽され複雑であり、スマートコントラクトに大きな脅威をもたらす。 本稿では,シンボル実行に基づくスマートコントラクト脅威検出技術を提案する。 実験の結果,本手法は検出効率と精度の両方を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2023-12-24T03:27:03Z)
• 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)
• Enhancing Semantic Code Search with Multimodal Contrastive Learning and Soft Data Augmentation [50.14232079160476]
  コード検索のためのマルチモーダルコントラスト学習とソフトデータ拡張を用いた新しい手法を提案する。 我々は,6つのプログラミング言語を用いた大規模データセットにおけるアプローチの有効性を評価するために,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-04-07T08:49:27Z)
• CIMON: Towards High-quality Hash Codes [63.37321228830102]
  我々はtextbfComprehensive stextbfImilarity textbfMining と ctextbfOnsistency leartextbfNing (CIMON) という新しい手法を提案する。 まず、グローバルな洗練と類似度統計分布を用いて、信頼性とスムーズなガイダンスを得る。第二に、意味的整合性学習とコントラスト的整合性学習の両方を導入して、乱不変と差別的ハッシュコードの両方を導出する。
  論文  参考訳（メタデータ） (2020-10-15T14:47:14Z)

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。