論文の概要: AtomGraph: Tackling Atomicity Violation in Smart Contracts using Multimodal GCNs
- arxiv url: http://arxiv.org/abs/2512.02399v1
- Date: Tue, 02 Dec 2025 04:20:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-03 21:04:45.71488
- Title: AtomGraph: Tackling Atomicity Violation in Smart Contracts using Multimodal GCNs
- Title（参考訳）: AtomGraph: マルチモーダルGCNを用いたスマートコントラクトにおけるアトミックな違反対策
- Authors: Xiaoqi Li, Zongwei Li, Wenkai Li, Zeng Zhang, Lei Xie,
- Abstract要約: 我々は、スマートコントラクトにおける原子性違反を検出するために設計された、自動化されたフレームワークAtomGraphを紹介します。
このフレームワークはGraph Convolutional Networksを使用して、マルチモーダルな特徴学習と融合を通じて原子性侵害を特定する。
AtomGraphは96.88%の精度と96.97%のF1スコアを獲得し、既存のツールを上回っている。
- 参考スコア（独自算出の注目度）: 12.255018487780703
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Smart contracts are a core component of blockchain technology and are widely deployed across various scenarios. However, atomicity violations have become a potential security risk. Existing analysis tools often lack the precision required to detect these issues effectively. To address this challenge, we introduce AtomGraph, an automated framework designed for detecting atomicity violations. This framework leverages Graph Convolutional Networks (GCN) to identify atomicity violations through multimodal feature learning and fusion. Specifically, driven by a collaborative learning mechanism, the model simultaneously learns from two heterogeneous modalities: extracting structural topological features from the contract's Control Flow Graph (CFG) and uncovering deep semantics from its opcode sequence. We designed an adaptive weighted fusion mechanism to dynamically adjust the weights of features from each modality to achieve optimal feature fusion. Finally, GCN detects graph-level atomicity violation on the contract. Comprehensive experimental evaluations demonstrate that AtomGraph achieves 96.88% accuracy and 96.97% F1 score, outperforming existing tools. Furthermore, compared to the concatenation fusion model, AtomGraph improves the F1 score by 6.4%, proving its potential in smart contract security detection.
- Abstract（参考訳）: スマートコントラクトはブロックチェーン技術のコアコンポーネントであり、さまざまなシナリオに広くデプロイされている。
しかし、原子性の侵害は潜在的なセキュリティリスクとなっている。
既存の分析ツールはこれらの問題を効果的に検出するために必要な精度を欠いていることが多い。
この課題に対処するために、原子性違反を検出するために設計された自動化フレームワークAtomGraphを紹介します。
このフレームワークは、GCN(Graph Convolutional Networks)を利用して、マルチモーダルな特徴学習と融合を通じて原子性侵害を特定する。
具体的には、協調学習機構によって駆動されるこのモデルは、コントラクトの制御フローグラフ(CFG)から構造的トポロジ的特徴を抽出し、そのオペコードシーケンスから深いセマンティクスを明らかにするという、2つの異種モードから同時に学習する。
適応的な重み付き融合機構を設計し,各モードから特徴量を動的に調整し,最適な特徴量融合を実現する。
最後に、GCNは契約に対するグラフレベルの原子性違反を検出する。
総合的な実験的評価では、AtomGraphは96.88%の精度と96.97%のF1スコアを獲得し、既存のツールを上回っている。
さらに、結合融合モデルと比較して、AtomGraphはF1スコアを6.4%改善し、スマートコントラクトセキュリティ検出の可能性を証明している。
関連論文リスト
- Unveiling the Power of Multiple Gossip Steps: A Stability-Based Generalization Analysis in Decentralized Training [64.84977068837371]
分散トレーニングは集中型サーバを取り除き、通信効率が向上し、トレーニング効率が大幅に向上するが、集中型トレーニングに比べてパフォーマンスが低下することが多い。
MultiGossip Steps (MGS) は、分散トレーニングと集中トレーニングの間に、シンプルだが効果的なブリッジとして機能する。
論文 参考訳（メタデータ） (2025-10-09T09:14:47Z) - GUARDIAN: Safeguarding LLM Multi-Agent Collaborations with Temporal Graph Modeling [5.798273384241793]
大規模言語モデル (LLM) は、複雑な対話や多ターン対話を行えるインテリジェントエージェントの開発を可能にする。
GUARDIANは、GUARDing Intelligent Agent ColllaboratioNsにおいて、複数の安全上の懸念を検出し緩和する方法である。
論文 参考訳（メタデータ） (2025-05-25T17:15:55Z) - Automated detection of atomicity violations in large-scale systems [8.31445151968485]
割り込み駆動プログラムにおける原子性侵害は、安全クリティカルシステムにおけるソフトウェアの信頼性に重大な脅威をもたらす。
実世界の割り込み駆動プログラムにおける原子性違反を検出するマルチエージェントフレームワークであるCLOVERを提案する。
論文 参考訳（メタデータ） (2025-04-01T08:13:29Z) - Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。
本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。
私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
論文 参考訳（メタデータ） (2024-11-30T17:05:12Z) - Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。
ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。
4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
論文 参考訳（メタデータ） (2024-01-24T03:43:45Z) - 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) - From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。
マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。
グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
論文 参考訳（メタデータ） (2022-02-11T09:45:11Z) - Combining Graph Neural Networks with Expert Knowledge for Smart Contract
Vulnerability Detection [37.7763374870026]
既存の契約のセキュリティ分析の取り組みは、労働集約的でスケーリング不能な専門家によって定義された厳格なルールに依存している。
本稿では,正規化グラフからグラフ特徴を抽出する新たな時間的メッセージ伝達ネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-24T13:16:30Z) - 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。