論文の概要: An Explainable AI Model for the Detecting Malicious Smart Contracts Based on EVM Opcode Based Features
- arxiv url: http://arxiv.org/abs/2512.08782v1
- Date: Tue, 09 Dec 2025 16:34:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-10 22:28:08.048569
- Title: An Explainable AI Model for the Detecting Malicious Smart Contracts Based on EVM Opcode Based Features
- Title（参考訳）: EVMオプコードに基づく異常なスマートコントラクト検出のための説明可能なAIモデル
- Authors: Roopak Surendran,
- Abstract要約: 本稿では,EVMオペコードの解析により,MLに基づく悪意あるスマートコントラクト検出機構を提案する。
実装から,提案手法は悪意のあるスマートコントラクトの99%を偽陽性率0.01で検出できることがわかった。
- 参考スコア（独自算出の注目度）: 0.30458514384586394
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hackers may create malicious solidity programs and deploy it in the Ethereum block chain. These malicious smart contracts try to attack legitimate programs by exploiting its vulnerabilities such as reentrancy, tx.origin attack, bad randomness, deligatecall and so on. This may lead to drain of the funds, denial of service and so on . Hence, it is necessary to identify and prevent the malicious smart contract before deploying it into the blockchain. In this paper, we propose an ML based malicious smart contract detection mechanism by analyzing the EVM opcodes. After balancing the opcode frequency dataset with SMOTE algorithm, we transformed opcode frequencies to the binary values (0,1) using an entropy based supervised binning method. Then, an explainable AI model is trained with the proposed binary opcode based features. From the implementations, we found that the proposed mechanism can detect 99% of malicious smart contracts with a false positive rate of only 0.01. Finally, we incorporated LIME algorithm in our classifier to justify its predictions. We found that, LIME algorithm can explain why a particular smart contract app is declared as malicious by our ML classifier based on the binary value of EVM opcodes.
- Abstract（参考訳）: ハッカーは悪意のあるソリデーティプログラムを作成し、Ethereumブロックチェーンにデプロイする。
これらの悪意のあるスマートコントラクトは、永続性、tx.origin攻撃、不正なランダム性、デリゲートコールなどの脆弱性を利用して、正当なプログラムを攻撃しようとする。
これは資金の流出やサービス拒否などにつながる可能性がある。
したがって、ブロックチェーンにデプロイする前に、悪意のあるスマートコントラクトを特定して防止する必要がある。
本稿では,EVMオペコードの解析により,MLに基づく悪意あるスマートコントラクト検出機構を提案する。
SMOTEアルゴリズムとOpcode周波数データセットのバランスをとると、エントロピーに基づく教師付きビンニング法を用いて、Opcode周波数をバイナリ値(0,1)に変換した。
次に、説明可能なAIモデルを、提案されたバイナリオプコードベースの機能でトレーニングする。
実装から,提案手法は悪意のあるスマートコントラクトの99%を偽陽性率0.01で検出できることがわかった。
最後に,その予測を正当化するためにLIMEアルゴリズムを分類器に組み込んだ。
LIMEアルゴリズムは、EVMオペコードのバイナリ値に基づいて、特定のスマートコントラクトアプリがML分類器によって悪質であると宣言される理由を説明することができる。
関連論文リスト
- Decompiling Smart Contracts with a Large Language Model [51.49197239479266]
Etherscanの78,047,845のスマートコントラクトがデプロイされているにも関わらず(2025年5月26日現在)、わずか767,520 (1%)がオープンソースである。
この不透明さは、オンチェーンスマートコントラクトバイトコードの自動意味解析を必要とする。
バイトコードを可読でセマンティックに忠実なSolidityコードに変換する,先駆的な逆コンパイルパイプラインを導入する。
論文 参考訳（メタデータ） (2025-06-24T13:42:59Z) - 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) - Combining GPT and Code-Based Similarity Checking for Effective Smart Contract Vulnerability Detection [0.0]
スマートコントラクトの脆弱性識別ツールであるSimisaryGPTを提案する。
similarGPTの主な概念は、検査中のコードとサードパーティのライブラリのセキュアなコードとの類似度を測定することである。
本稿では, トポロジカルオーダを用いた検出シーケンスの最適化により, 論理的コヒーレンスを高め, 検出時の偽陽性を低減することを提案する。
論文 参考訳（メタデータ） (2024-12-24T07:15:48Z) - Estimating the Decoding Failure Rate of Binary Regular Codes Using Iterative Decoding [84.0257274213152]
並列ビットフリップデコーダのDFRを高精度に推定する手法を提案する。
本研究は,本症候群のモデル化およびシミュレーションによる重み比較,第1イテレーション終了時の誤りビット分布の誤検出,復号化復号化率(DFR)について検証した。
論文 参考訳（メタデータ） (2024-01-30T11:40:24Z) - LookAhead: Preventing DeFi Attacks via Unveiling Adversarial Contracts [15.071155232677643]
DeFi(Decentralized Finance)は、30億ドルを超える損失を計上している。
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。
敵契約を公開することでDeFi攻撃を検出する新しいフレームワークであるLookAheadを提案する。
論文 参考訳（メタデータ） (2024-01-14T11:39:33Z) - Zero-Shot Detection of Machine-Generated Codes [83.0342513054389]
本研究は,LLMの生成したコードを検出するためのトレーニング不要な手法を提案する。
既存のトレーニングベースまたはゼロショットテキスト検出装置は、コード検出に効果がないことがわかった。
本手法は,リビジョン攻撃に対する堅牢性を示し,Javaコードによく適応する。
論文 参考訳（メタデータ） (2023-10-08T10:08:21Z) - 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) - Deep Smart Contract Intent Detection [5.642524477190184]
textscSmartIntentNNは、スマートコントラクトにおける開発意図を自動的に検出するように設計されたディープラーニングモデルである。
我々は4万以上の現実世界のスマートコントラクトを含むデータセットでtextscSmartIntentNNをトレーニングし、評価した。
論文 参考訳（メタデータ） (2022-11-19T15:40:26Z) - Quantum Proofs of Deletion for Learning with Errors [91.3755431537592]
完全同型暗号方式として, 完全同型暗号方式を初めて構築する。
我々の主要な技術要素は、量子証明器が古典的検証器に量子状態の形でのLearning with Errors分布からのサンプルが削除されたことを納得させる対話的プロトコルである。
論文 参考訳（メタデータ） (2022-03-03T10:07:32Z) - A Bytecode-based Approach for Smart Contract Classification [10.483992071557195]
ブロックチェーンプラットフォームにデプロイされるスマートコントラクトの数は指数関数的に増えているため、ユーザは手動のスクリーニングによって望ましいサービスを見つけることが難しくなっている。
スマートコントラクト分類に関する最近の研究は、契約ソースコードに基づく自然言語処理(NLP)ソリューションに焦点を当てている。
本稿では,これらの問題を解決するために,ソースコードの代わりにコントラクトバイトコードの特徴に基づく分類モデルを提案する。
論文 参考訳（メタデータ） (2021-05-31T03:00:29Z) - 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。