論文の概要: Robust Smart Contract Vulnerability Detection via Contrastive Learning-Enhanced Granular-ball Training

• arxiv url: http://arxiv.org/abs/2603.27734v1
• Date: Sun, 29 Mar 2026 15:19:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.088557
• Title: Robust Smart Contract Vulnerability Detection via Contrastive Learning-Enhanced Granular-ball Training
• Title（参考訳）: 対照的学習によるグラニュラーボールトレーニングによるロバストスマートコントラクト脆弱性検出
• Authors: Zeli Wang, Qingxuan Yang, Shuyin Xia, Yueming Wu, Bo Liu, Longlong Lin,
• Abstract要約: 本稿では,契約脆弱性検出の堅牢性を高めるために,コントラスト学習によるグラニュラーボールスマートコントラクトトレーニング(CGBC)を提案する。 CGBCは,ベースラインと対比した場合のスマートコントラクト脆弱性検出の堅牢性と有効性を大幅に向上できることを示す。
• 参考スコア（独自算出の注目度）: 20.039905908167903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks (DNNs) have emerged as a prominent approach for detecting smart contract vulnerabilities, driven by the growing contract datasets and advanced deep learning techniques. However, DNNs typically require large-scale labeled datasets to model the relationships between contract features and vulnerability labels. In practice, the labeling process often depends on existing open-sourced tools, whose accuracy cannot be guaranteed. Consequently, label noise poses a significant challenge for the accuracy and robustness of the smart contract, which is rarely explored in the literature. To this end, we propose Contrastive learning-enhanced Granular-Ball smart Contracts training, CGBC, to enhance the robustness of contract vulnerability detection. Specifically, CGBC first introduces a Granular-ball computing layer between the encoder layer and the classifier layer, to group similar contracts into Granular-Balls (GBs) and generate new coarse-grained representations (i.e., the center and the label of GBs) for them, which can correct noisy labels based on the most correct samples. An inter-GB compactness loss and an intra-GB looseness loss are combined to enhance the effectiveness of clustering. Then, to improve the accuracy of GBs, we pretrain the model through unsupervised contrastive learning supported by our novel semantic-consistent smart contract augmentation method. This procedure can discriminate contracts with different labels by dragging the representation of similar contracts closer, assisting CGBC in clustering. Subsequently, we leverage the symmetric cross-entropy loss function to measure the model quality, which can combat the label noise in gradient computations. Finally, extensive experiments show that the proposed CGBC can significantly improve the robustness and effectiveness of the smart contract vulnerability detection when contrasted with baselines.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、成長するコントラクトデータセットと高度なディープラーニング技術によって駆動されるスマートコントラクトの脆弱性を検出するための、顕著なアプローチとして登場した。 しかしながら、DNNは通常、契約機能と脆弱性ラベルの関係をモデル化するために、大規模なラベル付きデータセットを必要とする。 実際には、ラベル付けプロセスは、正確性を保証することができない既存のオープンソースツールに依存していることが多い。 その結果、ラベルノイズはスマートコントラクトの正確性と堅牢性にとって重要な課題となり、文献ではほとんど語られていない。 そこで本研究では,契約脆弱性検出の堅牢性を高めるために,コントラスト学習によるグラニュラー・ボールスマートコントラクトトレーニング(CGBC)を提案する。 具体的には、CGBCはまず、エンコーダ層と分類器層の間にグラニュラーボール計算層を導入し、類似した契約をグラニュラーボール(GB)にグループ化し、それらに対して新しい粗い表現(すなわち、中心とGBのラベル)を生成する。 クラスタリングの有効性を高めるため、GB間コンパクト性損失とGB内疎性損失を組み合わせた。 そして、GBの精度を向上させるために、新しいセマンティック一貫性を持つスマートコントラクト拡張法によって支援された教師なしのコントラスト学習により、モデルを事前訓練する。 この手順は、類似した契約の表現を近くに引きずり、クラスタリングにおけるCGBCを支援することで、異なるラベルで契約を識別することができる。 その後、対称なクロスエントロピー損失関数を利用してモデル品質を測定し、勾配計算におけるラベルノイズに対処する。 最後に,提案したCGBCは,ベースラインと対比した場合のスマートコントラクト脆弱性検出の堅牢性と有効性を大幅に向上できることを示す。

関連論文リスト

• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• EthCluster: An Unsupervised Static Analysis Method for Ethereum Smart Contract [1.1923665587866032]
  スマートコントラクトのSolidityソースコードの脆弱性を特定するために、教師なし学習を使用してモデルをトレーニングする。 実世界のスマートコントラクトに関連する課題に対処するため、トレーニングデータは実際の脆弱性サンプルから導出します。
  論文  参考訳（メタデータ） (2025-04-14T08:36:21Z)
• Entente: Cross-silo Intrusion Detection on Network Log Graphs with Federated Learning [7.8801722630496664]
  グラフベースのネットワーク侵入検知システム(GNIDS)は、高度持続脅威(APT)のような高度なサイバー攻撃を検出する上で、大きな勢いを増している。 既存のGNIDSは、主に中央集権的なデータ設定を前提としているが、プライバシー規制や運用上の制限のため、フレキシブルなデータ収集は常に現実的あるいは達成可能であるとは限らない。 我々は、GNIDSの実践的な開発には分散コレクション設定の会計が必要であると論じ、この顕著な課題に対処するために、フェデレートラーニング(FL)を実行可能なパラダイムとして活用する。 これらの問題に,参照グラフ合成,グラフスケッチ,適応コントリビューションスケーリングなど,グラフデータセットに適した一連の新しいテクニックで対処する。
  論文  参考訳（メタデータ） (2025-03-18T14:21:24Z)
• 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)
• 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)
• Improving Smart Contract Security with Contrastive Learning-based Vulnerability Detection [8.121484960948303]
  スマートコントラクト脆弱性に対するコントラスト学習強化型自動認識手法であるClearを提案する。 特にClearは、契約間のきめ細かい相関情報をキャプチャするために、対照的な学習(CL)モデルを採用している。 その結果,既存のディープラーニング手法よりも9.73%-39.99%高いF1スコアが得られることがわかった。
  論文  参考訳（メタデータ） (2024-04-27T09:13:25Z)
• CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
  信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。 本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。 セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
  論文  参考訳（メタデータ） (2023-08-17T13:07:09Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• 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)
• Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
  既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。 本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。 ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-13T08:24:33Z)

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。