論文の概要: DeFiScreener: Efficient DeFi Attack Pre-screening in Smart Contracts via Historical Case Matching
- arxiv url: http://arxiv.org/abs/2607.22184v1
- Date: Fri, 24 Jul 2026 10:51:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:57.114442
- Title: DeFiScreener: Efficient DeFi Attack Pre-screening in Smart Contracts via Historical Case Matching
- Title（参考訳）: DeFiScreener: 歴史的ケースマッチングによるスマートコントラクトにおける効率的なDeFiアタック事前スクリーニング
- Abstract要約: このギャップに対処する効果的な方法は、大量のスマートコントラクト関数とコールシーケンスから脆弱性のあるインスタンスをプリスクリーンすることです。
そこで我々は,DeFi攻撃のための最初の自動事前スクリーニングフレームワークであるDeFiScreenerを提案する。
DeFiScreenerは98.55%のリコールと84.30%の精度で攻撃前スクリーニングを実現している。
- 参考スコア（独自算出の注目度）: 27.7770612643475
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Blockchain and its killer applications, particularly decentralized finance (DeFi), are gaining widespread adoption, with over 5,200 DeFi projects deployed on mainstream blockchains as of January 2026. At the same time, security risks in DeFi are becoming increasingly serious. However, existing DeFi detection tools usually cover only specific attack types, exhibiting severely limited detection coverage. In this paper, we argue that an effective way to address this gap is to pre-screen vulnerable instances from large volumes of smart contract functions and call sequences. This is motivated by a key phenomenon we term "perilous temporal asymmetry". Inspired by this, we propose DeFiScreener, the first automated pre-screening framework for DeFi attacks that uses historical exploit cases to identify potentially vulnerable functions and call sequences. Given the full source code of a target project, DeFiScreener builds Function Call Trees (FCTs) and generates semantic embeddings for each function using a large language model (LLM), allowing both program structure and function intent to be analyzed together. It then applies a dual-level screening process. At the function level, function embeddings are matched against an Attack Pattern Library of historically exploited functions. At the sequence level, the proposed Attack Pattern Oriented Monte Carlo Tree Search (APO-MCTS) efficiently explores the FCTs and screens vulnerable call sequences. The identified candidates are ultimately passed to an LLM for further interpretive and security analysis. We empirically evaluate the DeFiScreener over datasets comprising 207 real-world DeFi attack incidents. Experimental results demonstrate that DeFiScreener achieves a remarkable 98.55% recall and 84.30% precision in attack pre-screening.
- Abstract（参考訳）: ブロックチェーンとそのキラーアプリケーション、特に分散型金融(DeFi)は広く採用されており、2026年1月時点で5,200以上のDeFiプロジェクトがメインストリームブロックチェーンにデプロイされている。
同時に、DeFiのセキュリティリスクはますます深刻になっている。
しかし、既存のDeFi検出ツールは特定の攻撃タイプのみをカバーしており、検出範囲は極めて限られている。
本稿では,このギャップに対処する効果的な方法は,多数のスマートコントラクト関数やコールシーケンスから,脆弱性のあるインスタンスをプリスクリーンすることである,と論じる。
これは、我々が"Perilous temporal asymmetric"と呼ぶ重要な現象によって動機付けられている。
この問題に触発されたDeFiScreenerは、DeFi攻撃のための最初の自動事前スクリーニングフレームワークで、歴史的なエクスプロイトケースを使用して潜在的に脆弱な関数と呼び出しシーケンスを識別する。
DeFiScreenerは、対象プロジェクトの完全なソースコードを前提として、ファンクションコールツリー(FCT)を構築し、大きな言語モデル(LLM)を使用して各関数に対するセマンティック埋め込みを生成し、プログラム構造と関数意図の両方を一緒に分析できるようにする。
次に、デュアルレベルスクリーニングプロセスを適用する。
関数レベルでは、関数の埋め込みは歴史的に悪用された関数の攻撃パターンライブラリと一致します。
シーケンスレベルでは、提案した攻撃パターン指向モンテカルロ木探索(APO-MCTS)がFCTと脆弱なコールシーケンスを効率的に探索する。
特定された候補は最終的にLLMに渡され、さらなる解釈とセキュリティ分析が行われる。
実世界の207件のDeFiアタックインシデントを含むデータセットに対して,DeFiScreenerを実証的に評価した。
実験の結果、DeFiScreenerは98.55%のリコールと84.30%の精度で攻撃前スクリーニングに成功した。
関連論文リスト
- Understanding and Mitigating Prompt Leaking Attacks in Real-World LLM-Based Applications [57.33208520608409]
本稿では,大規模言語モデル(LLM)に基づくアプリケーションにおいて,プロンプトリークのシステマティックスタディを提案する。
デプロイの80%以上は、現実的な逆クエリの下で、システムにリークする。
我々は、最適化可能なソフトプロンプトを用いてモデルの注意を喚起する実用的な防御であるARAを提案する。
論文 参考訳（メタデータ） (2026-06-17T04:20:00Z) - TwinGate: Stateful Defense against Decompositional Jailbreaks in Untraceable Traffic via Asymmetric Contrastive Learning [60.68349524623048]
分解されたジェイルブレイクは、大きな言語モデルにとって重大な脅威となる。
我々はステートフルなデュアルエンコーダ防御フレームワークであるTwinGateを紹介する。
我々は、8600の異なる悪意のある意図にまたがる360万以上の命令の包括的なデータセットを構築した。
論文 参考訳（メタデータ） (2026-04-30T13:44:01Z) - GenDetect: Generalizing Reactive Detection for Resilience Against Imitative DeFi Attack Cascade [23.806317656630274]
Defi攻撃は、スマートコントラクトの透明で構成可能な性質のために急速に伝播する。
実証分析によると、DeFi攻撃の69%以上は、以前のインシデントと強い行動類似性を示している。
我々は、ACC 98%、F 1%、FNR 3%を達成するGenDetectを開発し、過去3年間の56件の未発見攻撃を発見した。
論文 参考訳（メタデータ） (2026-04-28T20:18:02Z) - Immunity memory-based jailbreak detection: multi-agent adaptive guard for large language models [12.772312329709868]
大規模言語モデル(LLM)はAIシステムの基盤となっているが、敵のジェイルブレイク攻撃に弱いままである。
ジェイルブレイク検出のためのマルチエージェント適応ガード(MAAG)フレームワークを提案する。
MAAGはまず、入力プロンプトからアクティベーション値を抽出し、メモリバンクに格納された履歴アクティベーションと比較して、迅速な予備検出を行う。
論文 参考訳（メタデータ） (2025-12-03T01:40:40Z) - DiffuGuard: How Intrinsic Safety is Lost and Found in Diffusion Large Language Models [50.21378052667732]
我々は、ステップ内およびステップ間ダイナミクスという2つの異なる次元にわたるジェイルブレイク攻撃に対して、dLLM脆弱性の詳細な分析を行う。
デュアルステージアプローチによる脆弱性に対処する,トレーニング不要な防御フレームワークであるDiffuGuardを提案する。
論文 参考訳（メタデータ） (2025-09-29T05:17:10Z) - The Surprising Effectiveness of Membership Inference with Simple N-Gram Coverage [71.8564105095189]
対象モデルからのテキスト出力のみに依存する会員推論攻撃であるN-Gram Coverage Attackを導入する。
我々はまず、N-Gram Coverage Attackが他のブラックボックスメソッドより優れている、様々な既存のベンチマークを実証する。
GPT-4oのような最近のモデルでは、メンバーシップ推論に対するロバスト性が向上していることがわかった。
論文 参考訳（メタデータ） (2025-08-13T08:35:16Z) - DRIFT: Dynamic Rule-Based Defense with Injection Isolation for Securing LLM Agents [52.92354372596197]
大規模言語モデル(LLM)は、強力な推論と計画能力のため、エージェントシステムの中心となってきています。
この相互作用は、外部ソースからの悪意のある入力がエージェントの振る舞いを誤解させる可能性がある、インジェクション攻撃のリスクも引き起こす。
本稿では,信頼に値するエージェントシステムのための動的ルールベースの分離フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-13T05:01:09Z) - Predictive-CSM: Lightweight Fragment Security for 6LoWPAN IoT Networks [0.0]
この研究は、この問題に対してより適応的で行動に配慮したアプローチをとる防衛戦略を探求する。
予測CSM(Predictive-CSM)と呼ばれるシステムでは,2つの軽量機構が組み合わさっている。
我々は,初期フラグメントインジェクション,リプレイヘッダ,フェイクデータによる浸水など,一連の攻撃シミュレーションを用いて,本システムをテストに適用した。
論文 参考訳（メタデータ） (2025-06-02T15:15:18Z) - Securing Wi-Fi 6 Connection Establishment Against Relay and Spoofing Threats [8.770626974296949]
現在のWi-Fiセキュリティプロトコルは、中途半端、プリアンブルスプーフ、リレーなどの攻撃を完全に緩和することができない。
我々は,物理層(PHY)のプリアンブルに,時間制約のあるデジタル署名を織り込み,後方互換性のあるスキームを設計する。
我々は,リレー攻撃検出が96-100%正の正の確率を達成することを示す。
論文 参考訳（メタデータ） (2025-01-02T19:49:24Z) - AdvQDet: Detecting Query-Based Adversarial Attacks with Adversarial Contrastive Prompt Tuning [93.77763753231338]
CLIP画像エンコーダを微調整し、2つの中間対向クエリに対して同様の埋め込みを抽出するために、ACPT(Adversarial Contrastive Prompt Tuning)を提案する。
我々は,ACPTが7つの最先端クエリベースの攻撃を検出できることを示す。
また,ACPTは3種類のアダプティブアタックに対して堅牢であることを示す。
論文 参考訳（メタデータ） (2024-08-04T09:53:50Z) - FORAY: Towards Effective Attack Synthesis against Deep Logical Vulnerabilities in DeFi Protocols [7.413607595641641]
我々は,DeFiプロトコルの深い論理的バグに対して,非常に効果的な攻撃合成フレームワークであるForayを紹介する。
DSLに基づいて、まず指定されたDeFiプロトコルをトークンフローグラフにコンパイルします。
そこで我々は,特定の攻撃目標に対する攻撃スケッチを合成する効率的なスケッチ生成手法を設計した。
論文 参考訳（メタデータ） (2024-07-08T19:35:48Z)
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。