論文の概要: Pre-Model Representation Failures in GNN-Based Smart Contract Vulnerability Detection

• arxiv url: http://arxiv.org/abs/2608.15184v1
• Date: Sat, 15 Aug 2026 11:54:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.217244
• Title: Pre-Model Representation Failures in GNN-Based Smart Contract Vulnerability Detection
• Title（参考訳）: GNNを用いたスマートコントラクト脆弱性検出におけるプレモデル表現障害
• Abstract要約: 本稿では,GNNに基づくスマートコントラクト脆弱性検出装置の表現層の故障解析を行う。 GNNSCVulDetectorについて検討し,4つの障害を同定した。 表現層障害が原因と考えられた誤分類の1例を報告する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper is a failure analysis of the representation layer underlying GNN-based smart contract vulnerability detectors. These systems convert source code into graphs before any learning takes place; if the graph fails to capture the code's semantics, no model improvement can compensate. We investigate GNNSCVulDetector and identify four failures. First, structurally different contracts produce byte-for-byte identical graphs, constituting a concrete evasion attack. Second, graph construction is governed by a hardcoded 47-entry variable whitelist (including one duplicate entry), which constrains what the extractor can recognise. As a consequence, identical vulnerabilities with different variable names produce inconsistent graphs, graph quality degrades as naming diverges from the whitelist, and when no entry matches the pipeline produces structural output not grounded in source variables. Third, the C node (the graph element representing the external caller that triggers a reentrancy attack) is absent from even the most canonical vulnerable contract in the literature. Fourth, a controlled experiment confirms this as a direct misclassification: a fully exploitable contract is labelled safe because the C -> W edge is never constructed. All four failures are demonstrated experimentally. Current accuracy figures in the literature are measured under conditions that do not expose these failures. We demonstrate one confirmed case of misclassification caused directly by a representation-layer failure; the prevalence of such failures in real-world contract populations remains an open empirical question.
• Abstract（参考訳）: 本稿では,GNNに基づくスマートコントラクト脆弱性検出装置の表現層の故障解析を行う。 これらのシステムは、学習前にソースコードをグラフに変換し、もしグラフがコードのセマンティクスをキャプチャできなかったら、モデルの改善は補うことができない。 GNNSCVulDetectorについて検討し,4つの障害を同定した。 まず、構造的に異なるコントラクトがバイト単位の同一グラフを生成し、具体的な回避攻撃を構成する。 第二に、グラフの構成はハードコードされた47エントリの可変ホワイトリスト(重複エントリを含む)によって管理され、抽出器が認識できるものを制限する。 その結果、異なる変数名を持つ同一の脆弱性は、一貫性のないグラフを生成し、グラフの品質は、ホワイトリストからの命名の分岐として低下し、エントリが一致しない場合には、パイプラインは、ソース変数に基づかない構造的な出力を生成する。 第3に、Cノード(再侵入攻撃をトリガーする外部呼び出し元を表すグラフ要素)は、文学において最も標準的な脆弱な契約でさえも欠落している。 第4に、制御された実験は、これを直接の誤分類であると確認する: 完全に悪用可能な契約は、C-> Wエッジが構築されないため安全であるとラベル付けされる。 4つの失敗はいずれも実験的に実証される。 文献の現在の正確な数値は、これらの失敗を暴露しない条件下で測定される。 実世界の契約人口におけるこのような失敗の頻度は、オープンな経験的問題のままである。

関連論文リスト

• Query-Side Attacks on GNN-Based KGQA: Tracing Failures from Entity Linking to Answer Generation [1.4055000065255678]
  GNNベースの知識グラフ質問回答(KGQA)パイプラインは、4つの独立したステージを通じてクエリを処理する。 標準評価では、ステージレベルの障害を単一エンドツーエンドのメトリクスに分割し、脆性の原因と適切な緩和目標の両方を隠蔽する。 本稿では,知識グラフに対して検証された2つの回答保存対向摂動を用いたステージアイソレーションプロトコルを提案する。
  論文  参考訳（メタデータ） (2026-08-26T15:34:29Z)
• Graph-Based Fraud Detection with Dual-Path Graph Filtering [52.459703746017624]
  グラフデータの不正検出には、異なるタイプのノードを区別する必要がある。 本稿では,デュアルパスグラフフィルタを用いたグラフベースフラッド検出モデルを提案する。 4つの実世界の金融不正検出データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-04-14T20:46:36Z)
• Silent Commitment Failure in Instruction-Tuned Language Models: Evidence of Governability Divergence Across Architectures [0.0]
  我々は、モデルのエラーが出力コミット前に検出可能で、一度検出されると修正できる程度、統治性を導入します。 ベンチマーク精度は支配可能性を予測するものではなく、補正能力は検出と独立に異なり、同一のガバナンス足場はモデル間で逆の効果をもたらす。 本稿では,モデルとタスクの組み合わせをGovernable, Monitor Only, Steer Blind, Ungovernableの4つに分類する。
  論文  参考訳（メタデータ） (2026-03-22T21:50:28Z)
• BugSweeper: Function-Level Detection of Smart Contract Vulnerabilities Using Graph Neural Networks [3.9933521189187693]
  BugSweeperはエンドツーエンドのディープラーニングフレームワークで、手動のエンジニアリングなしでソースコードから直接脆弱性を検出する。 BugSweeperは、それぞれのSolidity関数をFunction-Level Abstract Syntax Graph (FLAG)として表現している。 我々の2段階グラフニューラルネットワーク(GNN)は、構文グラフからノイズをフィルタリングする一方、第2段階のGNNは、多様な脆弱性を検出するために高いレベルの推論を行う。
  論文  参考訳（メタデータ） (2025-12-10T07:30:03Z)
• Cross-Paradigm Graph Backdoor Attacks with Promptable Subgraph Triggers [49.77729302007601]
  グラフニューラルネットワーク(GNN)は、モデル予測を操作するために悪意のあるトリガーを敵に埋め込むバックドア攻撃に対して脆弱である。 既存のトリガジェネレータは構造が単純で、特定の特徴に過度に依存し、単一のグラフ学習パラダイムに集約されることが多い。 本稿では,新たな転送可能なグラフバックドアアタックであるPromptable Subgraph Triggers (CP-GBA) を用いたクロスパラダイムグラフバックドアアタックを提案する。
  論文  参考訳（メタデータ） (2025-10-26T07:10:07Z)
• Stealthy Yet Effective: Distribution-Preserving Backdoor Attacks on Graph Classification [27.872083673005363]
  グラフニューラルネットワーク(GNN)は、ノード分類、リンク予測、グラフ分類といったタスク間で強いパフォーマンスを示している。 ノードレベルの攻撃はローカルメッセージパッシングを利用するが、グラフレベルの攻撃は、ステルスを維持しながらグローバルな表現を操作するという難しい課題に直面している。 DPSBAは,アノマ・アウェア・ディスクリミネーターが指導する敵対的訓練を通じて,流通中のトリガを学習するクリーンラベルバックドアフレームワークである。
  論文  参考訳（メタデータ） (2025-09-30T10:04:57Z)
• WGLE:Backdoor-free and Multi-bit Black-box Watermarking for Graph Neural Networks [2.3612692427322313]
  グラフニューラルネットワーク(GNN)のための新しいブラックボックス透かしパラダイムであるWGLEを提案する。 WGLEは、意図した情報をエンコードする透かしを埋め込む。 その結果、WGLEは100%のオーナシップ検証精度、平均忠実度0.85%、潜在的攻撃に匹敵し、組込みオーバーヘッドが低いことがわかった。
  論文  参考訳（メタデータ） (2025-06-10T09:12:00Z)
• A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
  本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。 推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2025-02-18T22:07:36Z)
• 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)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation [57.92972327649165]
  この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。 コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
  論文  参考訳（メタデータ） (2021-09-07T21:24:36Z)
• Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection [78.88163190021798]
  不整合問題に対処するために、新しいGNNフレームワークである$mathsfGraphConsis$を導入します。 4つのデータセットの実証分析は、不正検出タスクにおいて不整合の問題が不可欠であることを示唆している。 我々はまた、SOTAモデルを実装したGNNベースの不正検出ツールボックスもリリースした。
  論文  参考訳（メタデータ） (2020-05-01T21:43:58Z)

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。