論文の概要: ContractLens: Latent Security Knowledge for Malicious Smart Contract Detection
- arxiv url: http://arxiv.org/abs/2610.04992v1
- Date: Sun, 04 Oct 2026 06:22:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 07:18:33.243249
- Title: ContractLens: Latent Security Knowledge for Malicious Smart Contract Detection
- Title（参考訳）: ContractLens: 悪意のあるスマートコントラクト検出のための潜在的セキュリティ知識
- Abstract要約: ContractLensは、悪意のあるスマートコントラクト検出のために、トレーニング済みの大規模言語モデルに潜伏するセキュリティ知識をローカライズし、使用するフレームワークである。
本研究では,3つの事前学習モデルにおける評価手法よりも平均検出精度が高いことを示す。
- 参考スコア（独自算出の注目度）: 45.83445150731058
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting malicious smart contracts is essential to safeguarding the Web3.0 ecosystem. However, existing auditing methods based on large language models (LLMs) largely rely on prompt engineering or attack-specific fine-tuning, while the internal representations that support malicious logic detection remain poorly characterized. To address this gap, we propose ContractLens, a framework that localizes and uses latent security knowledge in pretrained LLMs for interpretable malicious smart contract detection. Specifically, we first use layerwise linear probes to identify candidate layers that distinguish malicious from benign contracts, then select critical layers based on their sensitivity to malicious logic removal and stability under behaviour-preserving surface modifications. Next, within these critical layers, we combine activation contrast, malicious-logic specificity, and probe weights into a tri-factor importance score and adaptively select malicious contract-discriminative units (MCDUs) using the knee point of the ranked score curve. Finally, we concatenate the selected units' activations into a compact representation and train a lightweight classifier for detection, keeping the pretrained model frozen throughout. Neuron masking experiments show that masking MCDUs causes larger drops in detection performance than masking randomly selected neurons or neurons matched in activation magnitude. ContractLens achieves higher average detection accuracy than the evaluated methods on all three pretrained models. Further evaluations demonstrate generalization to unseen malicious intents and show that, with the identified MCDUs fixed, a classifier trained on few labelled samples can still achieve strong detection performance.
- Abstract（参考訳）: Web3.0エコシステムを保護するためには、悪意のあるスマートコントラクトの検出が不可欠だ。
しかし,大規模言語モデル (LLM) に基づく既存の監査手法は,攻撃固有の微調整に大きく依存している。
このギャップに対処するために、悪意のあるスマートコントラクト検出を解釈するために、事前訓練されたLLMで潜伏するセキュリティ知識をローカライズし、使用するフレームワークであるContractLensを提案する。
具体的には、まず層単位で線形プローブを用いて、悪質な契約と悪質な契約を区別する候補層を識別し、次に、悪質な論理除去に対する感受性と行動保存表面修正時の安定性に基づいて重要な層を選択する。
次に、これらの重要な層の中で、アクティベーションコントラスト、悪意論理的特異性、プローブ重みを三要素重要度スコアに組み合わせ、ランキングスコア曲線の膝点を用いて悪意ある契約識別単位(MCDU)を適応的に選択する。
最後に、選択したユニットのアクティベーションをコンパクトな表現に分解し、検出のための軽量な分類器を訓練し、事前訓練されたモデル全体を凍結し続ける。
ニューロンマスキング実験により、MCDUのマスキングは、ランダムに選択されたニューロンやニューロンをアクティベーションの規模でマスクするよりも、検出性能の低下を引き起こすことが示された。
ContractLensは、3つの事前訓練されたモデルで評価された方法よりも高い平均検出精度を達成する。
さらなる評価は、悪意のない意図の一般化を示し、識別されたMCDUを固定すると、少数のラベル付きサンプルで訓練された分類器が強力な検出性能が得られることを示す。
関連論文リスト
- Detecting Contaminated Code-Generation Prompt Batches via Influence Functions [4.185678330063222]
大規模言語モデル(LLM)は、コード生成にますます使われているが、安全でない実装を誘発するプロンプトに弱いままである。
本稿では、影響関数を利用して異常モデル動作を誘発するプロンプトのバッチを識別する脅威モデル非依存検出手法であるCodeSIFTを提案する。
論文 参考訳（メタデータ） (2026-08-14T13:37:53Z) - Weakly Supervised Camouflaged Object Detection Based on the SAM Model and Mask Guidance [49.06684374007753]
制約を克服するために,キャモフラージュされた物体検出のための新しい弱い教師付きアプローチを導入する。
具体的には,エッジのあいまいさに対処し,検出に失敗する新しいネットワークMGNetを提案する。
そこで本研究では,Segment Anything Model(SAM)とバウンディングボックスプロンプトを併用して擬似ラベルを生成するBoxSAMを提案する。
論文 参考訳（メタデータ） (2026-05-25T03:26:13Z) - Robust Smart Contract Vulnerability Detection via Contrastive Learning-Enhanced Granular-ball Training [20.039905908167903]
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。
論文 参考訳（メタデータ） (2026-03-29T15:19:50Z) - BlindGuard: Safeguarding LLM-based Multi-Agent Systems under Unknown Attacks [58.959622170433725]
BlindGuardは、攻撃固有のラベルや悪意のある振る舞いに関する事前の知識を必要とせずに学習する、教師なしの防御方法である。
BlindGuardはマルチエージェントシステムにまたがる多様な攻撃タイプ(即時注入、メモリ中毒、ツール攻撃)を効果的に検出する。
論文 参考訳（メタデータ） (2025-08-11T16:04:47Z) - A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection [13.109309606764754]
我々は、ターゲットモデル自体の内部の階層的不整合を利用するプラグイン検出フレームワークを導入する。
本手法は計算オーバーヘッドを無視して最先端検出性能を実現する。
論文 参考訳（メタデータ） (2025-05-19T00:48:53Z) - Feature-Aware Malicious Output Detection and Mitigation [8.378272216429954]
有害反応拒絶(FMM)のための特徴認識手法を提案する。
FMMは、モデルの特徴空間内に悪意のある特徴が存在することを検知し、モデルの拒絶機構を適応的に調整する。
実験により,複数の言語モデルと多様な攻撃手法を用いたアプローチの有効性が示された。
論文 参考訳（メタデータ） (2025-04-12T12:12:51Z) - Palisade -- Prompt Injection Detection Framework [0.9620910657090188]
大規模言語モデルは、悪意のあるインジェクション攻撃に対して脆弱である。
本稿では,新しいNLPを用いたインジェクション検出手法を提案する。
階層化された入力スクリーニングプロセスを通じて精度と最適化を強調する。
論文 参考訳（メタデータ） (2024-10-28T15:47:03Z) - Unsupervised Continual Anomaly Detection with Contrastively-learned
Prompt [80.43623986759691]
UCADと呼ばれる新しい非教師付き連続異常検出フレームワークを提案する。
このフレームワークは、対照的に学習したプロンプトを通じて、UDAに継続的な学習能力を持たせる。
我々は総合的な実験を行い、教師なし連続異常検出とセグメンテーションのベンチマークを設定した。
論文 参考訳（メタデータ） (2024-01-02T03:37:11Z) - Token-Level Adversarial Prompt Detection Based on Perplexity Measures
and Contextual Information [67.78183175605761]
大規模言語モデルは、敵の迅速な攻撃に影響を受けやすい。
この脆弱性は、LLMの堅牢性と信頼性に関する重要な懸念を浮き彫りにしている。
トークンレベルで敵のプロンプトを検出するための新しい手法を提案する。
論文 参考訳（メタデータ） (2023-11-20T03:17:21Z) - Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection
Capability [70.72426887518517]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。
本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。
本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
論文 参考訳（メタデータ） (2023-06-06T14:23:34Z)
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。