Jun, 2023

使用数据流预训练模型在以太坊上智能侦测庞氏骗局

PDF
TL;DR本文提出了一种新的方法，使用 SourceP 方法和数据流来检测以太坊平台上的智能庞氏骗局，其可以将智能合约的源代码转换成数据流图，并引入了基于学习代码表示的预训练模型来构建分类模型，实现了在 Ethereum 中智能庞氏骗局的高性能和可持续性检测，其召回率为 87.2％，F-score 为 90.7％。
blockchain technologyponzi schemesmart contractsethereumdata flow
发现论文，激发创造
  • 提高以太坊上庞氏骗局检测的鲁棒性和准确性 —— 基于时间相关特征

    该研究开发了新的检测模型，仅依赖于交易数据，实现了比现有基于交易的模型更高的准确性、精确度、召回率和 F1 值，填补了现有文献中的空白。

    Aug, 2023

  • 智能合约漏洞检测：从纯神经网络到可解释的图形特征和专家模式融合

    本文将深度学习和专家模式相结合，从源代码中提取专家模式，将代码转换成语义图，提取深度图特征，然后将全局图特征和本地专家模式融合以有效检测智能合约安全漏洞，实验证明该系统显著优于现有最先进的方法。

    Jun, 2021

  • 将图神经网络与专家知识相结合，用于智能合约漏洞检测

    使用图神经网络和专家知识探索智能合约漏洞检测，通过将源代码的控制和数据流语义转换为合同图，然后结合深度神经网络和专家模式检测三种漏洞（再入、时间戳依赖和无限循环漏洞），在以太坊和 VNT Chain 平台上取得了显着的精度提高。

    Jul, 2021

  • 以网络嵌入技术检测以太坊网络中的网络钓鱼及骗局探测

    通过交易记录的信息提取和网络嵌入技术，本文针对以太坊网络上的网络钓鱼现象提出了一种检测方法，并证明其在以太坊上的有效性和交易网络特征提取算法的优越性。

    Nov, 2019

  • 利用机器学习进行多链去中心化金融欺诈检测

    本文提出了一种从不同的链中提取特征的有效方法，并运用 XGBoost 和神经网络等机器学习方法用于识别欺诈账户，明确指出引入 DeFi 相关特征后，结果显著提高。

    May, 2023

  • 双层方法修复智能合约

    通过使用两层结构的新颖框架，结合 Slither 漏洞报告、源代码和预训练的随机森林分类器以及大型语言模型，通过分类和修复提出的漏洞，该研究论文展示了经过微调和提前生成工作的大型语言模型的有效性，其由预训练的 GPT-3.5-Turbo 和微调的 Llama-2-7B 模型构建，对智能合约中的漏洞数量进行了 96.7% 至 97.5% 的减少。对修复后的合约进行的手动检查显示其保留了功能性，表明该方法适用于智能合约漏洞的自动批量分类和修复。

    Sep, 2023

  • 具有语义漏洞图的无偏 Transformer 源代码学习

    提出了一种结合 RoBERTa 模型和 GCN 模型的关于代码漏洞检测的多任务分类器，该模型采用了一个语义性漏洞图来降低偏差，并通过结合 Focal Loss 目标函数降低数据集不平衡的影响。在多个数据集的测试中，该模型表现优异，能够在最好的情况下提高 2.41% 和 18.75% 的检测效果，并且在针对知名 Github 代码库的 N-day 程序样本的测试中表现出 93% 的准确率，能够检测出 4 种零日漏洞。

    Apr, 2023

  • 图特征预处理器：从事务图中实时提取基于子图的特征

    我们介绍了一种名为 “Graph Feature Preprocessor” 的软件库，用于实时检测金融交易图中的典型洗钱和欺诈模式。该库利用多核并行性，在内存中维护动态图，并高效地挖掘传入交易流中的子图模式，从而能够以流式方式操作。我们通过使用高度不平衡的合成反洗钱（AML）和现实生活中的以太坊钓鱼数据集对我们的库进行评估。结合我们的 Graph Feature Preprocessor 和基于梯度提升的机器学习模型，我们的解决方案能够以比标准图神经网络更高的少数类 F1 分数检测到这些非法交易。此外，我们的解决方案在多核 CPU 上的端到端吞吐量优于在强大的 V100 GPU 上执行的图神经网络基准。总体而言，我们的解决方案的高准确性、高吞吐量和低延迟展示了我们的库在实际应用中的实际价值。

    Feb, 2024

  • VulnSense：基于图神经网络和语言模型的以太坊智能合约高效漏洞检测

    本文介绍了 VulnSense 框架，一种基于图形和自然语言处理模型的多模态学习方法，用于高效地检测以太坊智能合约中的漏洞。该框架通过整合源代码、操作码序列和字节码提取的控制流图等三种智能合约特征，运用 Bidirectional Encoder Representations from Transformers (BERT)、Bidirectional Long Short-Term Memory (BiLSTM) 和 Graph Neural Network (GNN) 模型来提取和分析这些特征，最后使用全连接层来预测以太坊智能合约中的漏洞。通过对 3 个数据集（Curated、SolidiFI-Benchmark 和 Smartbugs Wild）组合得到的 1,769 个智能合约进行实验验证，与 GNN、BiLSTM 和 BERT 结构提出的各种单模态和多模态学习技术进行对比，实验证明了我们提出的方法在三类易受攻击智能合约上达到了 77.96% 的平均准确率，超越了现有的单特征或单模型深度学习技术在准确性和效果方面的限制。

    Sep, 2023

  • 基于异构图神经网络的以太坊欺诈检测

    该研究比较了不同类型图神经网络模型在以太坊交易网络数据和钓鱼标签数据上的性能表现，结果表明异构模型的表现优于同构模型，尤其是 RGCN 模型在整体指标上表现最好。

    Mar, 2022