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％。

Jun, 2023

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

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

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

本研究利用时间和金额特征，将以太坊交易记录建模成复杂网络，通过设计多种灵活的基于随机游走的图表征策略，证明了边的时间和多样性特征对于准确建模和理解以太坊交易网络是不可或缺的

Dec, 2020

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

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

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

利用机器学习在以太坊平台上检测金融机器人，建立了金融机器人分类，并提供关于当前机器人情况的额外见解。

Mar, 2024

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