Sep, 2023

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

PDF
TL;DR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。
vulnsense frameworkethereum smart contractsmultimodal learningvulnerability detectiongraph-based models
发现论文，激发创造
  • 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

  • HyMo: 一种新颖的多模态混合模型用于检测智能合约漏洞

    本文提出了一种深度学习多模型混合模型 HyMo 以及 FastText 词嵌入技术，并使用各种深度学习模型获取特征来检测智能合约漏洞，与其他方法相比表现更好，从而提高了智能合约漏洞的检测性能。

    Apr, 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

  • 以双视角为基础的以太坊智能合约漏洞检测

    我们提出了一种名为 DVDet 的双视图感知智能合约漏洞检测框架，通过将智能合约的源代码和字节码转化为加权图和控制流序列，从两个视角捕获潜在的风险特征并进行集成分析，从而实现了有效的合约漏洞检测，实验结果表明该方法在检测漏洞方面优于其他方法。

    Jun, 2024

  • 智能学习寻找愚笨合约

    本研究利用深度学习技术，基于字节码对以太坊智能合约进行漏洞检测，提出了 Deep Learning Vulnerability Analyzer (DLVA), 其训练算法具有通用性和鲁棒性，在速度和精度上有显著的提升。DLVA 主要由三个部分组成: Smart Contract to Vector (SC2V), Sibling Detector (SD) 和 Core Classifier (CC)。DLVA 在测试中的整体准确率为 96.6%，误报率仅为 3.7%。

    Apr, 2023

  • Devign：基于图神经网络学习全面程序语义的有效漏洞识别

    提出 Devign，基于图表征学习的图层级分类模型，旨在识别软件系统中的漏洞函数，能够有效地训练和提取代码的语义表示特征。经过广泛的数据集评估，结果表明该模型在准确率和 F1 得分上，明显优于现有技术。

    Sep, 2019

  • 基于大型语言模型的智能合约漏洞检测：新视角

    通过我们进行的持续研究，本文对利用 LLMs 挖掘智能合约中的漏洞的机遇、挑战和潜在解决方案进行了系统分析。我们提出了一种对抗性框架 GPTLens，通过将传统的一阶段检测分为两个协同的阶段 —— 生成和判别，以实现渐进检测和微调。GPTLens 是直观的、策略性的，完全依靠 LLM 驱动，展示了其方法的普遍性和发现广泛漏洞的潜力。

    Oct, 2023

  • 利用愚蠢合同进行学校教育

    SCooLS 是一个智能合约学习引擎，使用神经网络来分析以太坊合约字节码，通过半监督学习和图神经网络，可以快速识别智能合约中的漏洞，同时可用于生成利用程序，具有很高的精确度和较低的误报率。

    Apr, 2023

  • XGV-BERT：基于上下文化语言模型和图神经网络的高效软件漏洞检测

    我们提出了一种名为 XGV-BERT 的框架，结合预训练的 CodeBERT 模型和图神经网络（GCN）来检测软件漏洞，通过联合训练 CodeBERT 和 GCN 模块，该模型利用大规模预训练、通过图卷积学习训练数据的表示，其研究结果表明与 VulDeePecker 和 SySeVR 等现有方法相比，XGV-BERT 方法显著提高了漏洞检测的准确性。

    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