ESCORT: 基于深度神经网络与迁移学习的以太坊智能合约漏洞检测
密码学与安全
2021-03-24 v1 机器学习
摘要
以太坊智能合约是区块链上自动化的去中心化应用,描述了买卖双方之间协议的条款,减少了对可信中介和仲裁的需求。然而,智能合约的部署给加密货币系统引入了新的攻击向量。特别是,智能合约中的编程缺陷已经被且已经被利用来获取巨大的财务利润。因此,高效地检测合约中不同类别的漏洞是一个新兴但关键的问题。现有的基于机器学习的漏洞检测方法存在局限,仅检查智能合约是否存在漏洞,或为每种特定漏洞训练单独的分类器,或展示了多类漏洞检测却未考虑可扩展性。为克服现有工作的可扩展性与泛化性局限,我们提出ESCORT,首个基于深度神经网络(DNN)的以太坊智能合约漏洞检测框架,支持对未知安全漏洞的轻量级迁移学习,从而具有可扩展性与泛化性。ESCORT利用一个多输出神经网络架构,由两部分组成:(i) 学习输入合约语义的通用特征提取器;(ii) 多个分支结构,每个分支基于特征提取器所得特征学习一种特定漏洞类型。实验结果表明,ESCORT在六类漏洞上达到平均95%的F1分数,每合约检测时间为0.02秒。扩展到新漏洞类型时,ESCORT平均F1分数为93%。据我们所知,ESCORT是首个仅需极小修改DNN模型架构与重训练开销即可对新漏洞类型进行迁移学习的框架。
引用
@article{arxiv.2103.12607,
title = {ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep Neural Network and Transfer Learning},
author = {Oliver Lutz and Huili Chen and Hossein Fereidooni and Christoph Sendner and Alexandra Dmitrienko and Ahmad Reza Sadeghi and Farinaz Koushanfar},
journal= {arXiv preprint arXiv:2103.12607},
year = {2021}
}
备注
17 pages, 10 figures, 5 tables, 5 equations, 2 listings