基于 AWD-LSTM 与受自然语言处理启发的预训练编码器的智能合约漏洞多分类
信息检索
2020-04-02 v1 密码学与安全
机器学习
机器学习
摘要
由于其不可变性质，智能合约的漏洞检测与安全性至关重要。诸如 OYENTE 与 MAIAN 的符号工具通常用于智能合约中的漏洞预测。由于这些工具计算开销大，通常仅用于检测至某预定义调用深度内的漏洞。随着调用深度增加，这些工具需要更多搜索时间。由于智能合约数量呈指数增长，使用这些传统工具分析合约十分困难。近来一种称为长短期记忆（Long Short Term Memory, LSTM）的机器学习技术已被用于二分类，即预测智能合约是否易受攻击。该技术随调用深度增加所需搜索时间近乎恒定。在本文中，我们展示了一种多分类，将智能合约分类为自杀型、挥霍型、贪婪型或正常型。我们使用平均随机梯度下降权重丢弃 LSTM（Average Stochastic Gradient Descent Weight-Dropped LSTM, AWD-LSTM）——LSTM 的一种变体——来执行分类。我们通过仅考虑正常合约中不同的操作码组合来降低类不平衡（与其他类别相比正常合约数量极大）。我们取得了 90.0% 的加权平均 Fbeta 分数。因此，此类技术可用于分析大量智能合约并有助于提升这些合约的安全性。
引用
@article{arxiv.2004.00362,
title = {Multi-Class classification of vulnerabilities in Smart Contracts using AWD-LSTM, with pre-trained encoder inspired from natural language processing},
author = {Ajay K. Gogineni and S. Swayamjyoti and Devadatta Sahoo and Kisor K. Sahu and Raj kishore},
journal= {arXiv preprint arXiv:2004.00362},
year = {2020}
}