基于对比学习增强的粗糙球训练用于鲁棒智能合约漏洞检测
机器学习
2026-03-31 v1 人工智能
摘要
深度神经网络 (DNN) 已成为检测智能合约漏洞的主流方法，受益于不断增长的合约数据集和先进的深度学习技术。然而，DNN 需要大规模标记数据集来建模合约特征与漏洞标签之间的关系。在实际情况下，标记过程常依赖现有开源工具，其准确性无法得到保证。因此，标签噪声对智能合约的准确性和鲁棒性构成了重要挑战，而文献中很少有人进行探讨。为此，我们提出一种基于对比学习增强的粗糙球智能合约训练方法 CGBC，以提高合约漏洞检测的鲁棒性。具体而言，CGBC 首先在编码器层和分类器层之间引入粗糙球计算层，将相似的合约分组到粗糙球 (GB) 中，并为它们生成新的粗粒度表示（即 GB 的中心和标签），可基于最正确的样本纠正标签噪声。结合 GB 内部松弛损失和 GB 之间紧凑损失来增强聚类效果。然后，通过我们新方法支持的无监督对比学习进行模型预训练，这一程序可通过将相似合约的表示拉近来区分不同标签的合约，协助 CGBC 完成聚类。随后，我们利用对称交叉熵损失函数衡量模型质量，该函数可抵御梯度计算中的标签噪声。最后，大量实验表明，所提出的 CGBC 在与基线方法相比方面显著提高了智能合约漏洞检测的鲁棒性和有效性。
引用
@article{arxiv.2603.27734,
title = {Robust Smart Contract Vulnerability Detection via Contrastive Learning-Enhanced Granular-ball Training},
author = {Zeli Wang and Qingxuan Yang and Shuyin Xia and Yueming Wu and Bo Liu and Longlong Lin},
journal= {arXiv preprint arXiv:2603.27734},
year = {2026}
}