智能合约漏洞检测：从纯神经网络到可解释图特征与专家模式融合
机器学习
2021-06-18 v1 编程语言
摘要
智能合约持有价值数十亿美元的数字货币，其安全问题在过去几年中引起了广泛关注。在智能合约漏洞检测方面，传统方法严重依赖固定的专家规则，导致准确率低且可扩展性差。近期的深度学习方法缓解了这一问题，但未能编码有用的专家知识。本文中，我们探索以可解释的方式将深度学习与专家模式相结合。具体而言，我们开发自动工具从源代码提取专家模式。然后将代码转换为语义图以提取深度图特征。此后，全局图特征与局部专家模式相融合以协同逼近最终预测，同时产生其可解释的权重。实验在以太坊和 VNT Chain 两个平台上所有可用的带源代码智能合约上进行。经验上，我们的系统显著优于最先进（SOTA）方法。我们的代码已开源。
引用
@article{arxiv.2106.09282,
title = {Smart Contract Vulnerability Detection: From Pure Neural Network to Interpretable Graph Feature and Expert Pattern Fusion},
author = {Zhenguang Liu and Peng Qian and Xiang Wang and Lei Zhu and Qinming He and Shouling Ji},
journal= {arXiv preprint arXiv:2106.09282},
year = {2021}
}
备注
This paper has been accepted by IJCAI 2021