CN115168864A - 一种基于特征交叉的智能交叉合约漏洞检测方法 - Google Patents

一种基于特征交叉的智能交叉合约漏洞检测方法 Download PDF

Info

Publication number
CN115168864A
CN115168864A CN202210739355.7A CN202210739355A CN115168864A CN 115168864 A CN115168864 A CN 115168864A CN 202210739355 A CN202210739355 A CN 202210739355A CN 115168864 A CN115168864 A CN 115168864A
Authority
CN
China
Prior art keywords
feature
network
intelligent contract
vector
contract
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210739355.7A
Other languages
English (en)
Inventor
李丽娜
刘阳
李念峰
王玉英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changchun University
Original Assignee
Changchun University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changchun University filed Critical Changchun University
Priority to CN202210739355.7A priority Critical patent/CN115168864A/zh
Publication of CN115168864A publication Critical patent/CN115168864A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
    • G06F21/577—Assessing vulnerabilities and evaluating computer system security
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于特征交叉的智能合约漏洞检测方法，包括：通过以太坊智能合约和维特链智能合约，标注智能合约标签，将智能合约源码转换成对应的合约图，提取智能合约源码中对应数据；通过前馈神经网络提取合约图特征Cr，通过全连接层提取智能合约中专家模式特征Sr，将合约图特征Cr与专家模式特征Sr同时输入到AutoInt网络和DCN网络中；在AutoInt网络和DCN网络中进行特征交叉，构建高维特征向量，将经AutoInt网络的输出向量与DCN网络的输出向量结合在一起，输入到分类网络模型中进行训练，训练完成后输出漏洞检测结果。基于合约图向量和专家模式特征向量，通过AutoInt网络和深度交叉网络构造高维非线性特征向量，训练分类器模型，从而实现智能合约漏洞的自动化检测。

Description

一种基于特征交叉的智能交叉合约漏洞检测方法
技术领域
本发明涉及一种基于特征交叉的智能合约漏洞检测方法，属于区块链智能合约安全领域。
背景技术
智能合约使区块链具备了较高的可编程性，图灵完备的区块链网络允许开发人员在区块链上进行开发并部署特定的代码和应用，但智能合约的代码在开发过程中无法避免存在一些缺陷。与此同时，智能合约部署后便不可更改，从而导致漏洞也无法进行修复，这给区块链网络带来了安全隐患。因此，在部署之前对智能合约进行有效的漏洞检查是必不可少的。
智能合约中常见漏洞包括整数溢出、时间戳依赖攻击、调用深度攻击、误操作异常攻击、重入攻击。针对这些漏洞检测方式又分为形式化验证法、符号执行法、模糊测试法、中间表示法、深度学习法。
传统的智能合约漏洞检测方式存在检测时间长、准确率低等问题。经典的静态分析或动态执行技术根本上是依赖于专家定义的模式，这种模式容易出错且复杂模式下难以分析，简单的使用严格定义的模式会导致高误报率，攻击者也可以容易地绕过检查。
目前，已经开始采用深度神经网络进行智能合约漏洞检测以提高准确性。利用基于LSTM的网络顺序处理源代码，而将源代码建模为控制流图。建立了一个序列模型来分析以太坊操作代码。然而，这些方法要么将源代码或操作代码视为文本序列而不是语义块，要么未能突显出智能合约抽象出的数据特征，导致语义建模不足和向量特征缺失。
发明内容
本发明设计开发了一种基于特征交叉的智能合约漏洞检测方法，基于合约图向量和专家模式特征向量，利用特征交叉技术，通过AutoInt网络和深度交叉网络构造高维非线性特征向量，训练分类器模型，从而实现智能合约漏洞的自动化检测；减少智能合约在区块链应用中引入的安全问题，保证用户信息的隐私性及资产的安全性。
本发明提供的技术方案为：
一种基于特征交叉的智能合约漏洞检测方法，包括：
通过以太坊智能合约和维特链智能合约，标注智能合约标签，将智能合约源码转换成对应的合约图，提取智能合约源码中对应数据；
通过前馈神经网络提取合约图特征Cr，通过连接层提取智能合约中专家模式特征Sr，将合约图特征Cr与专家模式特征Sr同时输入到AutoInt网络和DCN网络中；
在AutoInt网络和DCN网络中进行特征交叉，构建高维特征向量，将经AutoInt网络的输出向量与DCN网络的输出向量结合在一起，输入到分类网络模型中进行训练，训练完成后输出漏洞检测结果。
优选的是，所述标注智能合约标签通过开源漏洞检测工具以及人工审计方式进行标注；
其中，标签为1表示该合约存在漏洞，标签为0表示不存在漏洞。
优选的是，在特征交叉网络中前插入嵌入层。
优选的是，所述将合约图特征Cr和专家模式特征Sr输入到嵌入层生成嵌入向量E＝[e1，......，eM]。
优选的是，所述AutoInt网络的核心为多头注意力机制，基于多头注意力机制的AutoInt网络，将低维的嵌入向量输入到AutoInt网络中。
优选的是，输入的嵌入向量分别经交叉网络和深度神经网络处理后进行向量结合得到融合特征Ao∪Do。
优选的是，所述训练过程中采用Sigmoid激活函数输出检测结果。
优选的是，在所述嵌入层中，对单值离散特征、多值离散特征以及连续特征的处理包括：
对于单值离散特征，通过嵌入词表得到对应的嵌入向量esd表示：
esd＝Vixi；
其中，Vi是特征组Vi对应的嵌入矩阵，xi是特征组的one-hot编码表示向量；
对于多值离散特征，通过嵌入词表得到对应嵌入向量后，通过平均池化的方式对同一特征域的嵌入向量进行平均，得到嵌入向量emd：
Figure BDA0003717104990000031
其中，q是多值离散特征中取值的个数，对于离散特征来说，xi是one-hot向量或者multi-hot向量，取值0或1。
设定连续特征为一个标量，将标量的取值与其对应的嵌入向量相乘：
em＝vmxm；
其中，vm是一个嵌入向量，xm是一个标量值。
优选的是，所述构建高维特征向量包括：
将多头注意力机制将特征投射到多个子空间中，在不同的子空间中捕获不同的特征交互模式，通过交互层的堆叠，捕获更高阶的交互特征；
高维特征向量，具体形式为：
Figure BDA0003717104990000032
其中，xl和xl+1分别是第l层和第l+1层的输出，wl和bl是这两层之间的连接参数，式中变量均为列向量，f(xl，wl，bl)为在拟合该层输出和上一层输出的残差。
本发明所述的有益效果：
本发明以专家规则与智能合约图为基础，通过AutoInt网络和DCN网络采用不同的方式构建高维非线性特征，使模型的性能得到提升，实现利用深度学习的方式提高智能合约漏洞检测的准确率，为智能合约漏洞检测的改进提供了新的解决思路，具有良好的借鉴意义。具体的创新性表现在以下几个方面：
以合约图向量与专家安全模式向量为基础，探索对特征向量的重新构建，达到提高智能合约漏洞检测的精确率的可能性；
采用基于多头注意力机制的AutoInt网络，对输入的特征向量进行交叉重新构建，使用多头注意力机制将特征投射到多个子空间中，在不同的子空间中可以捕获不同的特征交互模式。通过交互层的堆叠，可以捕获更高阶的交互模式；
采用深度交叉网络，学习合约图特征与专家模式特征组合的非线性高阶特征，高效地捕获多度有效特征的相互作用，不需要人工特征工程或遍历搜索，且具有较低的计算成本。
在实际应用中，与传统的智能合约漏洞检测方式相比，本发明实现了自动化检测功能，效率得到提高，节约了人力成本和时间成本，提高了智能合约开发的效率。与自动化的智能合约漏洞检测方式相比，本发明的漏洞检测的准确率和精度得到极大的提升，使智能合约部署在区块链前检测到漏洞威胁，防止智能合约部署在区块链后带来的安全威胁，从而保证用户和企业双方利益。
附图说明
图1为本发明所述的基于特征交叉的智能合约漏洞检测的流程示意图。
图2为本发明所述的基于特征交叉的智能合约漏洞检测的模块示意图。
图3为本发明所述的基于特征交叉的专家模式特征和和合约图特征提取示意图。
图4为本发明所述的智能合约漏洞检测的多头注意力机制原理示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1-4所示，本发明提供一种基于特征交叉的智能合约漏洞检测方法，本发明以合约图向量和专家模式特征向量为基础，利用特征交叉技术，通过AutoInt网络和深度交叉网络构造高维非线性特征向量，训练分类器模型，从而实现智能合约漏洞的自动化检测，该方法具体包括如下步骤：
通过以太坊智能合约和维特链智能合约，标注智能合约标签，将智能合约源码转换成对应的合约图，提取智能合约源码中对应数据；
通过前馈神经网络提取合约图特征Cr，通过连接层提取智能合约中专家模式特征Sr，将合约图特征Cr与专家模式特征Sr同时输入到AutoInt网络和DCN网络中；
在AutoInt网络和DCN网络中进行特征交叉，构建高维特征向量，将经AutoInt网络的输出向量与DCN网络的输出向量结合在一起，输入到分类网络模型中进行训练，训练完成后输出漏洞检测结果。
收集以太坊智能合约用于检测重入漏洞和时间戳依赖漏洞，收集维特链智能合约用于检测无限循环漏洞；
利用开源漏洞检测工具及人工审计方式标注智能合约标签；
利用智能合约自动化抽图工具，将智能合约源码转换成对应的合约图形式；
利用自动提取工具提取智能合约源码中根据专家知识提取对应数据；
利用前馈神经网络提取合约图特征Cr；
利用全连接层提取智能合约中专家模式特征Sr；
构建基于多头注意力机制的AutoInt网络；
构建基于交叉网络和深度神经网络的DCN网络；
将合约图特征Cr与专家模式特征Sr同时输入到AutoInt网络和DCN网络中；将经AutoInt网络的输出向量与DCN网络的输出向量连接在一起，输入到分类网络模型中进行训练；
数据集训练完成后，输入智能合约测试集进行检测，输出漏洞检测的准确率、召回率、精度及F1分数。
述收集并制作成智能合约源码数据集分为两类，分别是以太坊智能合约和维特链智能合约，以太坊的源码数据集用于检测重入漏洞和时间戳依赖漏洞，维特链的源码数据集用于检测无限循环漏洞；
利用开源漏洞检测工具及人工审计的方式标注智能合约漏洞情况，标签为1表示该合约存在特定漏洞，标签为0表示相反情况；
构建实现不同数据类型的统一处理的嵌入层，通过Embedding可以大大降低输入的维度，把二元特征转换成有真正价值的特征向量；而连续性特征需要做规范化处理，和嵌入向量堆积一起得到原始的输入向量；合约图特征Cr和专家模式特征Sr输入到嵌入层生成嵌入向量E＝[e1，......，eM]；
基于多头注意力机制的AutoInt网络，将低维的嵌入向量输入到AutoInt网络中；AutoInt网络的核心为多头注意力机制，使用多头注意力机制将特征投射到多个子空间中，在不同的子空间中可以捕获不同的特征交互模式。通过交互层的堆叠，可以捕获更高阶的交互模式；
通过提取重要特征进行加权，能在一定程度上提升漏洞检测的准确率；基于深度交叉网络的DCN网络，将经过统一处理的嵌入向量输入到DCN网络中；DCN网络核心分为交叉网络和深度神经网络，通过高效学习组合特征，从而得到高维特征向量；
交叉网络之所以能够高效的学习组合特征，就是因为x0*xT的秩为1，使得不用计算并存储整个的矩阵就可以得到所有的交叉项；由于交叉网络的参数比较少导致它的表达能力受限，为了能够学习高度非线性的组合特征，引入深度前向传播的全连接神经网络；输入的嵌入向量分别经两种网络处理后进行向量结合得到融合特征Ao∪Do；
基于多层感知机的分类器网络，将融合特征进行压缩及降维映射通过Sigmoid激活函数输出向量和漏洞检测结果；
漏洞检测结果：输出结果为“1”，则该合约存在漏洞；输出结果为“0”，则该合约无漏洞；
本方法基于特征交叉的智能合约漏洞检测方法，使用专家规则抽取工具、合约图转化工具抽取原始数据，通过前馈神经网络和多层感知机实现原始特征提取，利用AutoInt网络和DCN网络进行特征交叉，构建高维非线性特征向量，最后将合并向量输入到训练模型中输出漏洞预测结果，其过程如图2所示。基于专家模式特征和合约图特征，用于检测重入漏洞，时间戳依赖漏洞和无限循环漏洞，原始特征提取过程如图3所示。
为了统一特征交叉网络的输入数据，在框架中增加了一个嵌入层，实现不同数据类型的统一嵌入处理；
一个离散特征和一个连续特征都属于一个单独的特征域。在嵌入层对单值离散特征、多值离散特征和连续特征处理的方式不同。
对于单值离散特征，直接通过嵌入词表得到对应的嵌入向量表示：
esd＝Vixi；
式中，Vi是特征组Vi对应的嵌入矩阵，xi是特征组的one-hot编码表示向量。
对于多值离散特征，通过嵌入词表得到对应嵌入向量之后，还需要通过平均池化的方式对同一个特征域的嵌入向量进行平均：
Figure BDA0003717104990000071
式中，q是多值离散特征中取值的个数，对于离散特征来说，xi是one-hot向量或者multi-hot向量，取值非0即1。
对于连续特征就是一个标量，将标量的取值直接与其对应的嵌入向量相乘：
em＝wmxm；
式中，vm是一个嵌入向量，xm是一个标量值。
构建基于特征交叉的网络模块，实现不同高维特征的表达方式，具体过程如下：
AutoInt网络的核心部分为多头注意力机制，使用多头注意力机制将特征投射到多个子空间中，在不同的子空间中可以捕获不同的特征交互模式，通过交互层的堆叠，可以捕获更高阶的交互特征；
如图4所示，在特定子空间h下，对于特征组m的特征em，如何计算与其相关的交互特征
Figure BDA0003717104990000072
输入特征通过矩阵乘法线性变换为在注意力空间下的向量，对于每个特征em在特定的注意力空间h中，都有三个表示向量：
Figure BDA0003717104990000073
式中，
Figure BDA0003717104990000074
分别为三个转换矩阵，以获得每个特征em在特定的注意力空间h中的表示向量
Figure BDA0003717104990000075
计算ф(h)(em，ek)，ф(h)(em，ek)表示em与其他特征ek的相似度，本实施使用向量内积表示：
Figure BDA0003717104990000076
计算softmax归一化注意力分布
Figure BDA0003717104990000077
Figure BDA0003717104990000078
其中
Figure BDA0003717104990000079
表示不同注意力头的权重大小；
通过加权求和的方式得到特征m及其相关的特征组成的一个新特征
Figure BDA0003717104990000081
Figure BDA0003717104990000082
对
Figure BDA0003717104990000083
与
Figure BDA0003717104990000084
的乘积从1到M进行求和，得到组成的新特征
Figure BDA0003717104990000085
当有H个注意力子空间，将每个子空间下的结果进行拼接，得到最终特征
Figure BDA0003717104990000086
的结果表示:
Figure BDA0003717104990000087
式中，
Figure BDA0003717104990000088
为在不同注意力子空间下组成的新特征，如上述中的
Figure BDA0003717104990000089
将所有子空间下的新特征拼接得到最终特征
Figure BDA00037171049900000810
选择使用残差网络保留一些原始特征的信息留给下一层继续学习：
Figure BDA00037171049900000811
式中，WRes为残差矩阵，采用ReLu激活函数，保留部分原始特征信息
Figure BDA00037171049900000812
最后，将每个特征的结果拼接，得到最终的输出值：
Figure BDA00037171049900000813
式中，
Figure BDA00037171049900000814
为激活函数，b为偏置项，wT为变换矩阵。
由于交互层捕获的阶数是有限的，通过堆叠若干交互层可以捕获高阶交互，提升注意力空间向量维度和提高子空间个数均能提升模型的表达能力。
交叉网络是DCN网络的核心部分，可以高效学习组合特征，从而得到高维特征向量，具体形式如下：
Figure BDA00037171049900000815
式中，xl和xl+1分别是第l层和第l+1层的输出，wl和bl是这两层之间的连接参数，式中所有的变量均是列向量，并不是矩阵，f(xl，wl，bl)是在拟合该层输出和上一层输出的残差；
交叉网络的特殊结构使得交叉特征的阶数随着层深度的增加而增加，相对于输入x0来说，一个l层的交叉网络的交叉特征的阶数为l+1；若共有Lc数量的交叉层，起始输入x0的维度为d，那么整个交叉网络的参数个数为：
d*Lc*2；
每一层的W和b都是d维度的，从上式可以发现，复杂度是输入维度d的线性函数，相比于深度网络，交叉网络引入的复杂度小；因为交叉的参数比较少导致它的表达能力受限，为了能够学习高度非线性的组合特征，并行引入了深度前向传播的全连接神经网络；最后，把交叉网络和深度网络的输出进行合并，得到高维非线性特征向量。
构建分类网模型进行训练，将通过不同特征交叉方式得到的特征向量进行结合，经多层感知机和Sigmoid激活函数输出检测结果。对于整个特征交叉模型，输入是Sr∪Cr，输出是Qmlp，并判断是否存在特定漏洞。
经过实验验证，当基于特征交叉的智能合约漏洞检测模型采取如表1所示的设置，将会得到较好的性能。
表1
参数 值
Batchsize 128
Learningrate 0.0001
Dropout 0.5
Optimizer Adama
Loss Sigmoid
对本方法中采用的技术效果加以验证说明，在本发明中，作为一种优选，选择DR-GCN、TMP、CGE和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
确定并使用Accuracy，Recall，Precision、F1 score作为本方法性能的测试，并用这4个参数作为与其他模型性能对比的依据，参数计算公式如下所示：
Figure BDA0003717104990000091
Accuracy表示在所有样本中，预测正确所占的比率；
Figure BDA0003717104990000092
Precision表示在预测结果中为正例的样本里，正例所占的比率；
Figure BDA0003717104990000093
Recall表示在预测结果正确的所有样本中，预测结果为正例的样本所占的比率；
Figure BDA0003717104990000094
F1 Score是Precision和Recall的一个加权平均；
针对三种合约漏洞的检测实验结果如表2～4所示。
表2不同方法在重入漏洞检测中的表现
Figure BDA0003717104990000101
表3不同方法在时间戳依赖漏洞检测中的表现
Figure BDA0003717104990000102
表4不同方法在无限循环漏洞检测中的表现
Figure BDA0003717104990000103
从表2～4中可以看出，本方法在重入漏洞、时间戳依赖漏洞、无限循环漏洞的检测中，准确率、召回率、精度和F1分数均达到92.5％，与CGE方法相比，三类漏洞的准确度分别提高了9.94％、6.99％、13.54％，性能提升显著。
本发明提出的漏洞检测方法通过原始特征转换和利用特征交叉构建高维特征，实现了对3种合约漏洞准确且高效地自动检测，本方法适用于大批量合约漏洞检测的应用场景。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (9)

1.一种基于特征交叉的智能合约漏洞检测方法，其特征在于，包括：
通过以太坊智能合约和维特链智能合约，标注智能合约标签，将智能合约源码转换成对应的合约图，提取智能合约源码中对应数据；
通过前馈神经网络提取合约图特征Cr，通过连接层提取智能合约中专家模式特征Sr，将合约图特征Cr与专家模式特征Sr同时输入到AutoInt网络和DCN网络中；
在AutoInt网络和DCN网络中进行特征交叉，构建高维特征向量，将经AutoInt网络的输出向量与DCN网络的输出向量结合在一起，输入到分类网络模型中进行训练，训练完成后输出漏洞检测结果。
2.根据权利要求1所述的基于特征交叉的智能合约漏洞检测方法，其特征在于，所述标注智能合约标签通过开源漏洞检测工具以及人工审计方式进行标注；
其中，标签为1表示该合约存在漏洞，标签为0表示不存在漏洞。
3.根据权利要求2所述的基于特征交叉的智能合约漏洞检测方法，其特征在于，在特征交叉网络前插入嵌入层。
4.根据权利要求3所述的基于特征交叉的智能合约漏洞检测方法，其特征在于，所述将合约图特征Cr和专家模式特征Sr输入到嵌入层生成嵌入向量E＝[e1，......，eM]。
5.根据权利要求4所述的基于特征交叉的智能合约漏洞检测方法，其特征在于，所述AutoInt网络的核心为多头注意力机制，基于多头注意力机制的AutoInt网络，将低维的嵌入向量输入到AutoInt网络中。
6.根据权利要求5所述的基于特征交叉的智能合约漏洞检测方法，其特征在于，输入的嵌入向量分别经交叉网络和深度神经网络处理后进行向量结合得到融合特征Ao∪Do。
7.根据权利要求6所述的基于特征交叉的智能合约漏洞检测方法，其特征在于，所述训练过程中采用Sigmoid激活函数输出检测结果。
8.根据权利要求7所述的基于特征交叉的智能合约漏洞检测方法，其特征在于，在所述嵌入层中，对单值离散特征、多值离散特征以及连续特征的处理包括：
对于单值离散特征，通过嵌入词表得到对应的嵌入向量esd表示：
esd＝Vixi；
式中，Vi是特征组Vi对应的嵌入矩阵，xi是特征组的one-hot编码表示向量；
对于多值离散特征，通过嵌入词表得到对应嵌入向量后，通过平均池化的方式对同一特征域的嵌入向量进行平均，得到嵌入向量emd：
Figure FDA0003717104980000021
式中，q是多值离散特征中取值的个数，对于离散特征来说，xi是one-hot向量或者multi-hot向量，取值0或1；
设定连续特征为一个标量，将标量的取值与其对应的嵌入向量相乘：
em＝vmxm；
式中，vm是一个嵌入向量，xm是一个标量值。
9.根据权利要求8所述的基于特征交叉的智能合约漏洞检测方法，其特征在于，所述构建高维特征向量包括：
将多头注意力机制将特征投射到多个子空间中，在不同的子空间中捕获不同的特征交互模式，通过交互层的堆叠，捕获更高阶的交互特征；
高维特征向量，具体形式为：
Figure FDA0003717104980000022
其中，xl和xl+1分别是第l层和第l+1层的输出，wl和bl是这两层之间的连接参数，式中变量均为列向量，f(xl，wl，bl)为在拟合本层输出和上一层输出的残差。
CN202210739355.7A 2022-06-28 2022-06-28 一种基于特征交叉的智能交叉合约漏洞检测方法 Pending CN115168864A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210739355.7A CN115168864A (zh) 2022-06-28 2022-06-28 一种基于特征交叉的智能交叉合约漏洞检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210739355.7A CN115168864A (zh) 2022-06-28 2022-06-28 一种基于特征交叉的智能交叉合约漏洞检测方法

Publications (1)

Publication Number Publication Date
CN115168864A true CN115168864A (zh) 2022-10-11

Family

ID=83486671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210739355.7A Pending CN115168864A (zh) 2022-06-28 2022-06-28 一种基于特征交叉的智能交叉合约漏洞检测方法

Country Status (1)

Country Link
CN (1) CN115168864A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795487A (zh) * 2023-02-07 2023-03-14 深圳开源互联网安全技术有限公司 漏洞检测方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795487A (zh) * 2023-02-07 2023-03-14 深圳开源互联网安全技术有限公司 漏洞检测方法、装置、设备及存储介质
CN115795487B (zh) * 2023-02-07 2023-05-12 深圳开源互联网安全技术有限公司 漏洞检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110070183B (zh) 一种弱标注数据的神经网络模型训练方法及装置
Arnaldo et al. Building predictive models via feature synthesis
Guan et al. Autoattend: Automated attention representation search
Ahmadi et al. Learning fuzzy cognitive maps using imperialist competitive algorithm
CN117076931B (zh) 一种基于条件扩散模型的时间序列数据预测方法和系统
CN110956309A (zh) 基于crf和lstm的流程活动预测方法
CN113904844A (zh) 基于跨模态教师-学生网络的智能合约漏洞检测方法
CN117421571A (zh) 一种基于配电网的拓扑实时辨识方法及系统
CN115168864A (zh) 一种基于特征交叉的智能交叉合约漏洞检测方法
Sathasivam et al. Hybrid Discrete Hopfield Neural Network based Modified Clonal Selection Algorithm for VLSI Circuit Verification.
Lal et al. The r-matrix net
CN113159441A (zh) 银行业务项目实施情况的预测方法及装置
CN117456037A (zh) 一种信息的传播图生成方法与装置
CN116258504B (zh) 银行客户关系管理系统及其方法
Karim et al. X-TREPAN: a multi class regression and adapted extraction of comprehensible decision tree in artificial neural networks
Hasoon et al. Diagnosis Windows Problems Based on Hybrid Intelligence Systems
Mansor et al. Artificial immune system algorithm with neural network approach for social media performance metrics
CN114611134A (zh) 基于负数据库和深度学习的多元时序数据隐私保护方法
Toma et al. A New DEVS-Based Generic Artificial Neural Network Modeling Approach
Vigl et al. Finetuning Foundation Models for Joint Analysis Optimization in High Energy Physics
Wang et al. Genetic programming for modelling long-term hydrological time series
CN111158640B (zh) 一种基于深度学习的一对多需求分析识别方法
CN117435995B (zh) 一种基于残差图网络的生物医药分类方法
Kalkreuth et al. Graph-based genetic programming
Nomm et al. Structure identification of nn-anarx model by genetic algorithm with combined cross-correlation-test based evaluation function

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination