CN116340951A - 一种基于自监督学习的智能合约漏洞检测方法 - Google Patents
一种基于自监督学习的智能合约漏洞检测方法 Download PDFInfo
- Publication number
- CN116340951A CN116340951A CN202310260966.8A CN202310260966A CN116340951A CN 116340951 A CN116340951 A CN 116340951A CN 202310260966 A CN202310260966 A CN 202310260966A CN 116340951 A CN116340951 A CN 116340951A
- Authority
- CN
- China
- Prior art keywords
- self
- layer
- intelligent contract
- graph
- encoder
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 230000000873 masking effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 101000928335 Homo sapiens Ankyrin repeat and KH domain-containing protein 1 Proteins 0.000 claims description 2
- 101000701393 Homo sapiens Serine/threonine-protein kinase 26 Proteins 0.000 claims description 2
- 102100030617 Serine/threonine-protein kinase 26 Human genes 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06N20/00—Machine learning
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及智能合约安全领域,公开了一种基于自监督学习的智能合约漏洞检测方法,目的在于从字节码层面获取有效的智能合约漏洞相关结构化表征,通过自监督学习方法学习与漏洞相关的关键特征,提高智能合约漏洞检测的鲁棒性。所述方法包括:收集智能合约字节码;构建智能合约操作码程序依赖图;提取漏洞相关程序依赖图切片,构建自监督学习数据集和漏洞检测模型训练数据集;使用自监督学习数据集训练自监督学习模型,提取程序依赖图切片特征;使用漏洞检测模型数据集训练智能合约漏洞检测模型;使用训练好的自监督学习模型提取待测智能合约漏洞相关特征,输入到训练好的智能合约漏洞检测模型中进行漏洞检测。
Description
技术领域
本发明属于智能合约安全领域,具体涉及一种基于自监督学习的智能合约漏洞检测方法。
背景技术
由于智能合约代码的开源程度较低,越来越多的研究专注于从智能合约字节码层面进行分析,从而判断智能合约是否包含漏洞。
文献《A novel smart contract vulnerability detection method based oninformation graph and ensemble learning》提出了一个基于信息图和集成学习的智能合约漏洞检测方法。该方法从收集的智能合约操作码中计算操作码共现频率,构建操作码共现矩阵。通过预定义规则识别智能合约的关键操作码序列,基于共现关系构建信息图来表示智能合约的漏洞模式信息。信息图中节点由操作码组成,操作码之间根据共现频率和出现顺序进行连接。为了将节点转换为向量矩阵表示,提取每个智能合约信息图的所有路径,构建操作码序列集合,使用该集合训练Word2Vec等嵌入模型。得到操作码序列的向量表示后,将其输入到集成学习模型中进行模型训练。
文献《CodeNet:Code-targeted convolutional neural net-work architecturefor smart contract vulnerability detection》提出了一种新的CNN体系架构CodeNet,在保持智能合约语义和上下文的同时对智能合约进行漏洞检测。为了生成CNN体系架构的输入,预处理阶段将固定的字节码序列转换为RGB图像,字节码中每三个字节被映射成RGB像素。为了保留字节码的语义和上下文信息,CodeNet将二维的RGB图像修改成一维的形式。由于带有步幅的卷积操作会丢失像素级的特征,即破坏智能合约的语义和上下文信息,CodeNet使用非步幅卷积操作,同时采用深度可分离卷积缓解非步幅卷积带来的计算量和参数增加的问题。
然而现有的字节码层面的智能合约漏洞检测方法对智能合约的语义和结构表征不够全面,且提取的特征存在大量冗余,模型无法学习到丰富的且与漏洞相关的语义结构特征,导致训练出来的漏洞检测模型鲁棒性不高。
发明内容
针对上述现有问题,本发明的目的在于提供一种基于自监督学习的智能合约漏洞检测方法及系统,该方法从智能合约字节码层面构建智能合约操作码程序依赖图,然后通过自监督学习的方法使模型进一步学习智能合约中与漏洞最相关的关键语义特征,用于进行智能合约漏洞检测。
为了达到上述目的,本发明采用如下技术方案:
一种基于自监督学习的智能合约漏洞检测方法,所述方法包括:
收集智能合约字节码;
构建智能合约操作码程序依赖图;
提取漏洞相关程序依赖图切片,构建自监督学习数据集和漏洞检测模型数据集;
使用自监督学习数据集训练自监督学习模型,提取程序依赖图切片特征;
使用漏洞检测模型数据集训练智能合约漏洞检测模型;
使用训练好的自监督学习模型提取待测智能合约漏洞相关特征,输入到训练好的智能合约漏洞检测模型中进行漏洞检测。
进一步的,所述构建智能合约操作码程序依赖图,具体包括:
将智能合约字节码反汇编为智能合约操作码序列;
模拟执行智能合约操作序列,构建操作码控制流图和操作码数据依赖图;
根据操作码控制流图构建操作码控制依赖图;
合并操作码控制依赖图和操作码数据依赖图,构建操作码程序依赖图。
进一步的,所述提取漏洞相关程序依赖图切片,构建自监督学习数据集和漏洞检测模型数据集,具体包括:
根据智能合约漏洞特征选择可能触发漏洞的操作码作为候选节点;
在操作码程序依赖图中,将候选节点作为初始节点,执行前向切片和后向切片算法构建漏洞相关操作码程序依赖图切片,构建操作码程序依赖图切片数据集;
从所述操作码程序依赖图切片数据集中选择一定比例数据作为自监督学习数据集,剩余的操作码程序依赖图切片使用Mythril工具进行漏洞标注作为漏洞检测模型数据集。
进一步的,所述自监督学习模型包括图自编码器模型和堆叠降噪自编码器模型。
进一步的,所述图自编码器具体包括Embedding层、掩码层、编码层、解码层、损失计算层和输出层,其中:
所述Embedding层,将程序依赖图切片的节点转换成向量特征表示;
所述掩码层,使用无放回随机抽样的方法选择一部分节点,使用掩码[MASK]对这些节点的特征进行遮蔽;
所述编码层,将掩码遮蔽后的程序依赖图切片作为输入,使用图神经网络学习节点的隐藏编码作为输出;
所述解码层,将所述编码层输出的隐藏编码作为输入,使用图神经网络重新构建节点的特征作为输出;
所述损失计算层,使用余弦误差作为损失函数计算被遮蔽节点原始特征和重建特征的误差,指导图自编码器模型通过反向传播进行训练;
所述输出层,替换训练好的图自编码器模型的解码层和损失计算层,将编码层输出的节点特征作为输入,使用图池化操作输出程序依赖图切片特征;
所述图自编码器训练完成后保留Embedding层、编码层和输出层用于提取程序依赖图切片初始特征。
进一步的,所述图神经网络可以是任意一种图神经网络层,包括GCN、GAT、GIN和GGNN等。
进一步的,所述图池化操作为非参数化池化,例如AveragePooling和MaxPooling。
进一步的,所述降噪自编码器具体包括噪声引入层、编码层、解码层和交叉熵损失层,其中:
所述噪声引入层,以一定的概率将输入的多维原始数据特征某些维度置0,得到有噪声的数据特征;
所述编码层,将有噪声的数据特征作为输入,提取隐藏层特征;
所述解码层,将隐藏层特征作为输入,重新构建与输入数据相同维度的特征作为输出;
所述交叉熵损失层,计算原始数据特征和重建数据特征的交叉熵损失,指导降噪自编码器通过反向传播进行训练;
所述降噪自编码器训练完成后保留编码层作为特征提取层。
进一步的,所述堆叠降噪自编码器由多个堆叠的降噪自编码器组成,其训练过程如下:
第一层降噪自编码器将训练好的图自编码器输出的程序依赖图切片初始特征作为输入进行训练;
此后每一层降噪自编码器都在前一层降噪自编码器训练完成后将其输出的隐藏特征作为当前层的输入进行训练;
每一层降噪自编码器训练完成后,所述堆叠降噪自编码器训练完成;
训练好的堆叠降噪自编码器输出程序依赖图切片的去噪特征。
进一步的,所述智能合约漏洞检测模型为常用的机器学习模型,包括SVM、KNN和随机森林等,所述智能合约漏洞检测模型将训练好的自监督学习模型输出的程序依赖图切片去噪特征作为输入,将对应程序依赖图切片存在漏洞的概率作为输出。
一种基于自监督学习的智能合约漏洞检测系统,所述系统包括:
智能合约收集模块,用于获取智能合约字节码数据集;
数据预处理模块,用于构建自监督学习数据集和漏洞检测模型数据集;
图自编码器模块,用于训练图自编码器模型,提取智能合约操作码程序依赖图切片初始特征;
堆叠降噪自编码器模块,用于训练堆叠降噪自编码器模型,对操作码程序依赖图切片初始特征进行去噪,得到去噪特征;
智能合约漏洞检测模块,用于训练智能合约漏洞检测模型,检测智能合约是否存在漏洞。
进一步的,所述数据预处理模块具体包括:
将智能合约字节码反汇编为智能合约操作码序列;
模拟执行智能合约操作序列,操作码程序依赖图;
根据智能合约漏洞特征选择可能触发漏洞的操作码作为候选节点;
在操作码程序依赖图中,将候选节点作为初始节点,执行前向切片和后向切片算法构建漏洞相关操作码程序依赖图切片,构建操作码程序依赖图切片数据集;
从操作码程序依赖图切片数据集中选择一定比例数据作为自监督学习数据集,剩余的操作码程序依赖图切片使用Mythril工具进行漏洞标注作为漏洞检测模型数据集。
进一步的,所述图自编码器模块具体包括Embedding层、掩码层、编码层、解码层、损失计算层和输出层。
进一步的,所述堆叠降噪自编码器模块具体包括多个堆叠的降噪自编码器。
进一步的,所述降噪自编码器具体包括噪声引入层、编码层、解码层和交叉熵损失层。
进一步的,智能合约漏洞检测模块具体包括SVM、KNN和随机森林等机器学习模型。
本发明相对于现有技术具有如下的有益效果:
1、本发明从字节码层面进行分析来检测智能合约漏洞,避免了由于智能合约开源程度低导致的数据集不足的问题;
2、本发明使用基于遮蔽的图自编码器模型,训练时不提供标签信息,使模型通过重构节点特征学习智能合约深层语义特征,解决了现有方法提取的特征停留在浅层的问题,提高了漏洞检测的准确性;
3、本发明使用堆叠降噪自编码器模型,通过加入噪声使模型具有更好的泛化性能,解决了现有方法使用的特征过度冗余的问题,提高了漏洞检测的鲁棒性。
附图说明
图1是本发明实施例1的基于自监督学习的智能合约漏洞检测方法的流程图;
图2是本发明实施例2的基于自监督学习的智能合约漏洞检测系统的模块图;
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
实施例1
如图1所示,本发明提供的基于自监督学习的智能合约漏洞检测方法实施例包括四个阶段,即智能合约收集、数据预处理、模型训练以及智能合约漏洞检测,其中:
智能合约收集:从EtherScan等平台获取以太坊上的智能合约字节码,构建智能合约字节码数据集;
数据预处理:通过模拟执行构建智能合约操作码程序依赖图,提取漏洞相关程序依赖图切片,构建自监督学习数据集和漏洞检测模型数据集;
模型训练:使用自监督学习数据集训练自监督学习模型,提取程序依赖图切片特征;使用漏洞检测模型数据集训练智能合约漏洞检测模型;
智能合约漏洞检测:将待测智能合约通过数据预处理后得到智能合约操作码程序依赖图切片,使用训练好的智能合约漏洞检测模型进行漏洞检测。
本实施例提出的基于智能合约操作码程序依赖图和图神经网络的智能合约漏洞检测方法,具体包括以下步骤:
S1:收集智能合约字节码;
S2:构建智能合约操作码程序依赖图;
进一步的,步骤S2包括:
将智能合约字节码反汇编为智能合约操作码序列;
模拟执行智能合约操作序列,构建操作码程序依赖图。
S3:提取漏洞相关程序依赖图切片,构建自监督学习数据集和漏洞检测模型数据集;
进一步的,步骤S3包括:
根据智能合约漏洞特征选择可能触发漏洞的操作码作为候选节点,本例中选择与重入漏洞相关的操作码CALL作为候选节点;
在操作码程序依赖图中,将CALL作为初始节点,执行前向切片和后向切片算法构建漏洞相关操作码程序依赖图切片,构建操作码程序依赖图切片数据集;
从所述操作码程序依赖图切片数据集中选择一定比例数据作为自监督学习数据集,剩余的操作码程序依赖图切片使用Mythril工具进行重入漏洞标注作为漏洞检测模型数据集。
S4:使用自监督学习数据集训练图自编码器;
进一步的,步骤S4包括:
将程序依赖图切片的节点转换成向量特征表示;
使用无放回随机抽样的方法选择一部分节点,使用掩码[MASK]对这些节点的特征进行遮蔽;
将掩码遮蔽后的程序依赖图切片作为输入,使用图神经网络学习节点的隐藏编码作为输出;
将所述编码层输出的隐藏编码作为输入,使用图神经网络重新构建节点的特征作为输出;
使用余弦误差作为损失函数计算被遮蔽节点原始特征和重建特征的误差,指导图自编码器模型通过反向传播进行训练;
S5:训练堆叠降噪自编码器;
进一步的,步骤S5包括:
第一层降噪自编码器将训练好的图自编码器输出的程序依赖图切片初始特征作为输入;
以一定的概率将输入的多维原始数据特征某些维度置0,得到有噪声的数据特征;
将有噪声的数据特征作为输入,提取隐藏层特征;
将隐藏层特征作为输入,重新构建与输入数据相同维度的特征作为输出;
计算原始数据特征和重建数据特征的交叉熵损失,指导降噪自编码器通过反向传播进行训练;
此后每一层降噪自编码器都在前一层降噪自编码器训练完成后将其输出的隐藏特征作为当前层的输入进行训练。
S6:使用漏洞检测模型数据集训练智能合约漏洞检测模型;
进一步的,步骤S6包括:
使用训练好的图自编码器和堆叠降噪自编码器提取漏洞检测模型数据集中操作码程序依赖图切片的去噪特征,结合相应真实漏洞标签训练智能合约漏洞检测模型。
S7:使用训练好的自监督学习模型提取待测智能合约漏洞相关特征,输入到训练好的智能合约漏洞检测模型中进行漏洞检测。
实施例2
如图2所示,本发明提供的基于自监督学习的智能合约漏洞检测系统,包括智能合约收集模块、数据预处理模块、图自编码器模块、堆叠降噪自编码器模块和智能合约漏洞检测模块。其中:
智能合约收集模块,用于收集智能合约字节码,构建智能合约字节码数据集;
数据预处理模块,根据智能合约字节码构建智能合约操作码程序依赖图,然后根据候选操作码节点使用切片算法提取智能合约操作码程序依赖图切片,构建自监督学习数据集和漏洞检测模型数据集;
图自编码器模块,使用自监督学习数据集训练图自编码器模型,输出操作码程序依赖图切片初始特征;
堆叠降噪自编码器模块,使用自监督学习数据集训练堆叠降噪自编码器模型,输出操作码程序依赖图切片去噪特征;
智能合约漏洞检测模块,结合训练好的图自编码器、堆叠降噪自编码器和漏洞检测模型数据集训练智能合约漏洞检测模型,输出对应智能合约存在漏洞的概率。
Claims (7)
1.一种基于自监督学习的智能合约漏洞检测方法,其特征在于,所述方法包括:
收集智能合约字节码;
构建智能合约操作码程序依赖图;
提取漏洞相关操作码程序依赖图切片,构建自监督学习数据集和漏洞检测模型数据集;
使用自监督学习数据集训练自监督学习模型,提取程序依赖图切片特征;
使用漏洞检测模型数据集训练智能合约漏洞检测模型;
使用训练好的自监督学习模型提取待测智能合约漏洞相关特征,然后输入到训练好的智能合约漏洞检测模型中进行漏洞检测;
所述自监督学习模型包括图自编码器模型和堆叠降噪自编码器模型;
所述降噪自编码器包括噪声引入层、编码层、解码层和交叉熵损失层,其中:
所述噪声引入层,以某一概率将输入的程序依赖图切片特征某些维度置0,得到有噪声的数据特征;
所述编码层,将有噪声的数据特征作为输入,提取隐藏层特征;
所述解码层,将隐藏层特征作为输入,重新构建与输入数据相同维度的特征作为输出;
所述交叉熵损失层,计算原始数据特征和重建数据特征的交叉熵损失,指导降噪自编码器通过反向传播进行训练;
所述降噪自编码器训练完成后保留编码层作为特征提取层;
堆叠降噪自编码器由多个堆叠的降噪自编码器组成,其训练过程如下:
第一层降噪自编码器将训练好的图自编码器输出的程序依赖图切片初始特征作为输入进行训练;
此后每一层降噪自编码器都在前一层降噪自编码器训练完成后将其输出的隐藏特征作为当前层的输入进行训练;
每一层降噪自编码器训练完成后,所述堆叠降噪自编码器训练完成;
训练好的堆叠降噪自编码器输出程序依赖图切片的去噪特征。
2.根据权利要求1所述的基于自监督学习的智能合约漏洞检测方法,其特征在于,所述构建智能合约操作码程序依赖图,具体包括:
将智能合约字节码反汇编为智能合约操作码序列;
模拟执行智能合约操作序列,构建操作码控制流图和操作码数据依赖图;
根据操作码控制流图构建操作码控制依赖图;
合并操作码控制依赖图和操作码数据依赖图,构建操作码程序依赖图。
3.根据权利要求1所述的基于自监督学习的智能合约漏洞检测方法,其特征在于,所述提取漏洞相关程序依赖图切片,构建自监督学习数据集和漏洞检测模型数据集,具体包括:
根据智能合约漏洞特征选择可能触发漏洞的操作码作为候选节点;
在操作码程序依赖图中,将候选节点作为初始节点,执行前向切片和后向切片算法构建漏洞相关操作码程序依赖图切片,构建操作码程序依赖图切片数据集;
从所述操作码程序依赖图切片数据集中选择一定比例数据作为自监督学习数据集,剩余的操作码程序依赖图切片使用Mythril工具进行漏洞标注作为漏洞检测模型数据集。
4.根据权利要求1所述的基于自监督学习的智能合约漏洞检测方法,其特征在于,所述图自编码器具体包括Embedding层、掩码层、编码层、解码层、损失计算层和输出层,其中:
所述Embedding层,将程序依赖图切片的节点转换成向量特征表示;
所述掩码层,使用无放回随机抽样的方法选择一部分将程序依赖图切片的节点,使用掩码[MASK]对选择的节点的特征进行遮蔽;
所述编码层,将掩码遮蔽后的程序依赖图切片作为输入,使用图神经网络学习节点的隐藏编码作为输出;
所述解码层,将所述编码层输出的隐藏编码作为输入,使用图神经网络重新构建节点的特征作为输出;
所述损失计算层,使用余弦误差作为损失函数计算被遮蔽的节点原始特征和重建特征的误差,指导图自编码器模型通过反向传播进行训练;
所述输出层,替换训练好的图自编码器模型的解码层和损失计算层,将编码层输出的节点特征作为输入,使用图池化操作输出程序依赖图切片特征;
所述图自编码器训练完成后保留Embedding层、编码层和输出层用于提取程序依赖图切片初始特征。
5.根据权利要求4所述的基于自监督学习的智能合约漏洞检测方法,其特征在于,所述图神经网络为GCN、GAT、GIN和GGNN中的任意一种图神经网络层。
6.根据权利要求4所述的基于自监督学习的智能合约漏洞检测方法,其特征在于,所述图池化操作为非参数化池化,包括AveragePooling、MaxPooling中的任意一种。
7.根据权利要求1所述的基于自监督学习的智能合约漏洞检测方法,其特征在于,所述智能合约漏洞检测模型为SVM、KNN、随机森林中的任意一种,所述智能合约漏洞检测模型将训练好的自监督学习模型输出的程序依赖图切片去噪特征作为输入,将对应程序依赖图切片存在漏洞的概率作为输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310260966.8A CN116340951A (zh) | 2023-03-17 | 2023-03-17 | 一种基于自监督学习的智能合约漏洞检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310260966.8A CN116340951A (zh) | 2023-03-17 | 2023-03-17 | 一种基于自监督学习的智能合约漏洞检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116340951A true CN116340951A (zh) | 2023-06-27 |
Family
ID=86887148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310260966.8A Pending CN116340951A (zh) | 2023-03-17 | 2023-03-17 | 一种基于自监督学习的智能合约漏洞检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116340951A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958767A (zh) * | 2023-07-14 | 2023-10-27 | 江苏大学 | 基于多模态技术的智能合约安全分析方法及系统 |
-
2023
- 2023-03-17 CN CN202310260966.8A patent/CN116340951A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958767A (zh) * | 2023-07-14 | 2023-10-27 | 江苏大学 | 基于多模态技术的智能合约安全分析方法及系统 |
CN116958767B (zh) * | 2023-07-14 | 2024-04-30 | 江苏大学 | 基于多模态技术的智能合约安全分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783100B (zh) | 基于图卷积网络对代码图表示学习的源代码漏洞检测方法 | |
CN110134946B (zh) | 一种针对复杂数据的机器阅读理解方法 | |
CN113420296B (zh) | 一种基于Bert模型与BiLSTM的C源代码漏洞检测方法 | |
CN109101235A (zh) | 一种软件程序的智能解析方法 | |
CN116340951A (zh) | 一种基于自监督学习的智能合约漏洞检测方法 | |
CN106934458A (zh) | 基于深度学习的多层自动编码方法及系统 | |
CN115543437B (zh) | 一种代码注释生成方法和系统 | |
CN116579618B (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
CN115146279A (zh) | 程序漏洞检测方法、终端设备及存储介质 | |
CN116192477A (zh) | 一种基于掩码图自编码器的apt攻击检测方法及装置 | |
CN116340952A (zh) | 一种基于操作码程序依赖图的智能合约漏洞检测方法 | |
CN115617395A (zh) | 一种融合全局和局部特征的智能合约相似性检测方法 | |
CN116578988B (zh) | 一种智能合约的漏洞检测方法和装置、存储介质 | |
CN117077586A (zh) | 一种电路设计的寄存器传输级资源预测方法、装置及设备 | |
CN116595551A (zh) | 银行交易数据管理方法及系统 | |
CN111562943B (zh) | 一种基于事件嵌入树及gat网络的代码克隆检测方法和装置 | |
Liu et al. | Low-complexity code clone detection using graph-based neural networks | |
CN114996360A (zh) | 数据分析方法、系统、可读存储介质及计算机设备 | |
Rui et al. | Data Reconstruction based on supervised deep auto-encoder | |
CN114065210A (zh) | 一种基于改进的时间卷积网络的漏洞检测方法 | |
CN113157255A (zh) | 一种面向语法树解码器的代码生成方法 | |
CN116484384B (zh) | 一种基于深度学习的以太坊智能合约漏洞的检测和定位方法 | |
CN117521658B (zh) | 一种基于篇章级事件抽取的rpa流程挖掘方法及系统 | |
CN115577361B (zh) | 一种改进的基于图神经网络的PHP Web shell检测方法 | |
CN115412335B (zh) | 5g电力物联网边缘设备漏洞检测方法、装置及系统 |
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 |