Co se stalo
Studie publikovaná v Knowledge and Information Systems zavádí přístup hlubokého učení pro odhalování zranitelností inteligentních smluv pomocí analýzy sekvencí operačních kódů s proměnlivou délkou ze záznamů transakcí Ethereum. Model, postavený na architektuře ChordMixer a retenčních mechanismech, se vyhýbá ořezávání tras provádění a dosahuje 93,5% přesnosti u sedmi typů zranitelnosti.
Výzkumníci z Guangzhou University publikovali studii ve znalostních a informačních systémech, která podrobně popisuje nový model hlubokého učení pro detekci zranitelnosti inteligentní smlouvy. Hlavní inovací je použití sekvencí operačních kódů s proměnnou délkou odvozených z přehrání transakcí Ethereum, spíše než statického zdrojového kódu nebo zkrácených tras provádění.
Model využívá architekturu ChordMixer, škálovatelný mechanismus neurální pozornosti navržený pro sekvence různých délek, kombinovaný s retenčním mechanismem z rodiny Retentive Network. Tento přístup s dvojím rozlišením umožňuje modelu zachytit jak globální behaviorální signatury útoků, tak lokalizované shluky podezřelých instrukcí.
Tým porovnal model se sedmi různými typy zranitelnosti, včetně opětovného vstupu a závislosti na časovém razítku. Studie uvádí přesnost 93,5 % a skóre F1 90,6 %, čímž překonává základní detektory, které se spoléhají na vstupy s pevnou délkou. Data byla získána od veřejných průzkumníků blockchainu, jako je Etherscan, a odrážela skutečné smluvní chování.
Podrobnosti o zdroji: bioengineer.org ↗
Proč na tom záleží
Tento výzkum se zabývá kritickou strukturální slabinou v automatizovaných blockchainových bezpečnostních nástrojích: ztrátou informací, když jsou stopy provádění s proměnnou délkou vnuceny do vstupů neuronové sítě s pevnou délkou. Zachováním úplného kontextu provádění inteligentních smluv může model identifikovat jemné zranitelnosti, jako je reentrancy a přetečení celých čísel, které by tradiční statická analýza nebo zkrácená dynamická analýza mohla přehlédnout. To je významné pro sektor DeFi, kde neměnné smlouvy a miliardová aktiva způsobují, že bezpečnostní nedostatky jsou katastrofální. Práce demonstruje, že nativní zpracování s proměnnou délkou může překonat standardní metody vyplnění/oříznutí a nabízí robustnější základ pro nepřetržité, automatizované monitorování zabezpečení aktiv v řetězci.
Tradiční detektory strojového učení pro zabezpečení blockchainu často zkracují dlouhé sekvence operačních kódů, aby se vešly do modelových vstupů s pevnou délkou, a potenciálně zahazují právě ty instrukce, které odhalují zranitelnosti. Tento nový přístup eliminuje tuto ztrátu informací a poskytuje ucelenější pohled na plnění smlouvy.
Pro ekosystém decentralizovaných financí (DeFi), kde jsou smlouvy neměnné a exploity mohou vysát miliardy, jsou klíčové automatizované nástroje, které dokážou přesně označit zranitelnosti před nebo po nasazení. Tento model nabízí cestu k nepřetržitému bezpečnostnímu monitorování aktiv v řetězci v reálném čase.
Výzkum má také širší důsledky pro aplikovanou AI, což dokazuje, že architektury nativně navržené pro nerovnoměrné délky sekvencí v reálném světě mohou překonat standardní metody předběžného zpracování výplně a zkrácení v jiných oblastech, jako je genomika a data senzorů.
Interaktivní mechanismus: Jak to vlastně funguje
Interaktivně prozkoumejte základní technologii tohoto vývoje.
Which component of an AI application is the machine-learning model itself?
Na co se dále dívat
Sledujte vydání s otevřeným zdrojovým kódem nebo komerční integraci tohoto kanálu detekce s proměnnou délkou. Sledujte, zda protokoly DeFi nebo firmy provádějící bezpečnostní audit přijmou jako doplňkovou vrstvu k lidské kontrole. Pozorujte, zda se tato architektura stane standardem pro jiné úlohy sekvenční analýzy s proměnnou délkou v AI, jako jsou genomická nebo senzorová data.
Podívejte se na vydání kódu nebo závaží modelu na platformách, jako je GitHub, abyste mohli posoudit reprodukovatelnost a potenciál pro přijetí komunitou.
Monitorujte firmy provádějící bezpečnostní audit a protokoly DeFi pro integraci této metody detekce s proměnnou délkou do jejich standardních bezpečnostních zásobníků.
Všimněte si, zda se kombinace ChordMixer a retenčního mechanismu stane standardní referencí pro zpracování sekvencí s proměnnou délkou v jiných aplikacích AI.