Apa yang terjadi
Sebuah studi yang diterbitkan di Sistem Pengetahuan dan Informasi memperkenalkan pendekatan pembelajaran mendalam untuk mendeteksi kerentanan kontrak pintar dengan menganalisis urutan opcode dengan panjang variabel dari pemutaran ulang transaksi Ethereum. Model ini, yang dibangun berdasarkan arsitektur ChordMixer dan mekanisme retensi, menghindari pemotongan jejak eksekusi, sehingga mencapai akurasi 93,5% di tujuh jenis kerentanan.
Para peneliti dari Universitas Guangzhou menerbitkan penelitian di Sistem Pengetahuan dan Informasi yang merinci model pembelajaran mendalam baru untuk deteksi kerentanan kontrak pintar. Inovasi intinya adalah penggunaan rangkaian opcode dengan panjang variabel yang berasal dari pemutaran ulang transaksi Ethereum, bukan kode sumber statis atau jejak eksekusi yang terpotong.
Model ini menggunakan arsitektur ChordMixer, mekanisme perhatian saraf terukur yang dirancang untuk rangkaian dengan panjang berbeda, dikombinasikan dengan mekanisme retensi dari rangkaian Retentive Network. Pendekatan resolusi ganda ini memungkinkan model untuk menangkap tanda-tanda serangan perilaku global dan semburan instruksi mencurigakan yang terlokalisasi.
Tim tersebut membandingkan model tersebut dengan tujuh jenis kerentanan yang berbeda, termasuk masuk kembali dan ketergantungan pada stempel waktu. Studi ini melaporkan akurasi sebesar 93,5% dan skor F1 sebesar 90,6%, mengungguli detektor dasar yang mengandalkan masukan dengan panjang tetap. Data tersebut bersumber dari penjelajah blockchain publik seperti Etherscan, yang mencerminkan perilaku kontrak dunia nyata.
Detail sumber: bioengineer.org ↗
Mengapa itu penting
Penelitian ini mengatasi kelemahan struktural penting dalam alat keamanan blockchain otomatis: hilangnya informasi ketika jejak eksekusi dengan panjang variabel dipaksa masuk ke input jaringan saraf dengan panjang tetap. Dengan mempertahankan konteks penuh dari eksekusi kontrak pintar, model ini dapat mengidentifikasi kerentanan halus seperti masuknya kembali dan luapan bilangan bulat yang mungkin terlewatkan oleh analisis statis tradisional atau analisis dinamis terpotong. Hal ini penting bagi sektor DeFi, di mana kontrak yang tidak dapat diubah dan aset bernilai miliaran membuat kelemahan keamanan menjadi bencana besar. Pekerjaan ini menunjukkan bahwa pemrosesan panjang variabel asli dapat mengungguli metode padding/pemotongan standar, menawarkan landasan yang lebih kuat untuk pemantauan keamanan otomatis dan berkelanjutan pada aset on-chain.
Detektor pembelajaran mesin tradisional untuk keamanan blockchain sering kali memotong urutan opcode yang panjang agar sesuai dengan input model dengan panjang tetap, sehingga berpotensi membuang instruksi yang mengungkapkan kerentanan. Pendekatan baru ini menghilangkan kehilangan informasi, memberikan gambaran yang lebih lengkap tentang pelaksanaan kontrak.
Untuk ekosistem keuangan terdesentralisasi (DeFi), di mana kontrak tidak dapat diubah dan eksploitasi dapat menghabiskan miliaran dolar, alat otomatis yang dapat menandai kerentanan secara akurat sebelum atau setelah penerapan sangatlah penting. Model ini menawarkan jalur menuju pemantauan keamanan aset on-chain yang berkelanjutan dan real-time.
Penelitian ini juga memiliki implikasi yang lebih luas terhadap AI terapan, yang menunjukkan bahwa arsitektur yang dirancang secara asli untuk panjang urutan dunia nyata yang tidak teratur dapat mengungguli metode pra-pemrosesan padding dan pemotongan standar di domain lain seperti genomik dan data sensor.
Mekanisme Interaktif: Cara Kerja Sebenarnya
Jelajahi teknologi yang mendasari di balik perkembangan ini secara interaktif.
Which component of an AI application is the machine-learning model itself?
Apa yang harus ditonton selanjutnya
Pantau rilis sumber terbuka atau integrasi komersial dari pipeline deteksi dengan panjang variabel ini. Perhatikan adopsi oleh protokol DeFi atau firma audit keamanan sebagai lapisan tambahan untuk tinjauan manusia. Amati apakah arsitektur ini menjadi standar untuk tugas analisis urutan panjang variabel lainnya di AI, seperti data genom atau sensor.
Carilah rilis kode atau bobot model pada platform seperti GitHub untuk menilai reproduktifitas dan potensi adopsi komunitas.
Pantau perusahaan audit keamanan dan protokol DeFi untuk mengintegrasikan metode deteksi panjang variabel ini ke dalam tumpukan keamanan standar mereka.
Amati apakah kombinasi ChordMixer dan mekanisme retensi menjadi referensi standar untuk menangani rangkaian panjang variabel di aplikasi AI lainnya.