Co się stało
Badanie opublikowane w Knowledge and Information Systems wprowadza podejście głębokiego uczenia się do wykrywania luk w inteligentnych kontraktach poprzez analizę sekwencji opcode o zmiennej długości z powtórek transakcji Ethereum. Model zbudowany w oparciu o architekturę ChordMixer i mechanizmy przechowywania pozwala uniknąć obcinania śladów wykonania, osiągając dokładność na poziomie 93,5% w przypadku siedmiu typów luk w zabezpieczeniach.
Naukowcy z Uniwersytetu w Kantonie opublikowali w czasopiśmie Knowledge and Information Systems badanie, w którym szczegółowo opisano nowy model głębokiego uczenia się do wykrywania luk w zabezpieczeniach inteligentnych kontraktów. Podstawową innowacją jest wykorzystanie sekwencji opcode o zmiennej długości pochodzących z powtórek transakcji Ethereum zamiast statycznego kodu źródłowego lub skróconych śladów wykonania.
Model wykorzystuje architekturę ChordMixer, skalowalny mechanizm uwagi neuronowej przeznaczony dla sekwencji o różnej długości, połączony z mechanizmem retencji z rodziny Retentive Network. To podejście oparte na podwójnej rozdzielczości umożliwia modelowi przechwytywanie zarówno globalnych sygnatur behawioralnych ataków, jak i zlokalizowanych podejrzanych serii instrukcji.
Zespół porównał model pod kątem siedmiu różnych typów podatności, w tym ponownego wejścia i zależności od sygnatury czasowej. Badanie wykazało dokładność na poziomie 93,5% i wynik F1 na poziomie 90,6%, co przewyższa detektory bazowe oparte na danych wejściowych o stałej długości. Dane pochodziły od publicznych eksploratorów blockchain, takich jak Etherscan, i odzwierciedlały zachowania kontraktowe w świecie rzeczywistym.
Szczegóły źródła: bioengineer.org ↗
Dlaczego to ma znaczenie
Badanie to dotyczy krytycznej słabości strukturalnej zautomatyzowanych narzędzi bezpieczeństwa blockchain: utraty informacji, gdy ślady wykonania o zmiennej długości są wymuszane na wejściach sieci neuronowej o stałej długości. Zachowując pełny kontekst realizacji inteligentnych kontraktów, model może identyfikować subtelne luki w zabezpieczeniach, takie jak ponowne wejście i przepełnienia liczb całkowitych, które mogą zostać przeoczone w tradycyjnej analizie statycznej lub skróconej analizie dynamicznej. Ma to znaczenie dla sektora DeFi, gdzie niezmienne umowy i miliardy aktywów powodują, że luki w zabezpieczeniach są katastrofalne. Praca pokazuje, że natywne przetwarzanie o zmiennej długości może przewyższać standardowe metody dopełniania/obcinania, oferując solidniejszą podstawę do ciągłego, zautomatyzowanego monitorowania bezpieczeństwa zasobów w łańcuchu.
Tradycyjne detektory uczenia maszynowego dla bezpieczeństwa blockchain często obcinają długie sekwencje kodów operacji, aby dopasować je do danych wejściowych modelu o stałej długości, potencjalnie odrzucając te same instrukcje, które ujawniają luki w zabezpieczeniach. To nowe podejście eliminuje tę utratę informacji, zapewniając pełniejszy obraz realizacji kontraktu.
W przypadku ekosystemu finansów zdecentralizowanych (DeFi), w którym umowy są niezmienne, a exploity mogą pochłonąć miliardy, kluczowe znaczenie mają zautomatyzowane narzędzia, które mogą dokładnie wskazać luki w zabezpieczeniach przed wdrożeniem lub po jego wdrożeniu. Model ten oferuje ścieżkę do ciągłego monitorowania bezpieczeństwa zasobów w łańcuchu w czasie rzeczywistym.
Badanie ma również szersze implikacje dla stosowanej sztucznej inteligencji, pokazując, że architektury zaprojektowane natywnie pod kątem nierównych długości sekwencji w świecie rzeczywistym mogą przewyższać standardowe metody wstępnego przetwarzania dopełniania i obcinania w innych dziedzinach, takich jak genomika i dane z czujników.
Mechanizm interaktywny: jak to faktycznie działa
Poznaj interaktywnie technologię leżącą u podstaw tego rozwoju.
Which component of an AI application is the machine-learning model itself?
Co obejrzeć dalej
Monitoruj wydania typu open source lub komercyjne integracje tego potoku wykrywania o zmiennej długości. Uważaj na przyjęcie przez protokoły DeFi lub firmy audytorskie bezpieczeństwa jako dodatkową warstwę przeglądu ręcznego. Zaobserwuj, czy ta architektura stanie się standardem dla innych zadań analizy sekwencji o zmiennej długości w sztucznej inteligencji, takich jak dane genomiczne lub dane z czujników.
Poszukaj wydania kodu lub wag modelu na platformach takich jak GitHub, aby ocenić odtwarzalność i potencjał przyjęcia przez społeczność.
Monitoruj firmy audytorskie bezpieczeństwa i protokoły DeFi pod kątem integracji tej metody wykrywania o zmiennej długości z ich standardowymi stosami bezpieczeństwa.
Zaobserwuj, czy kombinacja ChordMixer i mechanizmu retencji stanie się standardowym odniesieniem do obsługi sekwencji o zmiennej długości w innych aplikacjach AI.