Vad hände
En studie publicerad i Knowledge and Information Systems introducerar en djupinlärningsmetod för att upptäcka sårbarheter i smarta kontrakt genom att analysera opkodsekvenser med variabel längd från Ethereum-transaktionsuppspelningar. Modellen, byggd på ChordMixer-arkitekturen och retentionsmekanismerna, undviker trunkering av exekveringsspår och uppnår 93,5 % noggrannhet över sju sårbarhetstyper.
Forskare från Guangzhou University publicerade en studie i Knowledge and Information Systems som beskriver en ny modell för djupinlärning för smart kontraktssårbarhetsdetektering. Kärninnovationen är användningen av opkodsekvenser med variabel längd härledda från Ethereum-transaktionsuppspelningar, snarare än statisk källkod eller trunkerade exekveringsspår.
Modellen använder ChordMixer-arkitekturen, en skalbar neural uppmärksamhetsmekanism designad för sekvenser av olika längd, kombinerad med en retentionsmekanism från Retentive Network-familjen. Detta tillvägagångssätt med dubbla upplösningar tillåter modellen att fånga både globala beteendesignaturer för attacker och lokaliserade misstänkta instruktionsskurar.
Teamet jämförde modellen mot sju distinkta sårbarhetstyper, inklusive återinträde och tidsstämpelberoende. Studien rapporterar en noggrannhet på 93,5 % och en F1-poäng på 90,6 %, vilket överträffar baslinjedetektorer som är beroende av ingångar med fast längd. Uppgifterna hämtades från offentliga blockchain-utforskare som Etherscan, vilket återspeglar verkligt kontraktbeteende.
Källinformation: bioengineer.org ↗
Varför det spelar roll
Denna forskning tar itu med en kritisk strukturell svaghet i automatiserade blockchain-säkerhetsverktyg: förlusten av information när exekveringsspår med variabel längd tvingas in i neurala nätverksingångar med fast längd. Genom att bevara hela sammanhanget för smarta kontraktsutföranden kan modellen identifiera subtila sårbarheter som återinträde och heltalsspill som kan missas av traditionell statisk analys eller trunkerad dynamisk analys. Detta är viktigt för DeFi-sektorn, där oföränderliga kontrakt och miljarder i tillgångar gör säkerhetsbrister katastrofala. Arbetet visar att inbyggd bearbetning med variabel längd kan överträffa standardutfyllnad/trunkeringsmetoder, vilket ger en mer robust grund för kontinuerlig, automatiserad säkerhetsövervakning av tillgångar i kedjan.
Traditionella maskininlärningsdetektorer för blockkedjesäkerhet trunkerar ofta långa opkodsekvenser för att passa modellingångar med fast längd, vilket potentiellt förkastar själva instruktionerna som avslöjar sårbarheter. Detta nya tillvägagångssätt eliminerar denna informationsförlust, vilket ger en mer komplett bild av kontraktsutförande.
För ekosystemet för decentraliserad finans (DeFi), där kontrakt är oföränderliga och utnyttjande kan dra ut miljarder, är automatiserade verktyg som korrekt kan flagga sårbarheter före eller efter implementering avgörande. Denna modell erbjuder en väg mot kontinuerlig säkerhetsövervakning i realtid av tillgångar i kedjan.
Forskningen har också bredare implikationer för tillämpad AI, vilket visar att arkitekturer som är inbyggt designade för ojämna, verkliga sekvenslängder kan överträffa standardutfyllnads- och trunkeringsförbehandlingsmetoder inom andra domäner som genomik och sensordata.
Interaktiv mekanism: hur det faktiskt fungerar
Utforska den underliggande tekniken bakom denna utveckling interaktivt.
Which component of an AI application is the machine-learning model itself?
Vad du ska titta på härnäst
Övervaka efter frisläppningar med öppen källkod eller kommersiella integrationer av denna pipeline för upptäckt av variabel längd. Se upp för antagande av DeFi-protokoll eller säkerhetsrevisionsföretag som ett kompletterande lager till mänsklig granskning. Observera om den här arkitekturen blir en standard för andra sekvensanalysuppgifter med variabel längd i AI, såsom genomisk eller sensordata.
Leta efter releasen av modellens kod eller vikter på plattformar som GitHub för att bedöma reproducerbarhet och potential för gemenskapsantagande.
Övervaka säkerhetsrevisionsföretag och DeFi-protokoll för integrering av denna detekteringsmetod med variabel längd i deras standardsäkerhetsstackar.
Observera om kombinationen ChordMixer och retentionsmekanism blir en standardreferens för hantering av sekvenser med variabel längd i andra AI-applikationer.