Nini kilitokea
Utafiti uliochapishwa katika Maarifa na Mifumo ya Taarifa unatanguliza mbinu ya kujifunza kwa kina ya kugundua udhaifu wa mikataba mahiri kwa kuchanganua mfuatano wa opcode wa urefu tofauti kutoka kwa urudiaji wa shughuli za Ethereum. Muundo huo, uliojengwa kwa usanifu wa ChordMixer na mbinu za kubaki, huepuka kupunguza ufuatiliaji wa utekelezaji, na kufikia usahihi wa 93.5% katika aina saba za athari.
Watafiti kutoka Chuo Kikuu cha Guangzhou walichapisha utafiti katika Mifumo ya Maarifa na Taarifa inayoeleza kwa kina modeli mpya ya kujifunza kwa kina kwa ajili ya kugundua kuathirika kwa kandarasi. Ubunifu msingi ni matumizi ya mfuatano wa opcode wa urefu tofauti unaotokana na uchezaji wa marudio wa shughuli ya Ethereum, badala ya msimbo wa chanzo tuli au ufuatiliaji uliopunguzwa wa utekelezaji.
Muundo huu unatumia usanifu wa ChordMixer, utaratibu wa usikivu wa neva unaoweza kupanuka ulioundwa kwa ajili ya mfuatano wa urefu tofauti, pamoja na utaratibu wa kubaki kutoka kwa familia ya Mtandao wa Kuhifadhi. Mbinu hii ya maazimio mawili huruhusu muundo kunasa saini za tabia za kimataifa za mashambulizi na milipuko ya maagizo ya kutiliwa shaka.
Timu ililinganisha modeli dhidi ya aina saba mahususi za uwezekano wa kuathiriwa, ikiwa ni pamoja na utegemezi wa kurejea tena na muhuri wa muda. Utafiti unaripoti usahihi wa 93.5% na alama ya F1 ya 90.6%, vigunduzi vinavyofanya kazi vizuri zaidi vya msingi ambavyo vinategemea pembejeo za urefu usiobadilika. Data ilitolewa kutoka kwa wagunduzi wa blockchain ya umma kama Etherscan, inayoonyesha tabia ya mikataba ya ulimwengu halisi.
Maelezo ya chanzo: bioengineer.org ↗
Kwa nini ni muhimu
Utafiti huu unashughulikia udhaifu mkubwa wa kimuundo katika zana za usalama za blockchain otomatiki: upotezaji wa habari wakati ufuatiliaji wa utekelezaji wa urefu tofauti unalazimishwa katika pembejeo za mtandao wa neural wa urefu usiobadilika. Kwa kuhifadhi muktadha kamili wa utekelezaji wa mikataba mahiri, muundo huu unaweza kutambua udhaifu mdogo kama vile uwekaji upya na wingi kamili wa ziada ambao unaweza kukosekana na uchanganuzi wa kawaida wa tuli au uchanganuzi dhabiti uliopunguzwa. Hii ni muhimu kwa sekta ya DeFi, ambapo kandarasi zisizobadilika na mabilioni ya mali hufanya dosari za usalama kuwa mbaya. Kazi hii inaonyesha kuwa usindikaji asilia wa urefu tofauti unaweza kushinda mbinu za kawaida za kuweka pedi/kupunguza, na kutoa msingi thabiti zaidi wa ufuatiliaji wa usalama wa kiotomatiki wa vipengee vya mtandaoni.
Vigunduzi vya kawaida vya kujifunza kwa mashine kwa ajili ya usalama wa blockchain mara nyingi hupunguza mifuatano mirefu ya opcode ili kutoshea ingizo la muundo wa urefu usiobadilika, hivyo basi kutupilia mbali maagizo ambayo hufichua udhaifu. Mbinu hii mpya huondoa upotevu huo wa taarifa, ikitoa mtazamo kamili zaidi wa utekelezaji wa mkataba.
Kwa mfumo wa fedha uliogatuliwa (DeFi), ambapo kandarasi hazibadiliki na matumizi mabaya yanaweza kuchota mabilioni, zana za kiotomatiki ambazo zinaweza kuripoti udhaifu kabla au baada ya kutumwa ni muhimu. Muundo huu unatoa njia kuelekea ufuatiliaji endelevu, wa wakati halisi wa usalama wa mali za mtandaoni.
Utafiti pia una maana pana zaidi kwa AI inayotumika, inayoonyesha kwamba usanifu uliobuniwa asili kwa urefu wa mpangilio mbovu, wa ulimwengu halisi unaweza kuwa bora zaidi kuliko mbinu za uchakataji wa kawaida na upunguzaji katika vikoa vingine kama vile data ya jeni na kihisi.
Mbinu shirikishi: Jinsi Inavyofanya Kazi Kweli
Chunguza teknolojia msingi nyuma ya ukuzaji huu kwa maingiliano.
Which component of an AI application is the machine-learning model itself?
Nini cha kutazama baadaye
Fuatilia matoleo ya chanzo huria au miunganisho ya kibiashara ya bomba hili la utambuzi wa urefu tofauti. Tazama kupitishwa na itifaki za DeFi au kampuni za ukaguzi wa usalama kama safu ya ziada ya ukaguzi wa kibinadamu. Angalia ikiwa usanifu huu unakuwa kiwango cha kazi zingine za uchanganuzi wa mfuatano wa urefu tofauti katika AI, kama vile data ya jeni au kihisi.
Tafuta uchapishaji wa msimbo au vipimo vya kielelezo kwenye mifumo kama vile GitHub ili kutathmini uwezekano wa kuzaliana na uwezekano wa kupitishwa na jumuiya.
Fuatilia kampuni za ukaguzi wa usalama na itifaki za DeFi kwa ujumuishaji wa njia hii ya utambuzi wa urefu tofauti kwenye rafu zao za usalama za kawaida.
Angalia ikiwa mchanganyiko wa ChordMixer na utaratibu wa kubaki unakuwa marejeleo ya kawaida ya kushughulikia mifuatano ya urefu tofauti katika programu zingine za AI.