เกิดอะไรขึ้น
การศึกษาที่ตีพิมพ์ในระบบความรู้และข้อมูลแนะนำแนวทางการเรียนรู้เชิงลึกสำหรับการตรวจจับช่องโหว่ของสัญญาอัจฉริยะโดยการวิเคราะห์ลำดับ opcode ที่มีความยาวแปรผันจากการเล่นซ้ำธุรกรรม Ethereum โมเดลนี้สร้างขึ้นบนสถาปัตยกรรม ChordMixer และกลไกการเก็บรักษา หลีกเลี่ยงการตัดทอนการติดตามการดำเนินการ โดยได้รับความแม่นยำ 93.5% สำหรับช่องโหว่เจ็ดประเภท
นักวิจัยจากมหาวิทยาลัยกวางโจวตีพิมพ์ผลการศึกษาในระบบความรู้และข้อมูล ซึ่งมีรายละเอียดเกี่ยวกับโมเดลการเรียนรู้เชิงลึกใหม่สำหรับการตรวจจับช่องโหว่ของสัญญาอัจฉริยะ นวัตกรรมหลักคือการใช้ลำดับ opcode ที่มีความยาวผันแปรได้ซึ่งได้มาจากการเล่นซ้ำธุรกรรม Ethereum แทนที่จะเป็นซอร์สโค้ดแบบคงที่หรือการติดตามการดำเนินการที่ถูกตัดทอน
โมเดลนี้ใช้สถาปัตยกรรม ChordMixer ซึ่งเป็นกลไกความสนใจของระบบประสาทที่ปรับขนาดได้ ซึ่งออกแบบมาสำหรับลำดับที่มีความยาวต่างกัน รวมกับกลไกการคงไว้จากกลุ่ม Retentive Network วิธีการความละเอียดแบบคู่นี้ช่วยให้โมเดลสามารถจับทั้งลายเซ็นเชิงพฤติกรรมทั่วโลกของการโจมตีและการระเบิดคำสั่งที่น่าสงสัยที่แปลเป็นภาษาท้องถิ่น
ทีมงานได้เปรียบเทียบโมเดลกับประเภทช่องโหว่ที่แตกต่างกันเจ็ดประเภท ซึ่งรวมถึงการกลับเข้าซ้ำและการพึ่งพาการประทับเวลา การศึกษารายงานความแม่นยำ 93.5% และคะแนน F1 90.6% ซึ่งมีประสิทธิภาพเหนือกว่าเครื่องตรวจจับพื้นฐานที่ใช้อินพุตที่มีความยาวคงที่ ข้อมูลนี้ได้มาจากนักสำรวจบล็อกเชนสาธารณะ เช่น Etherscan ซึ่งสะท้อนถึงพฤติกรรมของสัญญาในโลกแห่งความเป็นจริง
รายละเอียดที่มา: bioengineer.org ↗
ทำไมมันถึงสำคัญ
งานวิจัยนี้กล่าวถึงจุดอ่อนเชิงโครงสร้างที่สำคัญในเครื่องมือรักษาความปลอดภัยบล็อกเชนแบบอัตโนมัติ: การสูญเสียข้อมูลเมื่อการติดตามการดำเนินการที่มีความยาวผันแปรได้ถูกบังคับให้เข้าสู่อินพุตโครงข่ายประสาทเทียมที่มีความยาวคงที่ ด้วยการรักษาบริบทที่สมบูรณ์ของการดำเนินการตามสัญญาอัจฉริยะ โมเดลจึงสามารถระบุช่องโหว่ที่ละเอียดอ่อน เช่น การกลับเข้าซ้ำและจำนวนเต็มล้นที่อาจพลาดโดยการวิเคราะห์แบบคงที่แบบดั้งเดิมหรือการวิเคราะห์แบบไดนามิกที่ถูกตัดทอน นี่เป็นสิ่งสำคัญสำหรับภาค DeFi ซึ่งสัญญาที่ไม่เปลี่ยนรูปและสินทรัพย์นับพันล้านทำให้เกิดข้อบกพร่องด้านความปลอดภัยเป็นหายนะ งานวิจัยนี้แสดงให้เห็นว่าการประมวลผลที่มีความยาวผันแปรได้แบบดั้งเดิมนั้นมีประสิทธิภาพเหนือกว่าวิธีการขยาย/ตัดทอนมาตรฐาน โดยนำเสนอรากฐานที่แข็งแกร่งยิ่งขึ้นสำหรับการตรวจสอบความปลอดภัยอัตโนมัติของสินทรัพย์ออนไลน์อย่างต่อเนื่อง
เครื่องตรวจจับการเรียนรู้ของเครื่องแบบดั้งเดิมสำหรับการรักษาความปลอดภัยบล็อกเชนมักจะตัดลำดับ opcode ที่ยาวเพื่อให้พอดีกับอินพุตโมเดลที่มีความยาวคงที่ ซึ่งอาจละทิ้งคำสั่งที่เผยให้เห็นช่องโหว่ วิธีการใหม่นี้ช่วยลดการสูญเสียข้อมูลดังกล่าว ทำให้มองเห็นการดำเนินการตามสัญญาได้ครบถ้วนมากขึ้น
สำหรับระบบนิเวศการเงินแบบกระจายอำนาจ (DeFi) ซึ่งสัญญาไม่เปลี่ยนรูปและการหาประโยชน์สามารถระบายเงินนับพันล้านได้ เครื่องมืออัตโนมัติที่สามารถระบุช่องโหว่อย่างแม่นยำก่อนหรือหลังการใช้งานถือเป็นสิ่งสำคัญ โมเดลนี้นำเสนอเส้นทางสู่การตรวจสอบความปลอดภัยของสินทรัพย์ออนไลน์อย่างต่อเนื่องแบบเรียลไทม์
การวิจัยยังมีผลกระทบในวงกว้างมากขึ้นสำหรับ AI ที่ประยุกต์ใช้ ซึ่งแสดงให้เห็นว่าสถาปัตยกรรมที่ออกแบบมาเพื่อความยาวของลำดับที่ขาดหายไปในโลกแห่งความเป็นจริง สามารถทำได้ดีกว่าวิธีการประมวลผลล่วงหน้าแบบมาตรฐานและการตัดทอนในโดเมนอื่นๆ เช่น จีโนมิกส์และข้อมูลเซ็นเซอร์
กลไกเชิงโต้ตอบ: มันทำงานอย่างไร
สำรวจเทคโนโลยีเบื้องหลังการพัฒนานี้แบบโต้ตอบ
Which component of an AI application is the machine-learning model itself?
จะดูอะไรต่อไป.
ตรวจสอบการเผยแพร่โอเพ่นซอร์สหรือการบูรณาการเชิงพาณิชย์ของไปป์ไลน์การตรวจจับที่มีความยาวผันแปรได้ คอยสังเกตการนำโปรโตคอล DeFi หรือบริษัทตรวจสอบความปลอดภัยมาใช้เป็นชั้นเสริมในการตรวจสอบโดยมนุษย์ สังเกตว่าสถาปัตยกรรมนี้กลายเป็นมาตรฐานสำหรับงานวิเคราะห์ลำดับความยาวผันแปรอื่นๆ ใน AI เช่น ข้อมูลจีโนมหรือเซ็นเซอร์ได้หรือไม่
มองหาการเปิดตัวโค้ดของโมเดลหรือน้ำหนักบนแพลตฟอร์ม เช่น GitHub เพื่อประเมินความสามารถในการทำซ้ำและศักยภาพในการนำไปใช้ในชุมชน
ตรวจสอบบริษัทตรวจสอบความปลอดภัยและโปรโตคอล DeFi เพื่อรวมวิธีการตรวจจับที่มีความยาวผันแปรนี้เข้ากับสแต็กความปลอดภัยมาตรฐานของพวกเขา
สังเกตว่าการผสมผสาน ChordMixer และกลไกการกักเก็บกลายเป็นข้อมูลอ้างอิงมาตรฐานสำหรับการจัดการลำดับที่มีความยาวผันแปรได้ในแอปพลิเคชัน AI อื่นๆ หรือไม่