Що сталося
Дослідження, опубліковане в Knowledge and Information Systems, представляє підхід глибокого навчання для виявлення вразливостей смарт-контрактів шляхом аналізу послідовностей кодів операції змінної довжини з повторів транзакцій Ethereum. Модель, побудована на основі архітектури ChordMixer і механізмів збереження, уникає скорочення трас виконання, досягаючи 93,5% точності для семи типів уразливостей.
Дослідники з Університету Гуанчжоу опублікували дослідження в Knowledge and Information Systems, в якому докладно описано нову модель глибокого навчання для виявлення вразливостей смарт-контрактів. Основним нововведенням є використання послідовностей кодів операції змінної довжини, отриманих із повторів транзакцій Ethereum, а не статичного вихідного коду чи скорочених слідів виконання.
У моделі використовується архітектура ChordMixer, масштабований механізм нейронної уваги, розроблений для послідовностей різної довжини, у поєднанні з механізмом збереження з сімейства Retentive Network. Цей підхід із подвійною роздільною здатністю дозволяє моделі фіксувати як глобальні поведінкові сигнатури атак, так і локалізовані пакети підозрілих інструкцій.
Команда порівняла модель з сімома різними типами вразливостей, включаючи реентерабельність і залежність від часової позначки. Дослідження повідомляє про точність 93,5% і показник F1 90,6%, що перевершує базові детектори, які покладаються на вхідні дані фіксованої довжини. Дані були отримані від загальнодоступних дослідників блокчейнів, таких як Etherscan, і відображають поведінку контрактів у реальному світі.
Деталі джерела: bioengineer.org ↗
Чому це важливо
У цьому дослідженні розглядається критична структурна слабкість автоматизованих інструментів безпеки блокчейну: втрата інформації, коли траси виконання змінної довжини примусово вводяться у вхідні дані нейронної мережі фіксованої довжини. Зберігаючи повний контекст виконання смарт-контрактів, модель може ідентифікувати тонкі вразливості, такі як повторне входження та переповнення цілих чисел, які можуть бути пропущені традиційним статичним аналізом або скороченим динамічним аналізом. Це важливо для сектору DeFi, де незмінні контракти та мільярдні активи роблять недоліки безпеки катастрофічними. Робота демонструє, що власна обробка змінної довжини може перевершити стандартні методи заповнення/усічення, пропонуючи більш надійну основу для безперервного автоматизованого моніторингу безпеки мережевих активів.
Традиційні детектори машинного навчання для безпеки блокчейну часто скорочують довгі послідовності коду операції, щоб відповідати вхідним даних моделі фіксованої довжини, потенційно відкидаючи самі інструкції, які виявляють уразливості. Цей новий підхід усуває втрату інформації, забезпечуючи більш повне уявлення про виконання контракту.
Для екосистеми децентралізованого фінансування (DeFi), де контракти є незмінними, а експлойти можуть виснажувати мільярди, автоматизовані інструменти, які можуть точно позначати вразливості до або після розгортання, мають вирішальне значення. Ця модель пропонує шлях до безперервного моніторингу безпеки мережевих активів у реальному часі.
Дослідження також має ширші наслідки для прикладного штучного інтелекту, демонструючи, що архітектури, спочатку розроблені для нерівних, реальних довжин послідовностей, можуть перевершити стандартні методи попередньої обробки заповнення та скорочення в інших областях, таких як геноміка та дані сенсорів.
Інтерактивний механізм: як він насправді працює
Дослідіть технологію, що лежить в основі цієї розробки, в інтерактивному режимі.
Which component of an AI application is the machine-learning model itself?
Що дивитися далі
Відстежуйте випуски з відкритим кодом або комерційну інтеграцію цього конвеєра виявлення змінної довжини. Слідкуйте за прийняттям протоколів DeFi або аудиторськими фірмами безпеки як додаткового рівня до перевірки персоналом. Поспостерігайте, чи стане ця архітектура стандартом для інших завдань аналізу послідовності змінної довжини в штучному інтелекті, наприклад геномних або сенсорних даних.
Шукайте випуск коду моделі або ваг на таких платформах, як GitHub, щоб оцінити відтворюваність і потенціал для прийняття спільнотою.
Відстежуйте аудиторські фірми безпеки та протоколи DeFi для інтеграції цього методу виявлення змінної довжини в їхні стандартні стеки безпеки.
Подивіться, чи стане комбінація ChordMixer і механізму збереження стандартним посиланням для обробки послідовностей змінної довжини в інших програмах AI.