Chuyện gì đã xảy ra
Một nghiên cứu được công bố trên Hệ thống thông tin và kiến thức giới thiệu một phương pháp học sâu để phát hiện các lỗ hổng hợp đồng thông minh bằng cách phân tích các chuỗi opcode có độ dài thay đổi từ các lần phát lại giao dịch Ethereum. Mô hình này được xây dựng trên cơ chế lưu giữ và kiến trúc ChordMixer, tránh việc cắt bớt dấu vết thực thi, đạt độ chính xác 93,5% đối với bảy loại lỗ hổng.
Các nhà nghiên cứu từ Đại học Quảng Châu đã công bố một nghiên cứu về Hệ thống thông tin và kiến thức trình bày chi tiết về mô hình học sâu mới để phát hiện lỗ hổng hợp đồng thông minh. Sự đổi mới cốt lõi là việc sử dụng các chuỗi opcode có độ dài thay đổi bắt nguồn từ các lần phát lại giao dịch Ethereum, thay vì mã nguồn tĩnh hoặc dấu vết thực thi bị cắt ngắn.
Mô hình này sử dụng kiến trúc ChordMixer, một cơ chế chú ý thần kinh có thể mở rộng được thiết kế cho các chuỗi có độ dài khác nhau, kết hợp với cơ chế lưu giữ từ dòng Retentive Network. Cách tiếp cận có độ phân giải kép này cho phép mô hình nắm bắt cả dấu hiệu hành vi toàn cầu của các cuộc tấn công và các đợt hướng dẫn đáng ngờ cục bộ.
Nhóm đã so sánh mô hình với bảy loại lỗ hổng khác nhau, bao gồm cả khả năng truy cập lại và sự phụ thuộc vào dấu thời gian. Nghiên cứu báo cáo độ chính xác là 93,5% và điểm F1 là 90,6%, vượt trội so với các máy dò đường cơ sở dựa vào đầu vào có độ dài cố định. Dữ liệu được lấy từ các nhà thám hiểm blockchain công khai như Etherscan, phản ánh hành vi hợp đồng trong thế giới thực.
Chi tiết nguồn: bioengineer.org ↗
Tại sao nó quan trọng
Nghiên cứu này giải quyết một điểm yếu quan trọng về cấu trúc trong các công cụ bảo mật blockchain tự động: mất thông tin khi các dấu vết thực thi có độ dài thay đổi bị buộc vào các đầu vào mạng thần kinh có độ dài cố định. Bằng cách duy trì bối cảnh đầy đủ của việc thực thi hợp đồng thông minh, mô hình có thể xác định các lỗ hổng tinh vi như lỗi truy cập lại và tràn số nguyên có thể bị bỏ qua bởi phân tích tĩnh truyền thống hoặc phân tích động bị cắt ngắn. Điều này rất có ý nghĩa đối với lĩnh vực DeFi, nơi các hợp đồng bất biến và tài sản trị giá hàng tỷ USD khiến các lỗ hổng bảo mật trở thành thảm họa. Công trình chứng minh rằng quá trình xử lý có độ dài thay đổi tự nhiên có thể hoạt động tốt hơn các phương pháp đệm/cắt ngắn tiêu chuẩn, mang lại nền tảng vững chắc hơn cho việc giám sát bảo mật tự động, liên tục đối với các tài sản trên chuỗi.
Các trình phát hiện học máy truyền thống để bảo mật blockchain thường cắt bớt các chuỗi opcode dài để phù hợp với đầu vào mô hình có độ dài cố định, có khả năng loại bỏ chính các hướng dẫn tiết lộ lỗ hổng. Cách tiếp cận mới này giúp loại bỏ tình trạng mất thông tin, cung cấp cái nhìn đầy đủ hơn về việc thực hiện hợp đồng.
Đối với hệ sinh thái tài chính phi tập trung (DeFi), nơi các hợp đồng là bất biến và việc khai thác có thể tiêu tốn hàng tỷ USD, các công cụ tự động có thể gắn cờ chính xác các lỗ hổng trước hoặc sau khi triển khai là rất quan trọng. Mô hình này cung cấp một lộ trình hướng tới việc giám sát an ninh liên tục, theo thời gian thực đối với các tài sản trên chuỗi.
Nghiên cứu này cũng có ý nghĩa rộng hơn đối với AI ứng dụng, chứng minh rằng các kiến trúc được thiết kế nguyên bản cho độ dài chuỗi rời rạc trong thế giới thực có thể vượt trội hơn các phương pháp tiền xử lý cắt ngắn và đệm tiêu chuẩn trong các lĩnh vực khác như dữ liệu gen và cảm biến.
Cơ chế tương tác: Nó thực sự hoạt động như thế nào
Khám phá công nghệ cơ bản đằng sau sự phát triển này một cách tương tác.
Which component of an AI application is the machine-learning model itself?
Xem gì tiếp theo
Giám sát các bản phát hành nguồn mở hoặc tích hợp thương mại của quy trình phát hiện có độ dài thay đổi này. Theo dõi việc các giao thức DeFi hoặc các công ty kiểm toán bảo mật áp dụng như một lớp bổ sung cho quá trình đánh giá của con người. Quan sát xem kiến trúc này có trở thành tiêu chuẩn cho các nhiệm vụ phân tích trình tự có độ dài thay đổi khác trong AI hay không, chẳng hạn như dữ liệu gen hoặc cảm biến.
Tìm kiếm việc phát hành mã hoặc trọng lượng của mô hình trên các nền tảng như GitHub để đánh giá khả năng tái tạo và tiềm năng áp dụng của cộng đồng.
Giám sát các công ty kiểm tra bảo mật và giao thức DeFi để tích hợp phương pháp phát hiện có độ dài thay đổi này vào ngăn xếp bảo mật tiêu chuẩn của họ.
Quan sát xem liệu sự kết hợp ChordMixer và cơ chế lưu giữ có trở thành tham chiếu tiêu chuẩn để xử lý các chuỗi có độ dài thay đổi trong các ứng dụng AI khác hay không.