Vulnerability Detection in Smart Contracts Using Deep Learning

Vulnerability Detection in Smart Contracts Using Deep Learning

利用深度学习检测智能合约中的漏洞

这项研究对机器学习模型（即LSTM和TCN）进行了实验和测试，并提出了具有竞争力的新模型。作者建立了深度学习架构，如长短时记忆（LSTM）和时间卷积网络（TCN），以研究如何利用这些模型来识别SC中的漏洞分类和异常情况检测。为了有更好的洞察力，作者将模型（即TCN和LSTM）的性能与Gogineni等人[19]的报告进行了比较。

使用技术：

“artificial recurrent neural network architecture” 人工递归神经网络架构

• “Long Short-Term Memory (LSTM)” 长短期记忆(LSTM)

• “Temporal Convolutional Network (TCN)” 时间卷积网络(TCN)

扩展自：“Multi-class classification of vulnerabilities in smart contracts using awd-lstm, with pre-trained encoder inspired from natural language processing.”

本文提出的工作扩展了[19]中讨论的研究。[19]的作者使用平均随机梯度下降加权LSTM（AWD-LSTM）来检测漏洞被标记为自杀（即包含自毁操作码的SC）、2）浪子（即向任何任意SC发送以太）、3）贪婪（即具有冻结以太特征的SC）和4）正常（即没有任何漏洞的SC）的SC。他们从(Tann 等, 2019)中提出的工作中获取了他们的训练数据，上述研究将数据分为自杀类、浪子类和贪婪类。然而，由于不同的操作码组合较少，这些类受到数据不平衡的影响。

创新点：

我们是第一次将TCN用于漏洞检测，并将其性能与基于LSTM的模型进行比较。

贡献：

• 我们通过从类似的资源库中下载更多的SC来解决数据不平衡的问题，然后按照[48]中的讨论，将这些SC转化为操作码排序字符串进行分类。

• 我们为我们的数据集建立了基于LSTM和TCN的漏洞检测模型。

• 我们报告说，我们基于TCN的模型优于现有的工作（如LSTM模型）。通过TCN模型的数据超采样，我们在精度、召回率、F1得分和准确率方面分别达到了95.95%、93.73%