智能合约的安全

智能合约的安全问题一直是编写智能合约的关键点。多数的智能合约都是开源的,源码公布更容易被黑客找到攻击的漏洞。 
这里将一些常见的,易犯的错误。首先我们先看看下面这段代码:

contract text{
    address owner;
    function userWallet() public{
        owner == msg.sender;
    }
    
    function transferto(address add,uint num) public payable{
        if(tx.origin == owner){
            add.transfer(num);
        }
    }
}

  

这里先讲讲其中tx.origin和msg.sender不同。msg.sender指的是调用合约的地址,而tx.origin指的是发起transaction的地址。举个例子,看下面的代码。

pragma solidity^0.4.7;
contract c1{
    address add1;
    address add2;
    function findAdd() public {
        add1 = msg.sender;
        add2 = tx.origin;
    }
    function getAdd1() public returns(address){
        return add1;
    }
    function getAdd2() public returns(address){
        return add2;
    }
}
contract differ{
    address public a1;
    address public a2;
    function f1() public {
        c1 c = new c1();
        c.findAdd();
        a1 = c.getAdd1();
        a2 = c.getAdd2();
    }
}

  

执行完合约后,a1就是合约differ的地址,而a2是调用合约diiffer的地址,也就是发起transaction的地址。上面简单讲了tx.origin和msg.sender的区别。接下来我们回到第一个合约中,这个合约实现了一个转账的功能·。但这个合约存在bug。黑客可以利用这个漏洞进行攻击。比如下面这段代码

contract attack{
  address hack;
  constructor() public{
    hack = msg.sender;
  }
  function () external{
    text(msg.sender).transferto(hack,msg.sender.balance);
  }
}

  

只要让第一个text合约就会触发attack合约中的匿名函数,这时就会向hack地址转账了。因此在text合约中应该使用msg.sender而不是tx.origin。

接下来还有一个不容易被找出来的错误,比如下面的合约

pragma solidity^0.4.7;
contract fund{
    mapping(address=>uint) num;
    function transferto(address add)public payable{
        if(num[add] != 0){
            add.transfer(num[add]);
            num[add] = 0;
        }
    }
}

  

这个合约实现一个兑换的功能,可以将每个address中所占的数兑换成以太币,黑客可以实现这样一个合约

contract attack{
    address hack;
    constructor()public{
        hack = msg.sender;
    }
    function () external {
        fund(msg.sender).transferto(hack);
    }
}

  

这样合约fund每次转账都会调用attack合约的匿名函数,而匿名函数中又会调用合约fund中的转账。便会一直重复,这时候为了防止这种情况。可以改成下面的代码

contract fund{
    mapping(address=>uint) num;
    function transferto(address add)public payable{
        uint temp = num[add];
        if(temp != 0){
            num[add] = 0;
            add.transfer(temp);
        }
    }
}

  

将兑换的num在转账之前重置为0。这样即使用上述的代码进行攻击亦不会再次执行转账了。

 

转载于:https://www.cnblogs.com/mambakb/p/10111220.html

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值