【论文阅读】AdvSCanner: Generating Adversarial Smart Contracts to Exploit Reentrancy Vulnerabilities Using

已于 2024-11-14 09:03:34 修改
阅读量1k 收藏 10
点赞数 27
分类专栏： LLM+网络安全 文章标签： 论文阅读
于 2024-11-14 09:02:57 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_47575900/article/details/143757388
版权

AdvSCanner: Generating Adversarial Smart Contracts to Exploit Reentrancy Vulnerabilities Using LLM and Static Analysis

来源出处

  • 作者：Yin Wu, Xiaofei Xie, Chenyang Peng, Dijun Liu, Hao Wu, Ming Fan, Ting Liu, Haijun Wang
  • 单位：Xi’an Jiaotong University, Singapore Management University, China Mobile Chengdu Institute of Research and Development, Xi’an Jiaotong University
  • 会议：39th IEEE/ACM International Conference on Automated Software Engineering (ASE ’24)
  • 日期：October 27-November 1, 2024, Sacramento, CA, USA
  • DOI：https://doi.org/10.1145/3691620.3695482
    在这里插入图片描述

最低0.47元/天 解锁文章
论文阅读笔记：GENERATING NATURAL ADVERSARIAL EXAMPLES
qq_36356761的博客
04-18 3137
论文阅读笔记：GENERATING NATURAL ADVERSARIAL EXAMPLES 本文发表在ICLR2018上 问题 传统对抗样本是unnatural的，在真实数据中几乎不存在 contribution 提出了一种生成更natural, legible的对抗样本的方法，这种方法可以用来衡量模型的鲁棒性 方法 1、利用WGAN和（无标注）真实数据X训练一个生成器...
【ICLR2019】Poster 论文汇总
碧落的博客
06-05 2325
【ICLR2019】Poster 论文汇总 转自：https://blog.csdn.net/u014636245/article/details/88825615 ICLR2019Poster 文章汇总, 共478 papers Convolutional Neural Networks on Non-uniform Geometrical Signals Using Eucli...
ICML 2019 Accepted Papers (Title, Author, Abstract, Code) (001-150)
qq280929090的专栏
07-14 5723
Title: Author: Abstract: Title: Author: Abstract: Title: Author: Abstract: Title: Author: Abstract: Title: Author: Abstract: Title: Author: Abstract: Title: Author: Abstract: Title: Author: Abstract: ...
插件8：拼写检查
热门推荐
dearbaba_1666的博客
06-27 15万+
<?php // Plug-in 8: Spell Check // This is an executable example with additional code supplie
Recent Fuzzing Papers
wcventure的博客
03-13 2651
Recent Papers Related To Fuzzing 原文在GitHub上更新： https://github.com/wcventure/FuzzingPaper All Papers Interesting Fuzzing DifFuzz: Differential Fuzzing for Side-Channel Analysis (ICSE 2019) REST-ler:...
【人工智能】deepseek七篇论文阅读笔记大纲
Lifelong learning.
05-29 463
研读了deepseek的论文，文章内容太多觉得有必要亲自整理，自己动手才记得住
论文笔记： Urban Region Embedding via Multi-View Contrastive Prediction
qq_40206371的博客
05-31 390
摘要：本文提出了一种新的多视图区域嵌入一致性学习框架ReCP，突破了传统"单视图表示+多视图融合"范式的局限性。ReCP通过视图内对比学习和自动编码器捕获视图特有特征，同时创新性地设计了视图间对比学习和双重预测机制，有效利用多视图间的信息一致性作为学习约束，实现知识跨视图迁移。该方法在AAAI2024会议上展示，实验验证了其有效性。
Med-R1论文阅读理解-1
guoguozgw的博客
05-30 1134
Med-R1 为医学视觉-语言模型提供了一条全新的发展路径。不仅在性能上超越了现有 SFT 方法和更大规模的模型，还在泛化性和可解释性方面实现了突破。首次将强化学习应用于医学多模态推理。提出了 GRPO + 规则奖励的新型训练范式。验证了参数效率模型也能取得卓越性能。
论文阅读笔记——In-Context Edit
Multiple_x的博客
05-28 1320
In-Context Edit: Enabling Instructional Image Editing with In-Context Generation in Large Scale Diffusion Transformer 论文阅读笔记
PolyGen：一个用于 3D 网格的自回归生成模型 论文阅读
最新发布
njsgcs的博客
06-02 911
体素是一个三维空间中的立方体单元，它具有特定的坐标位置和大小。通常，体素可以表示为一个包含位置信息（如 x、y、z 坐标）和属性值（如密度、颜色、材料等）的三维数据元素。体素是构建复杂三维物体或场景的基本组成部分，通过集合大量的体素，可以近似表示出复杂的三维形状和结构。
【论文阅读】DanceGRPO: Unleashing GRPO on Visual Generation
xianshuiyihui的博客
05-30 1222
DanceGRPO：第一个视觉生成大一统强化学习框架--论文详解
论文阅读笔记——Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset
Multiple_x的博客
06-01 500
Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset 论文阅读笔记
Attention Is All You Need论文阅读笔记
写代码的小阿帆的博客
05-29 1206
摘要中提到序列传导模型中性能最好的是用注意力机制连接编码器和解码器的框架，但该框架仍基于复杂的递归和卷积神经网络，故文章提出了一种完全基于注意力机制，无需递归和卷积网络的框架。实验结果显示模型的质量上乘，并且训练时间明显减少。由前置知识中的注意力模型我们知道，RNN网络虽然解决了元素相关依赖的问题，但是其输入取决于上一轮状态，训练过程的效率较低。“这种固有的 Sequences 性质排除了训练样本中的并行化，这在较长的序列长度下变得至关重要，因为内存约束限制了样本之间的批处理。
论文阅读笔记——FLOW MATCHING FOR GENERATIVE MODELING
Multiple_x的博客
05-30 1713
FLOW MATCHING FOR GENERATIVE MODELING 论文阅读笔记
【论文阅读】《PEACE: Empowering Geologic Map Holistic Understanding with MLLMs》
艰难困苦，玉汝于成。
05-29 1134
这篇文章提出了一种名为PEACE的框架，旨在通过多模态大语言模型（MLLMs）增强地质图的全方位理解。
论文笔记：DreamDiffusion
MuQYun的博客
05-29 1180
摘要 这篇论文提出了一种名为DreamDiffusion的新方法，旨在利用脑电图（EEG）信号直接生成高质量图像，实现低成本、便携式的“意念绘画”技术。DreamDiffusion通过三个关键步骤解决EEG信号噪声大、语义模糊的挑战：1）使用蒙面信号建模（MSM）预训练EEG编码器，增强对脑电信号的语义理解；2）微调预训练的稳定扩散模型（Stable Diffusion），使其能根据EEG嵌入生成图像；3）利用CLIP模型对齐EEG、文本和图像空间，提升生成内容的语义一致性。实验表明，DreamDiffus
【论文阅读】User Diverse Preference Modeling by Multimodal Attentive Metric Learning
hongjianMa的博客
05-28 1152
本文提出了一种多模态注意力度量学习(MAML)方法用于用户偏好建模。针对传统协同过滤方法中点积运算不满足度量性质的问题，以及度量学习方法存在的几何限制，MAML通过为每个用户-物品对动态生成注意力权重向量，将用户和物品投影到定制化的特征空间中进行距离计算。该方法利用物品的多模态信息(文本和视觉特征)作为输入，通过两层神经网络计算注意力权重，并采用改进的归一化方法增强模型区分能力。实验表明，MAML不仅能准确捕捉用户对物品不同方面的差异化关注，还克服了传统方法的几何局限性，在推荐性能上优于现有基线模型。
【论文笔记】Transcoders Find Interpretable LLM Feature Circuits
xhyu61的博客
05-31 1025
「终有一日，汝将背后负创而死。」——《崩坏：星穹铁道》万敌
ffmpeg 的视频格式转换 c# win10
06-02
ffmpeg 的视频格式转换 c# win10
警告: Generating equals/hashCode implementation but without a call to superc
09-16
警告 "Generating equals/hashCode implementation but without a call to superclass" 表示在生成equals和hashCode方法时，没有调用超类的方法。这可能是有意为之，也可能是错误的。如果这是有意为之的，您可以在您的类中添加"(callSuper=false)"来明确表示意图。这样做将禁止调用超类的equals和hashCode方法。如果您确定这并非错误，您可以忽略这个警告。如果您想了解更多关于这个警告的信息以及如何解决它的方法，您可以查看以下链接：https://www.cnblogs.com/zt007/p/13086238.html。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

衬衫chenshan

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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