Эта статья по искусственному интеллекту представляет Lightning Cat инструмент на основе глубокого обучения для обнаружения уязвимостей смарт-контрактов.

Откройте мир искусственного интеллекта с помощью Lightning Cat инструмента на основе глубокого обучения для обнаружения уязвимостей смарт-контрактов

Смарт-контракты играют ключевую роль в технологии блокчейн для разработки децентрализованных приложений. Восприимчивость смарт-контрактов к уязвимостям представляет существенную угрозу, приводящую к потенциальным финансовым потерям и сбоям системы. Традиционные методы обнаружения этих уязвимостей, такие как статический анализ, часто оказываются недостаточно эффективными из-за своей зависимости от предопределенных правил, что приводит к ложным срабатываниям и ошибочным пропускам. В ответ на это, команда исследователей из Salus Security (Китай) представила новое решение на основе искусственного интеллекта, названное “Lightning Cat”, которое использует методы глубокого обучения для обнаружения уязвимостей в смарт-контрактах.

Ключевые моменты статьи можно разделить на три части. Во-первых, представление решения Lightning Cat, использующего методы глубокого обучения для обнаружения уязвимостей в смарт-контрактах. Во-вторых, представлена эффективная методика обработки данных, с акцентом на извлечение семантических особенностей с использованием CodeBERT. Наконец, экспериментальные результаты демонстрируют превосходную производительность Optimised-CodeBERT по сравнению с другими моделями.

Исследователи решают ограничения статического анализа, предлагая три оптимизированные модели глубокого обучения в рамках методологии Lightning Cat: оптимизированный CodeBERT, LSTM и CNN. Модель CodeBERT является предварительно обученной моделью на основе трансформера, которая затем дообучается для конкретной задачи обнаружения уязвимостей в смарт-контрактах. Чтобы улучшить возможности семантического анализа, исследователи используют CodeBERT в предобработке данных, что позволяет более точно понять синтаксис и семантику кода. 

Эксперименты проводились на наборе данных SolidiFI-benchmark, состоящем из 9369 контрактов, содержащих уязвимости из семи разных типов. Результаты показывают превосходство модели Optimised-CodeBERT, достигнув впечатляющего F1-меры в 93,53%. Важность точного извлечения особенностей уязвимости достигается путем получения сегментов функций уязвимого кода. Использование CodeBERT для предобработки данных способствует более точному пониманию синтаксиса и семантики.

Исследователи позиционируют Lightning Cat как решение, превосходящее статический анализ, использующее глубокое обучение для адаптации и непрерывного обновления. Особым акцентом подчеркивается применение CodeBERT для эффективной предобработки данных, обеспечивая захват синтаксиса и семантики. Выдающуюся производительность модели Optimised-CodeBERT объясняют ее точностью в извлечении характеристик уязвимости, при этом существенную роль играют сегменты критического уязвимого кода.

В заключение исследователи подчеркивают важность обнаружения уязвимостей в смарт-контрактах для предотвращения финансовых потерь и поддержания доверия пользователей. Lightning Cat, благодаря своему подходу на основе глубокого обучения и оптимизированными моделями, выступает в качестве многообещающего решения, превосходящего существующие инструменты по точности и адаптивности.