申请/专利权人：西北大学

申请日：2021-03-22

公开（公告）日：2023-04-07

公开（公告）号：CN113127933B

主分类号：G06F21/64

分类号：G06F21/64;G06N3/04;G06N3/084;G06N20/00;G06F16/27

优先权：

专利状态码：有效-授权

法律状态：2023.04.07#授权;2021.08.03#实质审查的生效;2021.07.16#公开

摘要：本发明公开了一种基于图匹配网络的智能合约庞氏骗局检测方法及系统，该方法获取庞氏骗局数据集，庞氏骗局数据集包括多个智能合约地址、智能合约及其对应的标签，为智能合约字节码构造控制流图，利用深度学习中的图匹配网络技术，训练神经网络，为智能合约静态审计提供技术支持，缩小审计的范围，减少了用户和监管人员发现恶意合约的时间，而且漏报率和误报率较低。本发明基于开源代码数据集，使用静态审计技术。

主权项：1.一种基于图匹配网络的智能合约庞氏骗局检测模型构建方法，其特征在于，包括以下步骤：步骤一：获取数据：获取带标签的庞氏骗局数据集，所述庞氏骗局数据集包括多个智能合约地址、智能合约及其对应的标签，根据获取的智能合约地址爬取智能合约的字节码；步骤二：字节码构图：使用智能合约的字节码构建包含结构信息和语义信息的完整的控制流图；具体包括：步骤2.1，将步骤一得到的字节码反汇编生成智能合约的EVM指令，分析EVM指令并将其划分为多个基础块，对基础块添加关系边，得到初始控制流图；所述初始控制流图中每个基础块对应一个节点；步骤2.2，找出初始控制流图中的所有子图，根据子图的生成顺序在子图间添加顺序依赖边，完善其结构信息，得到包含结构信息的控制流图；步骤2.3，使用Sent2Vec模型对包含结构信息的控制流图中每个节点的特征信息进行向量化，并使用One-Hot编码将包含结构信息的控制流图中边的特征信息进行向量化；从而得到包含结构信息和语义信息的完整的控制流图；所述步骤2.1中对基础块添加关系边包括：新建一个栈模拟EVM指令的进栈和出栈顺序，找到跳转指令，找到或计算跳转的目的地址，实现基础块之间的关系边的添加，得到初始控制流图；所述步骤2.2中，初始控制流图中若包含多个子图，那么根据步骤2.1生成子图的顺序，在相邻的子图之间添加一条顺序依赖边，将相邻的两个子图合并为一个图，以此类推，使得最后只有一个图，最终得到图即为包含结构信息的控制流图；步骤三：神经网络的构建和训练：构建初始图匹配神经网络模型，将庞氏骗局数据集中的两个智能合约的两个完整的控制流图作为输入，输出为两个智能合约的标签的相似系数，并将输出的相似系数与庞氏骗局数据集中这两个智能合约对应的原始标签之间的相似度进行对比，根据对比得到的误差，利用反向传播训练神经网络，得到训练后的神经网络模型；所述相似系数表示输入的两个智能合约的相似程度。

全文数据：

权利要求：

百度查询： 西北大学 一种基于图匹配网络的智能合约庞氏骗局检测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD