申请/专利权人：江苏大学

申请日：2021-05-20

公开（公告）日：2024-04-19

公开（公告）号：CN113254939B

主分类号：G06F18/2433

分类号：G06F18/2433;G06F18/211;G06F21/57;G06N3/0464;G06N3/084;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2021.08.31#实质审查的生效;2021.08.13#公开

摘要：本发明公开一种基于多注意力机制和自适应学习的智能合约漏洞检测方法，首先通过抽取智能合约交易行为的多维度原始特征构建数据集，其次提出一种深度学习多注意机制自适应权重模型AdaNet用以学习原始特征的重要性并挖掘不同特征间的关联关系；基于以上模型，针对智能合约漏洞领域样本正负样本不均衡问题通过最小化类AUC损失以获得比传统分类模型更强的泛化性能。

主权项：1.一种基于多注意力机制和自适应学习的智能合约漏洞检测方法，其特征在于：包括以下步骤：步骤S1、爬取与智能合约交易相关记录并构建样本集，该样本集为正负样本不均衡数据集；以80％，20％的比例划分特征矩阵X，得到训练集特征矩阵与测试集特征矩阵，分别记为训练集与测试集；步骤S2、提取数据样本集中的原始特征并构建特征矩阵如下：X＝x1,x2,...,xN∈RM×N其中，M是指统计出来的特征数目，即数据集的原始特征维度，N表示样本的数量；1≤i≤N，1≤j≤M；记xi为第i个特征向量，fj为第j个特征；若智能合约特征向量xi存在特征fj所表征的现象，则xij对应的值为1，否则值为0；步骤S3、构建深度神经网络AdaNet步骤S3.1、构建DSE模块，将步骤S2中获得的所有高维度智能合约特征向量有序放入多个通道中，进而加速深度学习网络的训练和提取多样化特征；步骤S3.2、构建MA模块，MA模块具有三条不同感受野的通道，同时使用不同的注意力机制模块来提取不同维度的特征；步骤S3.3、构建AdaLoss损失函数来自适应平衡正负样本的损失，并结合反向传播算法训练网络；步骤S4、将步骤S2构建的样本集放入由步骤S3组成的深度神经网络AdaNet，进行端到端的学习，通过深度神经网络AdaNet的学习，得到智能合约异常检测模型；步骤S5、在测试阶段，将步骤S1样本集中产生的测试集输入到步骤S4中训练完成的智能合约异常检测模型，并给出预测结果。

全文数据：

权利要求：

百度查询： 江苏大学 基于多注意力机制和自适应学习的智能合约漏洞检测方法

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