申请/专利权人：江苏大学

申请日：2023-07-14

公开（公告）日：2024-04-30

公开（公告）号：CN116958767B

主分类号：G06V10/80

分类号：G06V10/80;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2023.11.14#实质审查的生效;2023.10.27#公开

摘要：本发明公开一种基于多模态技术的智能合约安全分析方法及系统，将智能合约的字节码文件转换为图片，并计算智能合约操作码的调用频率，利用这两种特征表征当前待测合约，根据两种特征构建两种不同单模态模型，通过所提出的MFNet集成单模态模型，由MLP生成智能合约的安全分析结果。本发明在不依赖任何专家知识或规则的前提下，利用合约的两种文件构造特征可以自动捕获更全面的特性，具有较高的代码覆盖率和指令细节，多模态特征融合网络MFNet以挖掘两种模态的内在依赖性和互补性优势，将单模态模型集成在一起，克服现有检测方案受限于特征表示能力以及只能检测特定漏洞的问题，能够自动化实现智能合约的安全分析工作。

主权项：1.一种基于多模态技术的智能合约安全分析方法，其特征在于，包括以下步骤：步骤1、传入智能合约的地址以获取智能合约的字节码文件以及操作码文件；步骤2、使用可视化方法将智能合约字节码文件转化为图像并作为第一特征；同时，通过计算智能合约操作码文件中各个操作码的调用频率得到第二特征；将第一特征和第二特征作为后续模型训练的输入；步骤3、针对步骤2所得两种特征的表现形式分别构造单模态模型：对于第一特征，使用SE-ResNet-50构建图像特征模型，对于第二特征使用一维卷积神经网络Conv1D构建频率特征模型；然后对这两个单模态模型采用有监督的策略进行独立训练，并保存相关参数；步骤4、使用MFNet网络将训练后的图像特征模型和频率特征模型进行融合集成；MFNet网络中包括两个基本结构：多尺度特征增强网络EnchanceNet和多模态联合学习网络JointNet；MFNet网络融合图像特征模型和频率特征模型这两个模态模型的具体方法为：步骤4.1、对两个单模态模型中不同尺度的层进行处理；使用全局平均池化GAP和卷积Conv层分别处理图像特征模型和频率特征模型的输出特征，以便得到相同维度的特征；并通过多尺度特征增强网络EnchanceNet将所有相同维度的特征使用concatenate操作拼接为增强特征；步骤4.2、采用基于自适应注意力机制的多模态联合学习网络JointNet对增强特征进行处理；所述基于自适应注意力机制的多模态联合学习网络JointNet依次包括Dense、K.reshape、ScaledDot-ProductAttention和Multi-Attention；Dense和K.reshape生成ScaledDot-ProductAttention的输入q、k、v，ScaledDot-ProductAttention重新校准两个单模态模型的增强特征；Multi-Attention旨在实现两个单模态模型的权重分配，并进一步实现特征的重要性校准；步骤4.3、将多尺度特征增强网络EnchanceNet和多模态联合学习网络JointNet整合为一起，以便来驱动整个MFNet网络；缩放的点积注意力ScaledDot-ProductAttention的输入定义如下：qi＝XiWq,ki＝XiWk,vi＝XiWv上式中，Wq,Wk,Wv是Dense层和K.reshape层可学习的参数；i的取值为1或2，i＝1时的X1对应单模态图像特征模型的参数，i＝2时的X2对应单模态频率特征模型的参数；使用Softmax函数计算特征的权重，这个权重用于重校准vi；进而得到两个单模态模型经由ScaledDot-ProductAttention的输出 其中qi表示当前位置的特征，ki表示用于计算注意力权重的向量，vi表示与每个ki相对应的值向量； 为在网络结构中执行残差结构，表示如下： 然后，将特征和输入到多头注意力组件中，用于计算两个单模态模型的权重attn，如下所示： 使用attn[0]与attn[1]重新校准特征和并拼接在一起形成JointNet的输出特征如下表示： 步骤5、使用增强的MLP结构分类器作为网络分类器，以生成智能合约分析结果，此处分析结果分为恶意和良性；将MFNet的输出特征Xma输入MLP结构分类器以生成合约安全分析结果，每个隐藏层均与ReLU激活函数相连；其中，MLP结构分类器通过多层感知器MLP实现，MLP结构分类器中包含多个隐藏层Dense和一个Softmax函数。

全文数据：

权利要求：

百度查询： 江苏大学 基于多模态技术的智能合约安全分析方法及系统

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