33388

طبقه بندي آسيب‌پذيري قراردادهاي هوشمند با استفاده از يادگيري انتقالي

كارشناسي ارشد

مهندسي صنايع گرايش مديريت پروژه

1400

1403/11/30

دكتر مصطفي جعفري

/

مهندسي صنايع

قراردادهاي هوشمند به عنوان يكي از اميدواركننده‌ترين و جذاب‌ترين مفاهيم در فناوري بلاك چين در نظر گرفته مي‌شوند. ويژگي هاي خود اجباري و رويداد محور آنها برخي از فعاليت هاي آنلاين را بدون شخص ثالث قابل اعتماد ممكن مي كند. با اين وجود، آسيب هايي مانند حملات متفرقه، نشت حريم خصوصي، نرخ پردازش پايين و ساير آسيب هاي مربوطه مانع از كاربرد گسترده آنها مي شود. طرح ها و ابزارهاي مختلفي براي تسهيل ساخت و اجراي قراردادهاي هوشمند ايمن پيشنهاد شده است. با اين حال، يك نظرسنجي جامع براي اين پيشنهادها وجود ندارد و مانع از شروع سريع محققان و توسعه دهندگان جديد مي شود. در مطالعه حاضر نيز قصد به پرداختن به يكي از اين آسيب هاي پر اهميت يعني" پيش‌بيني آسيب‌پذيري و طبقه‌بندي حملات " مي باشد. در اين مطالعه قصد آن است كه با استفاده از يادگيري انتقالي كه رايج ترين روش در يادگيري عميق است، نسبت به مطالعات قبلي به شناسايي سريعتر و طبقه بندي دقيق تر از حملات قراردادهاي هوشمند كه در حال حاضر با آن مواجه هستيم بپردازيم و با استفاده از يادگيري انتقالي از چالش هايي كه در يادگيري عميق با آن مواجه هستيم از جمله نياز به حجم زيادي از داده ها و زمانبر بودن پروسه شبيه سازي رهايي يابيم .

1404/02/27

Classification of Vulnerabilities of Smart Contracts Using Transfer Learning

1/1/1900 12:00:00 AM

Smart contracts are considered one of the most promising and attractive concepts in blockchain technology. Their self-enforcing and event-driven features enable some online activities without a trusted third party. However, vulnerabilities such as adversarial attacks, privacy leakage, low processing speed, and other related vulnerabilities prevent their widespread use. Various schemes and tools have been proposed to facilitate the construction and implementation of secure smart contracts. However, a comprehensive survey of these proposals is lacking, preventing new researchers and developers from getting started quickly. The present study also intends to address one of these important vulnerabilities, namely “vulnerability prediction and attack classification”. In this study, the intention is to use transfer learning, which is the most common method in deep learning, to identify and classify smart contract attacks that we are currently facing more quickly and more accurately than previous studies, and to overcome the challenges we face in deep learning, including the need for a large volume of data and the time-consuming simulation process.

قرارداد هوشمند , آسيب پذيري , هوش مصنوعي , يادگيري عميق , يادگيري انتقالي

Smart contract , vulnerability , Artificial intelligence , Deep learning , Transfer learning

yasaman mobaraki

Dr. Mostafa Jafari