一种面向以太坊Solidity智能合约的安全翻译与解析方法

    公开(公告)号:CN110688151B

    公开(公告)日:2022-03-29

    申请号:CN201910904195.5

    申请日:2019-09-24

    Applicant: 暨南大学

    Abstract: 本发明公开了一种面向以太坊Solidity智能合约的安全翻译与解析方法,包括以下步骤:首先将智能合约源代码转化为XML文本,然后对Solidity智能合约进行代码Java转换,并基于新生成的Java代码进行流程分析和控制流程图生成。同时,基于PageRank算法对Solidity智能合约核心代码行进行识别,并在图中将核心代码进行高亮显示。此外,利用自然语言处理进行代码分割和词性分析,将代码分割出来的英语单词,按动词和名词组织成一个利于理解的序列,并通过对Solidity智能合约的关键逻辑(转账、变量状态更新)进行识别,形成可理解的英语短语。最后,生成完整的智能合约翻译文档。

    一种基于机器学习的智能合约安全漏洞检测方法

    公开(公告)号:CN110737899A

    公开(公告)日:2020-01-31

    申请号:CN201910904539.2

    申请日:2019-09-24

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于机器学习的智能合约安全漏洞检测方法,首先收集智能合约源代码数据,并进行数据预处理,构建机器学习的样本集;然后通过公开的智能合约漏洞检测器为样本集数据确定漏洞标签,将智能合约源代码转译成XML结构化文本,在此基础上对数据集中智能合约源代码进行特征抽取,针对智能合约不同漏洞类型,考虑当前Solidity智能合约样本数据有限,因此本发明依据标签样本数量,采用两种不同的机器学习算法来进行分析。其中,针对多数据样本采用随机森林算法构建模型、针对少数据样本利用迁移学习构建检测模型,本发明可以更加高效、自动化地得到检测出Solidity智能合约漏洞。

    一种面向以太坊Solidity智能合约的安全翻译与解析方法

    公开(公告)号:CN110688151A

    公开(公告)日:2020-01-14

    申请号:CN201910904195.5

    申请日:2019-09-24

    Applicant: 暨南大学

    Abstract: 本发明公开了一种面向以太坊Solidity智能合约的安全翻译与解析方法,包括以下步骤:首先将智能合约源代码转化为XML文本,然后对Solidity智能合约进行代码Java转换,并基于新生成的Java代码进行流程分析和控制流程图生成。同时,基于PageRank算法对Solidity智能合约核心代码行进行识别,并在图中将核心代码进行高亮显示。此外,利用自然语言处理进行代码分割和词性分析,将代码分割出来的英语单词,按动词和名词组织成一个利于理解的序列,并通过对Solidity智能合约的关键逻辑(转账、变量状态更新)进行识别,形成可理解的英语短语。最后,生成完整的智能合约翻译文档。

    一种基于机器学习的智能合约安全漏洞检测方法

    公开(公告)号:CN110737899B

    公开(公告)日:2022-09-06

    申请号:CN201910904539.2

    申请日:2019-09-24

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于机器学习的智能合约安全漏洞检测方法,首先收集智能合约源代码数据,并进行数据预处理,构建机器学习的样本集;然后通过公开的智能合约漏洞检测器为样本集数据确定漏洞标签,将智能合约源代码转译成XML结构化文本,在此基础上对数据集中智能合约源代码进行特征抽取,针对智能合约不同漏洞类型,考虑当前Solidity智能合约样本数据有限,因此本发明依据标签样本数量,采用两种不同的机器学习算法来进行分析。其中,针对多数据样本采用随机森林算法构建模型、针对少数据样本利用迁移学习构建检测模型,本发明可以更加高效、自动化地得到检测出Solidity智能合约漏洞。

    一种基于层次注意力网络模型的恶意软件分类方法

    公开(公告)号:CN112668009A

    公开(公告)日:2021-04-16

    申请号:CN202110107338.7

    申请日:2021-01-27

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于层次注意力网络模型的恶意软件分类方法,其中包括对恶意软件PE样本进行反汇编,对应的获取汇编代码文件;从所述汇编代码文件中提取操作码序列,生成操作码序列文档;对所述操作码序列文档中的每一个操作码进行词嵌入,即生成词向量;将操作码序列文档送入层次注意力网络模型,输出注意力权重矩阵和分类结果;根据注意力权重矩阵对操作码序列进行图片可视化,通过权重矩阵的权重值大小对应的颜色深浅说明每个操作码、每个操作码序列对于分类的重要性。本方法能够在自动分类的同时,找出对于分类起贡献作用的操作码序列从而提供分类依据。该方法在测试集上的准确率达到96.96%,说明该方法识别效果十分良好。

Patent Agency Ranking