[发明专利]基于教师-学生网络模型的智能合约漏洞检测方法和系统

权利要求书

1.一种基于教师-学生网络模型的智能合约漏洞检测方法，其特征在于，包括以下步骤：

分别获取智能合约源代码数据集及与智能合约二进制代码数据集；

对智能合约源代码数据集进行预处理，得到语义向量数据集；对智能合约二进制代码数据集进行预处理，得到控制流图向量数据集；其中，对智能合约二进制代码数据集进行预处理，得到控制流图向量数据集，具体步骤为：

通过二进制代码控制流图转化模块将智能合约二进制代码数据集转换成控制流图数据集；

通过控制流图转化图神经网络模块将控制流图数据集转化成控制流图向量数据集，具体为：控制流图特征提取单元从控制流图中提取m个特征值；将所述控制流图特征提取单元输出的m个特征值通过控制流图转化图神经网络单元转化为控制流图向量；

基于图神经网络搭建智能合约漏洞检测教师网络与智能合约漏洞检测学生网络，基于语义向量和控制流图向量对所述智能合约漏洞检测教师网络与智能合约漏洞检测学生网络进行训练，获得智能合约漏洞检测教师网络模型，所述教师网络模型指导获得智能合约漏洞检测学生网络模型，对应形成教师-学生网络轻量级模型；

所述教师-学生网络轻量级模型基于学生网络模型对智能合约漏洞检测进行检测。

2.根据权利要求1所述的基于教师-学生网络模型的智能合约漏洞检测方法，其特征在于，所述对智能合约源代码数据集进行预处理，得到语义向量数据集，具体步骤为：

通过源代码语义提取模块将智能合约源代码数据集转换成语义图数据集；

通过语义转化图神经网络模块将语义图数据集转化成语义向量数据集，具体为：语义特征提取单元从语义图中提取n个特征值；所述语义特征提取单元输出的n个特征值通过语义转化图神经网络单元转化为语义向量。

3.根据权利要求2所述的基于教师-学生网络模型的智能合约漏洞检测方法，其特征在于，语义图获取的步骤如下：

运用函数解析工具CodeSensor，将所述数据集生成智能合约函数解析结果；

基于生成的函数解析结果构建抽象语法树，将类型符、函数接口和语法作为抽象语法树节点；

深度遍历抽象语法树，将抽象语法树中的函数接口节点和语法节点作为语义图的节点，所述抽象语法树提取控制流边、数据流边和返回值边的特征调用连接所述节点将转化成语义图。

4.根据权利要求1所述的基于教师-学生网络模型的智能合约漏洞检测方法，其特征在于，形成控制流图的步骤如下：

反汇编单元，使用以太坊反编译器Porosity，将智能合约二进制代码转化成易于理解的汇编语言；

基于汇编语言，将智能合约的指令划分为基本块，从而获得控制流图的节点；

在任意两个具有联系的基本块A_i和A_j之间添加有向边(A_i，A_j)，得到二进制代码控制流图。

5.根据权利要求1所述的基于教师-学生网络模型的智能合约漏洞检测方法，其特征在于，所述基于语义向量和控制流图向量对智能合约漏洞检测教师网络与智能合约漏洞检测学生网络进行训练，具体步骤为：

从所述语义向量数据集和所述控制流图向量数据集中分别提取一一对应的语义向量和控制流图向量作为智能合约漏洞检测教师网络的输入数据，对所述智能合约漏洞检测教师网络进行训练，获得智能合约漏洞检测教师网络模型；其中，所述智能合约漏洞检测教师网络的输入数据语义向量通过所述智能合约漏洞检测教师网络训练输出特征向量A；所述智能合约漏洞检测教师网络的输入数据控制流图向量通过所述智能合约漏洞检测教师网络训练输出特征向量B；通过全连接神经网络对所述特征向量A与特征向量B间相互关系进行训练，获得所述特征向量A与特征向量B之间关联的映射关系模型；

将所述控制流图向量数据集为所述智能合约漏洞检测学生网络的输入数据，对所述智能合约漏洞检测学生网络进行训练，获得到智能合约漏洞检测学生网络模型。