[发明专利]一种基于神经网络的智能合约庞氏骗局检测算法

说明书

本发明属于以太坊安全检测技术领域，具体为基于神经网络的以太坊智能合约旁氏骗局检测算法。本发明方法包括，通过骗局合约和安全合约地址数据集，在以太坊网站上收集模型需要的数据(是合约的字节码)；进行数据预处理，提取关键特征；再将提取到的特征输入构建的神经网络模型中进行训练，得到优化的神经网络模型；通过训练好的神经网络模型对未分类的样本进行分类，得到骗局检测结果。测试结果表明，本发明算法可以挖掘字节码中的特征信息，与其它旁氏骗局检测算法相比，本发明不需要手工进行特征提取，且实现了更高的准确性。

技术领域

本发明属于以太坊安全检测技术领域，具体涉及基于神经网络的智能合约旁氏骗局检测算法。

背景技术

智能合约安全分析是区块链领域非常具有挑战性的问题。区块链是一个开放的，仅追加的分布式账本[2]，近年来由于其永久性和可验证性的特征，得到了广泛的关注。以太坊[1]是第二大区块链系统，通过引入智能合约的概念，显著增加了区块链的功能。用户可以根据自己的需求，开发属于自己的智能合约以实现不同的功能。

但是，随着智能合约的广泛应用，区块链系统也成为各类骗局的目标，且由于区块链的不可撤回性质，一旦遭到攻击将会带来严重的后果。庞氏骗局是一类古老的骗局，看似投资可以获得收益，实际收益只来自新用户的投资，而新用户很可能投资之后得不到收益，它们伪装成普通的合约，诱使用户投资。近年来，智能合约中也涌现出了一批庞氏合约，它们伪装成普通的合约，诱使用户投资，对以太坊的生态环境造成了严重的破坏。

智能合约安全分析领域还处于早期阶段，已有的一些漏洞检测方法大多数基于形式验证，如文献[4]提出一种漏洞检测器Oyente,通过捕捉符合预先定义特征的痕迹来检测字节码。另一个工具Maian[5],使用了过程间符号分析，可以通过追踪痕迹特征检测到已知的漏洞，Maian将易受攻击的智能合约分为三类：自杀型的，贪婪的，浪费的。它的准确性同样受到调用深度的影响。基于符号分析的方法，检测的准确度受到调用深度的影响，且搜索越详尽，分析时间越长。这类工具，对每个合约的平均检测时间为30秒到数分钟不等，所以可能不适合批量漏洞检测。而且，对不同的安全漏洞，还需要预先分析、定义特征。

在代码异常分析、漏洞检测领域，机器学习也发挥出很大作用，文献[6]首次基于机器学习算法，对恶意代码的二进制代码进行检测。文献[7]提出使用循环神经网络的方法检测智能合约中的漏洞。文献[8]用随机森林(Random Forest)，XGBoost等算法分析智能合约的交易信息和执行码，检测合约是否为庞氏骗局。由于智能合约是公开的，发布上链的智能合约都可以获取其二进制代码，本发明尝试用机器学习算法对智能合约的字节码进行检测，从代码本身出发，检测合约是否属于庞氏骗局。

智能合约的代码长度从几十行到数万行不等，特征维度很高，模型学习比较困难。传统机器学习算法对特征复杂的数据处理上效率不高，因此，各类神经网络被设计出来，用于处理复杂问题。如卷积神经网络(CNN)在图像领域应用广泛，递归神经网络(RNN)在自然语言处理中效果显著。递归神经网络是功能强大具有表现力的模型，尤其适用于顺序模型，即数据前后有顺序关联。注意力机制在长文本中，可以用来抓住关键信息，避免由于特征过多，模型学不到有效信息。本发明主要针对智能合约中的庞氏骗局，基于递归神经网络和注意力机制，对智能合约的字节码进行检测。

发明内容

本发明的目的在于提供一种检测过程简单、检测准确性高的基于神经网络的智能合约旁氏骗局检测算法。

本发明提供的基于神经网络的智能合约旁氏骗局检测算法，是基于神经网络技术的，即构建一种能够自动检测智能合约是否为庞氏骗局的神经网络模型，不需要预先分析代码，定义特征和规则，而是通过一系列已经验证过的数据，训练神经网络模型，让神经网络模型自动学习特征；最后用训练好的神经网络模型自动化地、批量化地检测智能合约是否为庞氏骗局，提高检测的效率和准确性。