[发明专利]一种基于孪生网络的智能合约重入漏洞检测方法

权利要求书

1.一种基于孪生网络的智能合约重入漏洞检测方法，其特征在于：包括，

整理原始智能合约样本，形成最初的样本集合，并对所述最初的样本集合进行处理，生成第一次处理的样本集合；

通过Word2vec模型对第一次处理的样本集合嵌入向量并组成矩阵，获得第二次处理的样本集合；

令第二次处理的样本集合中正样本和负样本数量一致，获得第三次处理的样本集合，并利用第三次处理的样本集合制作数据集；

将所述数据集分别输入神经网络A和神经网络B，以提取特征A和特征B，并计算特征A和特征B间的相似度；

分别将特征A和特征B的相似度与阈值进行比较，完成检测。

2.如权利要求1所述的基于孪生网络的智能合约重入漏洞检测方法，其特征在于：包括，处理所述最初的样本集合包括，

确定与智能合约重入漏洞相关的关键变量和关键调用函数；

从最初的样本集合中提取智能合约，删除智能合约中的空白行，非ASCII码字符、注释和非关键片段，并从中提取和智能合约重入漏洞相关的代码行，汇集为代码片段；

将所述代码片段作为第一次处理的样本集合。

3.如权利要求2所述的基于孪生网络的智能合约重入漏洞检测方法，其特征在于：所述第二次处理的样本集合包括，

分别将所述第一次处理的样本集合标记为标签0和标签1，其中，所述标签0表示不包含重入漏洞，所述标签1表示包含重入漏洞；

将第一次处理的样本集合划分为一个标记序列；其中，所述标记序列包括关键字、操作、规则变化变量和符号；

将标记的第一次处理的样本集合和标记序列输入Word2vec模型，通过Word2vec模型生成对应的标签，并整合所述标签获得所述第二次处理的样本集合。

4.如权利要求3所述的基于孪生网络的智能合约重入漏洞检测方法，其特征在于：所述第三次处理的样本集合包括，

计算第二次处理的样本集合中包含重入漏洞和不包含重入漏洞的样本数量；

从数量较多的样本集合中随机选择与数量较小的样本集合相同数量的样本；

将从数量较多的样本集合中抽取的样本和数量较小的样本集合组成第三次处理的样本集合。

5.如权利要求3或4所述的基于孪生网络的智能合约重入漏洞检测方法，其特征在于：包括，

将第三次处理的样本集合分为标签为1和标签0；

通过控制变量n和随机函数random(0,1)从标签0或者标签1中抽取一个样本作为参照类，对应的从标签1或标签0中抽取一个样本，作为测试类；

循环该过程，直到两个样本合集中的每个样本都作为过参照类结束循环；

将所述参照类和测试类组成正负样本对，并构成样本集合，形成所述数据集；

其中，正样本为所述参照类，负样本为所述测试类。

6.如权利要5所述的基于孪生网络的智能合约重入漏洞检测方法，其特征在于：还包括，

从所述正负样本对中随机选择样本对，将参照类输入神经网络A，将测试类输入神经网络B；

分别通过神经网络A和神经网络B的LSTM层进行特征提取；

通过Relu层，将特征A和特征B进行非线性化；

数据经过Dense层后，再次经过Relu层和Dropout层，增加模型的鲁棒性，数据维度为(none，200)；

利用Dropout层和Dense层加快收敛神经网络A和神经网络B，而后通过SoftMax函数，将神经网络A和神经网络B的输出映射到(0，1)区间。

7.如权利要求6所述的基于孪生网络的智能合约重入漏洞检测方法，其特征在于：所述相似度包括，

通过欧氏距离计算所述相似度。

8.如权利要求7所述的基于孪生网络的智能合约重入漏洞检测方法，其特征在于：还包括，

神经网络A和神经网络B在训练中使用的损失函数loss为：

其中，d表示两个样本之间的欧氏距离，可以表示为两个样本的相似程度，margin表示为设定的阈值，y＝0表示两个样本不相似，y＝1表示两个样本相似，N是指批大小，即机器学习中的batch size。