[发明专利]一种基于专家规则与序列化建模的智能合约漏洞检测方法

说明书

本发明公开了一种基于专家规则和序列化建模的智能合约漏洞检测方法，实现了智能合约重入漏洞的自动检测，具体包括：制作智能合约源码数据集；对智能合约数据集进行案例分析；智能合约的合约序列块转换方法；利用向量转换工具，将合约序列块映射为向量；利用专家规则自动提取工具，提取重入漏洞专家规则；构建前向神经网络和双向长短时记忆模型进行学习和训练，得到高表达性的向量集；构建分类器模型进行学习和训练，将前向神经网络和双向长短时记忆模型提取的专家规则以及合约序列块的特征向量集输入分类器模型，输出重入漏洞检测结果；该方法填补了当前基于专家规则和深度学习的智能合约安全漏洞检测方法的空缺，具有良好的实用价值和借鉴意义。

技术领域

本发明属于区块链智能合约安全领域，具体涉及一种基于专家规则和序列化建模的智能合约漏洞检测方法。

背景技术

近年来，随着区块链技术日益成熟，智能合约应用也吸引了工业界和学术界的广泛关注；目前，数以万计的智能合约已经部署在各类区块链平台上，持有价值超过100亿美元的虚拟货币；然而，携带如此巨大的财富使得智能合约遭到越来越多攻击者的觊觎；2016年6月，黑客组织利用“The DAO”合约的重入漏洞窃取了价值近6000万美元的以太币；无独有偶，每隔一段时间就会发生智能合约安全漏洞事件，这不仅破坏了基于区块链的信任体系，也阻碍了智能合约的拓展与应用。

智能合约重入漏洞是指攻击者利用其Fallback函数不断从受害者合约中盗取资金，Fallback函数是不带任何参数和返回值的匿名函数，当合约收到以太币时会默认执行；如果攻击者在其Fallback函数中设置恶意操作，很有可能造成无法预料的后果；此外，导致智能合约安全问题的原因主要有：当前编程语言和工具仍然是新的且粗糙的；与传统的分布式应用程序不同，智能合约一旦部署就不可更改，发现错误后也无法进行更新或修正。

目前，研究人员已经开始利用逻辑规则、符号分析以及形式分析等方法对智能合约进行安全漏洞分析；然而，现有的智能合约漏洞检测方法粗糙地使用一些专家规则，狡猾的攻击者很容易绕过这些规则进行攻击，导致很高的漏报率和误报率，检测效果远不能令人满意；同时，随着智能合约数量的增加，仅仅依赖少数专家知识，不可能筛选出所有合约的漏洞规则及精确定义。

随着深度学习技术的发展，神经网络模型在自然语言处理领域取得了巨大的成功和广泛的应用；例如，利用长短期记忆模型解决困难的语义序列化等问题，如语音识别、情感分析、文本预测；然而，由于智能合约的新颖性和复杂性，当前仍然缺少基于深度学习的智能合约漏洞检测方法；因此，结合专家规则和神经网络模型，提出一种新颖且有效智能合约安全漏洞检测方法将会产生重要的使用价值与经济效益。

发明内容

针对上述现有技术存在的问题，为了解决智能合约重入漏洞检测，本发明提供了一种基于专家规则和序列化建模的智能合约漏洞检测方法，通过提取智能合约序列块以及专家规则特征，训练分类器模型，从而实现智能合约重入漏洞自动化检测问题，该方法具体包括如下步骤：

收集并设计智能合约重入漏洞案例，制作智能合约重入漏洞数据集，利用开源漏洞检测工具标注数据集，得到智能合约源码数据集；

将所述智能合约源码数据集进行重入漏洞分析；

将智能合约转换为合约序列块形式，合约序列块是与重入漏洞相关的关键合约代码，不仅在语义上相互关联，而且捕获了与重入漏洞相关的关键信息；

利用向量化工具，将所述合约序列块映射为向量形式；

构建双向长短时记忆模型，将合约序列块向量输入双向长短时记忆模型进行训练，提取高表达性的合约序列块特征；

利用自动提取工具，从智能合约中提取与重入漏洞相关的专家规则并标记；

将所述专家规则输入到前向神经网络模型中进行训练，提取高维度的特征向量；