CN116561771B 基于合约语义图与深广特征融合的智能合约漏洞检测方法 （哈尔滨工业大学）

基于合约语义图与深广特征融合的智能合本发明公开了一种基于合约语义图与深广够充分利用智能合约代码中数据流、控制流与结构信息的智能合约语义图。然后结合代码token序列的顺序语义信息与智能合约语义图的数构成的线性模型提取出智能合约的人工规则2步骤1.3：提取智能合约中的数据流信息，并在增强的控制流图中增加相应的数据流步骤1.4：提取智能合约中的fallback运行机制信息，并在增强的控制流图中添加步骤2.2：使用CodeBert预训练模型对智能合约的toke步骤2.3：使用GGNN对智能合约语义图进行表示学习，以学习每个节点的隐藏向量表步骤3：使用人工规则对智能合约代码进行筛查生成One_h步骤4：使用Wide&Deep模型融合智能合约的深度语义特征与广度语义特征，并送入2.根据权利要求1所述的基于合约语义图与深广特征融合的智能合约漏洞检测方法，步骤1.2.2：在所有包含对其余智能合约函数调用的节点与被调用函数的函数入口节3.根据权利要求1所述的基于合约语义图与深广特征融合的智能合约漏洞检测方法，34.根据权利要求1所述的基于合约语义图与深广特征融合的智能合约漏洞检测方法，5.根据权利要求1所述的基于合约语义图与深广特征融合的智能合约漏洞检测方法，将嵌入结果中的[CLS]向量作为智能合约语义图节点的嵌入6.根据权利要求1所述的基于合约语义图与深广特征融合的智能合约漏洞检测方法，4深度学习的智能合约漏洞检测方法通常将智能合约代码转换为token序列，然后使用序列Z.,&Lv,L.(2020).SmartContractClassificationWithaBi_LSTMBasedApproach.IEEEAccess,8,43806_43816.)利用BiLSTM模型与注意力机制对智能合约[0005]相比于自然语言文本，代码具有结构化的特点，具有丰富的结构信息，只使用的图结构存在困难。Zhuang等人(ZhuangY,LiuZ,QianP,etal.SmartContractVulnerabilityDetectionusingGraphNeuralNetwork[C]//IJCAI.2020:3283_3290.)GraphNeuralNetworksWithExpertKnowledgeforSmartContractVulnerability5Detection.IEEETransactionsonKnowledgeandDataEngineering,35(2),1296_合的智能合约漏洞检测方法。该方法能够充分利用智能合约代码中数据流、控制流与码token序列的顺序语义信息与智能合约语义图的结构语义信息，利用深度神经网络提取序列特征或者图结构特征的代码表示方法，本发明使用Wide&Deep模型对基于图和序列的度学习模型的泛化能力和线性模型的记忆能力捕捉更全面、更准确的智能合约漏洞特征，6[0028]3、本发明充分考虑基于深度学习模型提取的智能合约深度语义特征与基于线性7机制的相关信息，构建出完整的智能合约语义图。接下来将智能合约代码分割为token序于双向门控循环神经网络(BiGRU)与门控图神经网络(GGNN)分别对智能合约的token序列将融合后的特征送入Softmax分类器以实现智能合约的漏洞检测，即判定智能合约是否包89[0063]步骤2.2.1：使用CodeBert预训练模型对智能合约的token序列进行嵌入，得到gg了节点中间隐藏向量表示，ht表示了综合更新门与重置门信息后节点在第t个时间步时的rules为人工漏洞规则的集合，xi表示第i[0097]图5中展示智能合约语义图中包含了一个明显的环状结构，即从IF2节点出发到的更改以及对状态进行判断的语句，由此可以轻易发现攻击合约可以反复进入相同的环过智能合约语义图捕捉到该可重入漏洞中fallback机制的运行轨迹以及函数间的调用关传统深度学习模型(如LSTM和GRU)进行检[0098]本发明构建出语义信息丰富的智能合约语义图，并使用BiGRU与GGNN对智能合约