Learning to Detect Smart Contract Vulnerabilities from Code Property Graph

Dieses Kapitel geht der entscheidenden Aufgabe nach, Schwachstellen in intelligenten Verträgen aufzudecken, die integraler Bestandteil der Blockchain-Technologie sind. Die Autoren untersuchen über 2.000 Smart Contracts aus der realen Welt, um effektive programmsyntaktische und semantische Merkmale zur Erkennung von Schwachstellen zu identifizieren. Ein zentraler Schwerpunkt liegt auf dem Aufbau eines flexiblen und präzisen maschinellen Lernmodells, dem Code Property Graph Neural Network (CPGNN), das Merkmale unabhängig von spezifischen Verwundbarkeitsmustern extrahiert. Das Modell wird anhand eines vielfältigen Datensatzes von 2.000 markierten Smart Contracts ausgewertet, der im Vergleich zu bestehenden Methoden eine höhere Genauigkeit und Effizienz aufweist. Das Kapitel untersucht auch die Herausforderungen, vor denen traditionelle Programmanalysen und Methoden des maschinellen Lernens stehen, und betont die Notwendigkeit skalierbarer und anpassungsfähiger Lösungen. Die Ergebnisse zeigen, dass CPGNN einen ausgewogenen Score in den Bereichen Präzision, Recall und F1-Score erreicht, was es zu einem robusten Werkzeug zur Identifizierung von Schwachstellen in Bezug auf Wiedereintritt, Zeitstempelabhängigkeit und Transaktionsreihenabhängigkeit macht. Die Autoren diskutieren die Implikationen ihrer Ergebnisse und schlagen zukünftige Richtungen zur Verbesserung der Robustheit und Skalierbarkeit des Modells vor.