智能合约漏洞检测模型

准确率与F1双升

融合多通道卷积与多头自注意力的知识-数据双驱动神经网络，显著提升智能合约漏洞检测性能。

Mengliang, Li · Ren, Xiaoxue · Fu, Han · 李卓 · 孙建伶

2023

参数信息

准确率提升幅度

0.4%~3.84% %

F1 分数提升幅度

1.28%~1.90% %

技术优势

检测更全面

融合专家规则的知识驱动与深度学习的数据驱动，弥补单一方法覆盖不全或忽略特定特征的缺陷。

缓解过拟合

引入特征选择和数据平衡处理，降低训练中的过拟合风险，提升模型泛化能力。

准确率更高

在对比现有最优方法的实验中，准确率提升 0.4% 至 3.84%。

F1 分数更优

同样在对比现有最优方法的实验中，F1 分数提升 1.28% 至 1.90%。

应用场景

• 区块链安全：自动扫描链上合约漏洞，提前拦截可能导致资产损失的安全缺陷。
• 智能合约审计：替代人工规则审计的漏报盲区，提升审计流程的召回率和准确率。
• 漏洞检测工具：作为检测引擎嵌入安全工具链，提供比纯规则或纯深度模型更可靠的检测结果。
• 去中心化应用安全：保护去中心化应用背后的合约逻辑，降低因漏洞被攻击导致用户资产受损的风险。