مدلی جدید بر مبنای شبکه عصبی برای تشخیص آسیب‌پذیری‌های قراردادهای هوشمند

با پیشرفت تکنولوژی، اهمیت قراردادهای هوشمند و امنیت آنها افزایش یافته است. این قراردادها از فناوری بلاک‌چین بهره می‌برند و خودکار عمل می‌کنند که این موضوع باعث کاهش هزینه‌ها و افزایش شفافیت می‌شود [1-2]. به طور همزمان، پیچیدگی آنها می‌تواند زمینه‌ساز بروز آسیب‌پذیری‌های امنیتی شود و نیازمند مدیریت دقیق است [3]. در این مقاله، ما تهدیدات امنیتی مرتبط با حوزه قراردادهای هوشمند و راهکاری نوین برای شناسایی این تهدیدات را مورد بررسی قرار داده‌ایم . مطالعات ما شامل تحلیل‌های مبتنی بر یادگیری ماشین برای تشخیص آسیب‌پذیری‌های مختلف امنیتی در قراردادهای هوشمند می‌باشد. با ارائه یک بررسی جامع از رویکردها و روش‌های مختلف، این مقاله به ارتقای امنیت شبکه‌های بلاکچین و اطمینان از سلامت قراردادهای هوشمند کمک خواهد کرد. در روش پیشنهادی، از تکنیک کاهش ابعاد pca (principal component analysis) به همراه روش انتخاب ویژگی ig (information gain) در یادگیری ماشین استفاده شده است. این روش‌ها به کاهش نویز، انتخاب ویژگی‌های مهم و بهبود دقت مدل کمک می‌کنند. همچنین، اعمال روش smote (synthetic minority oversampling technique) برای مدیریت عدم تعادل در کلاس‌ها باعث بهبود کارایی و دقت مدل می‌شود. ترکیب این تکنیک‌ها منجر به ایجاد یک مجموعه داده کامل می‌شود که از بیش‌برازش جلوگیری می‌کند و امکان تعمیم بهتری را فراهم می‌کند. در ادامه روش پیشنهادی از شبکه عصبی بهبود یافته برای شناسایی آسیب پذیری در قراردادهای هوشمند استفاده می شود. نتایج تجربی نشان می‌دهد که استفاده از ترکیب pca و ig و شبکه عصبی عملکرد بهتری نسبت به استفاده از هرکدام به تنهایی ارائه می‌دهد