咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于深度学习和信息反馈的智能合约模糊测试方法 收藏

基于深度学习和信息反馈的智能合约模糊测试方法

Smart Contract Fuzzing Based on Deep Learning and Information Feedback

作     者:赵明敏 杨秋辉 洪玫 蔡创 ZHAO Mingmin;YANG Qiuhui;HONG Mei;CAI Chuang

作者机构:四川大学计算机学院成都610065 

出 版 物:《计算机科学》 (Computer Science)

年 卷 期:2023年第50卷第9期

页      面:117-122页

学科分类:08[工学] 0835[工学-软件工程] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术(可授工学、理学学位)] 

基  金:四川省自然科学基金(23NSFSC3752) 四川大学专职博士后研发基金(2022SCU12077) 

主  题:以太坊智能合约 安全测试 深度学习 模糊测试 信息反馈引导 

摘      要:主流区块链平台以太坊上频繁发现由不安全编程引起的智能合约安全漏洞。为了提高模糊测试对合约代码的覆盖率,以更全面地检测安全漏洞,提出了一种智能合约模糊测试方法。首先构造智能合约交易序列数据集,再基于深度学习构建智能合约交易生成模型以生成模糊测试初始种子;然后根据覆盖率和分支距离信息,对智能合约进行信息反馈引导的模糊测试,提出了特定的测试用例染色体编码方式,并设计实现了相应的交叉和变异算子。所提方法能有效覆盖智能合约的深层次状态以及严格条件守卫的分支代码。在500个智能合约上进行实验,结果表明,所提方法的代码覆盖率为93.73%,漏洞检测率为93.93%,与ILF,sFuzz, Echidna方法相比,所提方法的代码覆盖率提高了3.80%~25.49%,漏洞检测率提高了4.64%~24.02%。所提方法有助于提升以太坊智能合约安全测试的有效性,具有参考价值。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分