基于双层孪生神经网络的区块链智能合约分类方法

作     者：郭加树 王琪 李择亚 武梦德 张红霞 GUO Jiashu;WANG Qi;LI Zeya;WU Mengde;ZHANG Hongxia

作者机构：中国石油大学(华东)青岛软件学院青岛266580 中国石油大学(华东)计算机科学与技术学院青岛266580 

出 版 物：《电子与信息学报》 (Journal of Electronics & Information Technology)

年 卷 期：2024年第46卷第3期

页      面：1060-1068页

核心收录：

学科分类：11[军事学] 08[工学] 110505[军事学-密码学] 110503[军事学-军事通信学] 0710[理学-生物学] 0810[工学-信息与通信工程] 1205[管理学-图书情报与档案管理] 0301[法学-法学] 1105[军事学-军队指挥学] 0839[工学-网络空间安全] 081203[工学-计算机应用技术] 0835[工学-软件工程] 0836[工学-生物工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：中石油重大科技项目(ZD2019-183-004) 中央高校基本科研业务费专项资金(20CX05019A) 

主　　题：智能合约 区块链 孪生网络 以太坊 

摘      要：当前通过深度学习方法进行区块链智能合约分类的方法越来越流行,但基于深度学习的方法往往需要大量的样本标签数据去进行有监督的模型训练,才能达到较高的分类性能。该文针对当前可用智能合约数据集存在数据类别不均衡以及标注数据量过少会导致模型训练困难,分类性能不佳的问题,提出基于双层孪生神经网络的小样本场景下的区块链智能合约分类方法:首先,通过分析智能合约数据特征,构建了可以捕获较长合约数据特征的双层孪生神经网络模型;然后,基于该模型设计了小样本场景下的智能合约训练策略和分类方法。最后,实验结果表明,该文所提方法在小样本场景下的分类性能优于目前最先进的智能合约分类方法,分类准确率达到94.7%,F1值达到94.6%,同时该方法对标签数据的需求更低,仅需同类型其他方法约20%数据量。