RuRu_Bai的博客

在文本图上的表示学习是基于单个的文本特征和邻域信息为节点生成低维嵌入。最近在预训练语言模型和GNN上的突破推动了相应技术的发展。现有的工作主要依赖于级联模型体系结构：1）节点的文本特征由语言模型独立编码；2）将文本嵌入通过GNN进行聚合。但是，由于对文本特性的独立建模，上述体系结构受到了限制。

本文主要是在推荐系统中对GNN的改进。在协同过滤中，主要是对用户-项目交互图进行建模。但是基于GNN的方法遇到了有限的接受域和嘈杂的“兴趣无关”连接的挑战。相比之下，基于Transformer的方法擅长于自适应地和全局地聚合信息但是在大规模交互图中的应用由于捕获复杂的纠缠结构信息的固有复杂性和挑战而受到阻碍。

的调用，这些函数对于检测特定漏洞非常重要。例如，对于重入漏洞，主节点对传递函数或内置。

静态分析器用于在开发过程中发现智能联系人中的漏洞，但非常耗时。文章提出了一种基于机器学习的方法来检测智能合约中的重入漏洞，系统由三个组件组成：数据准备、Op2Vec 和 LSTM 模型。（1）收集了 30,000 个智能合约，将它们分成两组，每组 15,000 个，分别用于 Op2Vec 生成和 LSTM 训练。（2）使用 Skip-Gram 算法将操作码关键字映射到向量表示，Op2Vec。（3）使用 Slither 静态分析器进行标记。（4）双向LSTM模型。link。

摘要：1、预处理：颜色标记、词汇提取、字符转换、合约之间的继承关系的提取2、 使用融合模型进行特征提取（BERT、CNN、BiLSTM）3、使用node2vec随机游走算法，将合约之间的继承关系作为输入得到合约关系的特征向量。4、使用特征向量进行缺陷分类。

区块链矿池系统的性能测度与优化机制矿池机制可以提高获得正确区块的概率，并稳定矿工的奖励，但是目前由于节点之间的算例差异较大、共识算法等因素，面临着越来越多的性能挑战。在对矿池架构分析的基础上，提出了一种数值模型MENM（Miner Efficiency Numerical Model）来衡量矿机的计算效率，并提出了一种性能调优机制DDCT（动态难度计算和调优），用于根据MENM值调整矿池中单个矿工的难度，以提高矿池的效率。所提出的调优机制还针对一个小型实验性PoW矿池进行了测试，以验证其效果。

近十年来,智能合约安全问题导致的巨大损失引起了工业界和学术界越来越多的关注。为了在智能合约漏洞检测任务中取得令人鼓舞的效果,研究人员开始尝试使用逻辑规则、符号分析和形式分析等方法。然而,现有的检测工具远不能令人满意。在本文中,我们尝试使用基于深度学习的方法,即带有注意力机制的双向长短期记忆( BLSTM-ATT ),旨在精确地检测重入错误。此外,我们提出了面向智能合约的合约片段表示,这有助于捕获必要的语义信息和控制流依赖。

两篇论文，都是关于智能合约漏洞检测的综述文章[1]崔展齐,杨慧文,陈翔等.智能合约安全漏洞检测研究进展[J/OL].软件学报:1-33[2024-03-05].https://doi.org/10.13328/j.cnki.jos.007046.[2]王丹,黄松,王兴亚.以太坊智能合约测试研究综述[J].信息技术与信息化,2023(10):52-58.两篇文章中主要内容都是总结了13种常见的漏洞类型并进行简单介绍、几类测试方法以及未来的工作和展望。

1.1 文献标题1.2 作者中山大学系统科学与工程学院，广州中国数据与计算机学院香港理工大学计算学系，中山大学数字生活国家工程研究中心1.3 年份：2020年8月1.4 期刊：ICPPDRL努力根据当前区块链环境和给定的奖励，从过去的经验中研究通用的分片策略，这使得它能够适应复杂和动态的区块链环境。考虑到动作空间的连续，使用深度确定性策略梯度（DDPG）算法来训练我们的模型。文章提出了一种自适应账本协议，根据动态分片的结果，保证账本的有效合并或拆分，并且不会产生冲突。