一种基于Transformer的智能合约漏洞检测方法

    公开(公告)号:CN116340947A

    公开(公告)日:2023-06-27

    申请号:CN202211598190.2

    申请日:2022-12-12

    Abstract: 本发明请求保护一种基于Transformer的智能合约漏洞检测方法,包括以下:(1)通过以太坊浏览器收集了大量智能合约数据,并经过人工和工具扫描标注漏洞标签构建原始数据集;(2)在数据预处理阶段,将所收集的智能合约源码编译转换为操作码序列;(3)针对原始操作码移除操作数抽象操作码,降低模型训练的难度;(4)利用word2vec模型,将预处理后的操作码进行训练,训练之后获得特定操作码的词向量表示,获得操作码之间的关联性;(5)利用Transformer模型训练智能合约漏洞检测模型;(6)使用模型进行智能合约漏洞检测。本发明能够自动学习潜在的智能合约漏洞特征或表示,解决了传统神经网络模型无法处理智能合约长序列文本的问题,实现对智能合约漏洞自动化分析。

    一种基于时空注意力网络的交通流预测方法

    公开(公告)号:CN115936069A

    公开(公告)日:2023-04-07

    申请号:CN202211616313.0

    申请日:2022-12-15

    Abstract: 本发明属于时空数据预测领域,具体涉及一种基于时空注意力网络的交通流预测方法,包括:采集实时交通流数据,对实时交通流数据进行预处理;将预处理后的实时交通流数据输入到时空注意力网络模型提取实时交通流数据的时间特征、空间特征;将时间特征和空间特征拼接并输入时空注意力模块,自适应的融合时间特征和空间特征,输出时空特征;将时空注意力网络输出的时空特征通过全连接层生成预测的交通流数据。本发明通过使用附有残差连接的时间卷积网络缓解了处理长时间序列可能遇到的梯度消失问题和网络深度增加的网络退化问题;通过图注意力机制结合node2vec能够更有效的建模空间相关性并自适应地学习空间特征,提高了交通流预测精确度。

Patent Agency Ranking