CN110543419B - 一种基于深度学习技术的智能合约代码漏洞检测方法 - Google Patents

一种基于深度学习技术的智能合约代码漏洞检测方法 Download PDF

Info

Publication number
CN110543419B
CN110543419B CN201910802157.9A CN201910802157A CN110543419B CN 110543419 B CN110543419 B CN 110543419B CN 201910802157 A CN201910802157 A CN 201910802157A CN 110543419 B CN110543419 B CN 110543419B
Authority
CN
China
Prior art keywords
intelligent contract
length
vulnerability detection
list
code
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910802157.9A
Other languages
English (en)
Other versions
CN110543419A (zh
Inventor
邱炜伟
李伟
李启雷
梁秀波
尹可挺
周健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Qulian Technology Co Ltd
Original Assignee
Hangzhou Qulian Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Qulian Technology Co Ltd filed Critical Hangzhou Qulian Technology Co Ltd
Priority to CN201910802157.9A priority Critical patent/CN110543419B/zh
Publication of CN110543419A publication Critical patent/CN110543419A/zh
Priority to PCT/CN2020/112050 priority patent/WO2021037196A1/zh
Application granted granted Critical
Publication of CN110543419B publication Critical patent/CN110543419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3604—Software analysis for verifying properties of programs
    • G06F11/3608—Software analysis for verifying properties of programs using formal methods, e.g. model checking, abstract interpretation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Stored Programmes (AREA)
  • Devices For Executing Special Programs (AREA)

Abstract

本发明公开一种基于深度学习技术的智能合约代码漏洞检测方法，该方法具体包括如下步骤：将智能合约源代码的语法节点进行序列化并进行预处理，得到节点向量；将得到的节点向量作为双向长短期记忆网络的输入，获得神经网络中的全局最大池化层的输出，作为智能合约源代码的中间表示；将得到的智能合约源代码的中间表示作为随机森林分类器的输入，进行随机森林分类器的训练，得到训练后的分类器进行新的智能合约代码漏洞检测。相比于目前采用基于安全规则的技术或者形式化验证来检测代码漏洞检测方式，该种方法对新的代码漏洞检测更加敏感，无需开发人员及时制定和添加相应的规则或形式规范。

Description

一种基于深度学习技术的智能合约代码漏洞检测方法
技术领域
本发明涉及智能合约和代码漏洞检测技术领域，具体涉及一种基于深度学习技术的智能合约代码漏洞检测方法。
背景技术
区块链是一种基于数据加密、时间戳、分布式共识机制实现去中心化的分布式数据管理技术，具有可追溯、不可篡改、高可用的特点。智能合约是一种旨在以信息化方式传播、验证或执行合同的计算机协议，其允许在没有第三方的情况下进行可信交易，这些交易可追踪且不可逆转。区块链技术的出现为智能合约提供了一套能够支持可编程的数字***，智能合约一旦在区块链上发布成功之后就无法更改，如果存在安全漏洞将带来巨大的损失，故对智能合约进行代码漏洞检测是极为必要的。
目前主流的智能合约漏洞检测的解决方案，均是采用基于安全规则的技术或者形式化验证，这样就意味当新的代码漏洞被爆出时，开发人员需及时制定和添加相应的规则或形式规范，以更新漏洞检测***。基于以上智能合约漏洞检测的不足，需要一种更加灵活并且强大的漏洞检测机制去弥补。当今，人工智能下的深度学习技术得到了突破，区块链技术应用的普及产生越来越多可用的训练数据，如何针对智能合约及其编写语言的特性，设计出一套对智能合约安全漏洞更为敏感的检测***，也是智能合约安全问题研究的一个突破点。
发明内容
本发明的目的为针对现有技术的不足，提供一种基于深度学习技术的智能合约代码漏洞检测方法，该方法可提高智能合约代码漏洞检测的准确性和全面性。具体技术方案如下：
一种基于深度学习技术的智能合约代码漏洞检测方法，其特征在于，该方法具体包括如下步骤：
S1：将智能合约源代码的语法节点进行序列化并进行预处理，得到节点向量；
S2：将S1得到的节点向量作为双向长短期记忆网络的输入，获得神经网络中的全局最大池化层的输出，作为智能合约源代码的中间表示；
S3：将S2得到的智能合约源代码的中间表示作为随机森林分类器的输入，进行随机森林分类器的训练，得到训练后的分类器进行新的智能合约代码漏洞检测。
进一步地，所述的S1具体为：
S1.1：利用语法解析工具，将智能合约源代码字符串进行语法解析，生成抽象语法树；
S1.2：将抽象语法树进行深度优先遍历，并序列化为由语法节点构成的一维向量；
S1.3：将所述的一维向量进行预处理，通过语法标记和填充截断生成预处理后的节点向量；所述的预处理过程中需保持代码结构和语义完整。
进一步地，所述的S1.2中的一维向量是由语法节点构成的有序列表，每个一维向量表示对应的智能合约函数。
进一步地，所述的S1.3中的填充截断位长c应介于最长一维向量列表长度和最短一维向量列表长度之间。
进一步地，所述的S1.3中的填充截断规则为对于列表长度大于填充截断位长c进行列表末位截断，使其长度等于位长c；对于列表长度小于填充截断位长c进行列表末位补零，使其长度等于位长c。
本发明的有益效果如下：
本发明的基于深度学习技术的智能合约代码漏洞检测方法，通过对神经网络模型进行智能合约代码漏洞的训练，能够更加灵活和准确地预测并定位代码漏洞。相比于目前采用基于安全规则的技术或者形式化验证来检测代码漏洞检测方式，该种方法对新的代码漏洞检测更加敏感，无需开发人员及时制定和添加相应的规则或形式规范。同时，随着区块链技术应用的普及，越来越多可用的智能合约代码数据集，对于模型的完善也有很大帮助。在有限的实验数据下(约3000条数据集进行10折交叉验证)，理想情况下，模型预测准确率可达到85％乃至90％以上。
附图说明
图1是本发明的基于深度学习技术的智能合约代码漏洞检测方法的流程图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明的基于深度学习技术的智能合约代码漏洞检测方法，具体包括如下的步骤：
S1：将智能合约源代码的语法节点进行序列化并进行预处理，得到节点向量；
S1.1：利用语法解析工具，如Antrl4、Yacc等，通过编写符合智能合约语法规则的匹配列表，将智能合约源代码字符串进行语法解析，生成抽象语法树AST；
S1.2：采用深度优先遍历(DFT)的方式将每一个语法节点进行序列化，每个语法节点都有一个构成的一维向量表示。同时，序列化后的向量很好地保持了节点的结构和语义信息。每个一维向量与智能合约中的函数一一对应，每个一维向量都可以表示对应的智能合约函数。
S1.3：将所述的一维向量进行预处理，该操作分为语法标记和填充截断的方式。语法标记指的是将一维向量的各组成节点映射为多个整数的组成，如“public”表示数字1，“private”表示数字2等用来提高处理能力；填充截断是为了规范每一个一位向量的长度，方便数据的处理，选取合适的数值c进行填充截断，对位长小于c的向量进行末位补充0的填充操作，对位长大于c的向量进行截断操作。
填充截断位长c应介于最长一维向量列表长度和最短一维向量列表长度之间。
其中的填充截断规则为对于列表长度大于填充截断位长c进行列表末位截断，使其长度等于位长c；对于列表长度小于填充截断位长c进行列表末位补零，使其长度等于位长c。
S2：LSTM神经网络处理节点信息；
将S1得到的节点向量作为双向长短期记忆网络的输入，获得神经网络中的全局最大池化层的输出，作为智能合约源代码的中间表示；
LSTM是一种改进之后的循环神经网络，可以解决RNN无法处理长距离的依赖的问题。本发明之所以采用LSTM神经网络，在于部分智能合约的漏洞问题，是蕴含在源码的语法结构里的，而通过构建抽象语法树并进行深度优先遍历，在一定程度上保留了源码的结构和语义信息。这样的表示形式，可以充分利用双向LSTM神经网络对于时间序列数据的处理优势。
S3：将S2得到的智能合约源代码的中间表示作为随机森林分类器的输入，进行随机森林分类器的训练，得到训练后的分类器进行新的智能合约代码漏洞检测。
操作需要合适的粒度去衡量漏洞的等级，对漏洞库、代码库进行调研和漏洞标识。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (5)

1.一种基于深度学习技术的智能合约代码漏洞检测方法，其特征在于，该方法具体包括如下步骤：
S1：将智能合约源代码的语法节点进行序列化并进行预处理，得到节点向量；
S2：将S1得到的节点向量作为双向长短期记忆网络的输入，获得神经网络中的全局最大池化层的输出，作为智能合约源代码的中间表示；
S3：将S2得到的智能合约源代码的中间表示作为随机森林分类器的输入，进行随机森林分类器的训练，得到训练后的分类器进行新的智能合约代码漏洞检测。
2.根据权利要求1所述的基于深度学习技术的智能合约代码漏洞检测方法，其特征在于，所述的S1具体为：
S1.1：利用语法解析工具，将智能合约源代码字符串进行语法解析，生成抽象语法树；
S1.2：将抽象语法树进行深度优先遍历，并序列化为由语法节点构成的一维向量；
S1.3：将所述的一维向量进行预处理，通过语法标记和填充截断生成预处理后的节点向量；所述的预处理过程中需保持代码结构和语义完整。
3.根据权利要求2所述的基于深度学习技术的智能合约代码漏洞检测方法，其特征在于，所述的S1.2中的一维向量是由语法节点构成的有序列表，每个一维向量表示对应的智能合约函数。
4.根据权利要求2所述的基于深度学习技术的智能合约代码漏洞检测方法，其特征在于，所述的S1.3中的填充截断位长c应介于最长一维向量列表长度和最短一维向量列表长度之间。
5.根据权利要求2所述的基于深度学习技术的智能合约代码漏洞检测方法，其特征在于，所述的S1.3中的填充截断规则为对于列表长度大于填充截断位长c进行列表末位截断，使其长度等于位长c；对于列表长度小于填充截断位长c进行列表末位补零，使其长度等于位长c。
CN201910802157.9A 2019-08-28 2019-08-28 一种基于深度学习技术的智能合约代码漏洞检测方法 Active CN110543419B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910802157.9A CN110543419B (zh) 2019-08-28 2019-08-28 一种基于深度学习技术的智能合约代码漏洞检测方法
PCT/CN2020/112050 WO2021037196A1 (zh) 2019-08-28 2020-08-28 智能合约代码漏洞检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910802157.9A CN110543419B (zh) 2019-08-28 2019-08-28 一种基于深度学习技术的智能合约代码漏洞检测方法

Publications (2)

Publication Number Publication Date
CN110543419A CN110543419A (zh) 2019-12-06
CN110543419B true CN110543419B (zh) 2021-09-03

Family

ID=68712301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910802157.9A Active CN110543419B (zh) 2019-08-28 2019-08-28 一种基于深度学习技术的智能合约代码漏洞检测方法

Country Status (2)

Country Link
CN (1) CN110543419B (zh)
WO (1) WO2021037196A1 (zh)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110543419B (zh) * 2019-08-28 2021-09-03 杭州趣链科技有限公司 一种基于深度学习技术的智能合约代码漏洞检测方法
WO2021114093A1 (zh) * 2019-12-10 2021-06-17 中国科学院深圳先进技术研究院 一种基于深度学习的智能合约漏洞检测方法
CN111310191B (zh) * 2020-02-12 2022-12-23 广州大学 一种基于深度学习的区块链智能合约漏洞检测方法
CN111339535A (zh) * 2020-02-17 2020-06-26 扬州大学 面向智能合约代码的漏洞预测方法、***、计算机设备和存储介质
CN111898134B (zh) * 2020-08-03 2022-11-11 北京理工大学 基于LSTM和BiLSTM的智能合约漏洞检测方法和装置
CN112416358B (zh) * 2020-11-20 2022-04-29 武汉大学 一种基于结构化词嵌入网络的智能合约代码缺陷检测方法
CN112579463B (zh) * 2020-12-25 2024-05-24 大卜科技(北京)有限公司 面向Solidity智能合约的缺陷预测方法
CN112699375B (zh) * 2020-12-30 2024-07-02 杭州趣链科技有限公司 基于网络嵌入相似性的区块链智能合约安全漏洞检测方法
CN113204765B (zh) * 2021-04-27 2022-09-30 交叉信息核心技术研究院(西安)有限公司 一种Hyperledger Fabric链码的测试方法及***
CN113312617B (zh) * 2021-05-24 2023-11-03 南京大学 一种面向代码安全的提交优先级排序方法和***
CN113221125B (zh) * 2021-05-31 2022-09-27 河海大学 基于TreeGAN的生成带有漏洞智能合约的方法及***
CN113360915B (zh) * 2021-06-09 2023-09-26 扬州大学 基于源代码图表示学习的智能合约多漏洞检测方法及***
CN113449303B (zh) * 2021-06-28 2022-11-11 杭州云象网络技术有限公司 基于教师-学生网络模型的智能合约漏洞检测方法和***
CN113626826A (zh) * 2021-07-29 2021-11-09 西安电子科技大学 智能合约安全检测方法、***、设备、终端及应用
CN113626827A (zh) * 2021-07-29 2021-11-09 西安电子科技大学 一种智能合约漏洞检测方法、***、设备、介质、终端
CN113806750B (zh) * 2021-09-24 2024-02-23 深信服科技股份有限公司 文件安全风险检测方法、模型的训练方法、装置和设备
CN113904844B (zh) * 2021-10-08 2023-09-12 浙江工商大学 基于跨模态教师-学生网络的智能合约漏洞检测方法
CN114065221B (zh) * 2021-11-25 2024-05-03 广东伊莱特电器有限公司 一种智能合约漏洞检测方法、装置、电子设备及存储介质
CN114048464B (zh) * 2022-01-12 2022-03-15 北京大学 基于深度学习的以太坊智能合约安全漏洞检测方法及***
CN114490388A (zh) * 2022-01-27 2022-05-13 广西教育学院 一种基于代码片段的深度学习智能合约漏洞检测方法
CN114840857A (zh) * 2022-04-29 2022-08-02 哈尔滨工程大学 基于深度强化学习与多级覆盖策略的智能合约模糊测试方法及***
CN115033886A (zh) * 2022-06-14 2022-09-09 广州图灵科技有限公司 一种基于序列化中间表示的源代码分布式检测***及方法
CN115062313A (zh) * 2022-06-27 2022-09-16 中国人民银行数字货币研究所 智能合约漏洞检测方法、装置、设备和存储介质
CN115130110B (zh) * 2022-07-08 2024-03-19 国网浙江省电力有限公司电力科学研究院 基于并行集成学习的漏洞挖掘方法、装置、设备及介质
CN115412335B (zh) * 2022-08-26 2024-03-05 国网江苏省电力有限公司电力科学研究院 5g电力物联网边缘设备漏洞检测方法、装置及***
CN115174279B (zh) * 2022-09-09 2022-11-29 南方科技大学 一种以太坊智能合约漏洞实时检测方法、终端及存储介质
CN115658542B (zh) * 2022-11-11 2023-09-19 南京掌御信息科技有限公司 一种代码密码算法类型识别与参数误用检测方法与***
CN116069937A (zh) * 2023-03-06 2023-05-05 湖南天河国云科技有限公司 基于神经网络的智能合约分类方法、装置和计算机设备
CN116628707A (zh) * 2023-07-19 2023-08-22 山东省计算中心（国家超级计算济南中心） 一种可解释性的基于多任务的源代码漏洞检测的方法
CN117667676B (zh) * 2023-11-21 2024-06-25 上海金仕达卫宁软件科技有限公司 基于aigc的区块链智能合约ide验证测试方法和***
CN117725422B (zh) * 2024-02-07 2024-05-07 北京邮电大学 程序代码漏洞检测模型训练方法及检测方法
CN117972732B (zh) * 2024-04-02 2024-06-07 南京信息工程大学 基于多特征融合的智能合约漏洞检测方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214191A (zh) * 2018-09-18 2019-01-15 北京理工大学 一种利用深度学习预测软件安全漏洞的方法
WO2019030436A1 (fr) * 2017-08-09 2019-02-14 Orange Procédé et serveur de certification d'un document électronique
CN109492402A (zh) * 2018-10-25 2019-03-19 杭州趣链科技有限公司 一种基于规则引擎的智能合约安全评测方法
CN109933991A (zh) * 2019-03-20 2019-06-25 杭州拜思科技有限公司 一种智能合约漏洞检测的方法、装置
CN109977682A (zh) * 2019-04-01 2019-07-05 中山大学 一种基于深度学习的区块链智能合约漏洞检测方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9405915B2 (en) * 2013-03-14 2016-08-02 Whitehat Security, Inc. Techniques for correlating vulnerabilities across an evolving codebase
CN109408373B (zh) * 2018-09-26 2022-03-04 深圳壹账通智能科技有限公司 智能合约的测试方法、计算机可读存储介质及测试终端
CN109670951B (zh) * 2018-11-19 2021-03-26 南京苏宁软件技术有限公司 一种区块链智能合约调试发布方法及***
CN110011986B (zh) * 2019-03-20 2021-04-02 中山大学 一种基于深度学习的源代码漏洞检测方法
CN110543419B (zh) * 2019-08-28 2021-09-03 杭州趣链科技有限公司 一种基于深度学习技术的智能合约代码漏洞检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019030436A1 (fr) * 2017-08-09 2019-02-14 Orange Procédé et serveur de certification d'un document électronique
CN109214191A (zh) * 2018-09-18 2019-01-15 北京理工大学 一种利用深度学习预测软件安全漏洞的方法
CN109492402A (zh) * 2018-10-25 2019-03-19 杭州趣链科技有限公司 一种基于规则引擎的智能合约安全评测方法
CN109933991A (zh) * 2019-03-20 2019-06-25 杭州拜思科技有限公司 一种智能合约漏洞检测的方法、装置
CN109977682A (zh) * 2019-04-01 2019-07-05 中山大学 一种基于深度学习的区块链智能合约漏洞检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"智能合约安全漏洞挖掘技术研究";付梦琳等;《计算机应用》;20190328;第39卷(第7期);第1959-1966页 *

Also Published As

Publication number Publication date
CN110543419A (zh) 2019-12-06
WO2021037196A1 (zh) 2021-03-04

Similar Documents

Publication Publication Date Title
CN110543419B (zh) 一种基于深度学习技术的智能合约代码漏洞检测方法
CN109977682B (zh) 一种基于深度学习的区块链智能合约漏洞检测方法及装置
US10915664B2 (en) Data masking systems and methods
Wang et al. Blended, precise semantic program embeddings
US11521075B2 (en) Transfer learning system for automated software engineering tasks
US11061805B2 (en) Code dependency influenced bug localization
KR20200044103A (ko) 고정밀 프라이버시 보호 실가 함수 평가
Daelemans et al. Mbt: memory-based tagger
CN106537333A (zh) 用于软件产物的数据库的***和方法
CN112035841B (zh) 一种基于专家规则与序列化建模的智能合约漏洞检测方法
CN113486357B (zh) 一种基于静态分析和深度学习的智能合约安全检测方法
CN109799990A (zh) 源代码注释自动生成方法及***
CN116745758A (zh) 使用基于神经网络的机器学习的智能查询编辑器
CN115033890A (zh) 一种基于对比学习的源代码漏洞检测方法及***
Kushwah et al. Rola: an equi-matrik chhand of Hindi poems
CN113904844B (zh) 基于跨模态教师-学生网络的智能合约漏洞检测方法
Xiong et al. HexT5: Unified Pre-Training for Stripped Binary Code Information Inference
CN114185595B (zh) 基于代码结构引导的方法名生成方法
Hardin et al. Formal synthesis of filter components for use in security-enhancing architectural transformations
CN116415251A (zh) 一种基于深度学习的漏洞影响范围推理方法和***
CN115687651A (zh) 知识图谱构建方法、装置、电子设备及存储介质
Luo et al. A Federated Named Entity Recognition Model with Explicit Relation for Power Grid.
Zhen et al. DA-GNN: A smart contract vulnerability detection method based on Dual Attention Graph Neural Network
CN112463161A (zh) 基于联邦学习的代码注释生成方法、***及装置
Park et al. Interworking technology of neural network and data among deep learning frameworks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant