Mitandao ya Kineuvisi ya Grafu Imeboreshwa ya Ugunduzi wa Udhaifu katika Mkataba wa Akili wa Mfumo wa Mnyororo wa Blochani wa Kielimu

Orodha ya Yaliyomo

1. Utangulizi

Mfumo wa mnyororo wa blochani wa kielimu unawakilisha matumizi ya teknolojia ya mnyororo wa blochani kubadilisha mifumo ya kielimu ya kitamaduni. Sifa za uwazi na kutobadilika za mnyororo wa blochani hufanya iweze kufaa hasa kwa usimamizi wa mikopo ya wanafunzi, uthibitisho wa sifa za kielimu, na ushirikiano wa tasnia na chuo kikuu. Pamoja na ukuzaji wa teknolojia ya mikataba ya akili ya Ethereum, taasisi za kielimu zinaweza kujenga mifumo ya biashara ya akili na majukwaa ya kujifunza ambayo hutekelezwa kiatomati wakati masharti yaliyowekwa tayari yametimizwa.

Hata hivyo, kutobadilika kwa mnyororo wa blochani huleta changamoto kubwa za usalama. Mara tu itakapotumika, mikataba ya akili haiwezi kubadilishwa, na hii inafanya ugunduzi wa udhaifu uwe muhimu kabla ya matumizi. Utafiti huu unashughulikia hitaji muhimu la ugunduzi wa udhaifu wenye ufanisi katika mikataba ya akili ya mfumo wa mnyororo wa blochani wa kielimu kwa kutumia Mitandao ya Kineuvisi ya Grafu (GNN).

2. Mbinu

2.1 Urejeshaji wa Msimbo-baiti

Njia inayopendekezwa huanza kwa kurejesha msimbo-baiti wa mkataba wa akili wa Ethereum ili kupata misimbo ya uendeshaji (opcodes). Mchakato huu unahusisha kubadilisha msimbo-baiti wa kiwango cha chini kuwa mlolongo wa opcodes unaosomeka na binadamu ambao huhifadhi mantiki ya asili ya mkataba hali inawezesha uchambuzi wa kimuundo.

2.2 Uundaji wa Graf ya Mtiririko wa Udhibiti

Vitalu vya msingi hutambuliwa kutoka kwa mlolongo wa opcodes, na kingo huongezwa kati ya vitalu kulingana na mantiki ya utekelezaji. Graf ya Mtiririko wa Udhibiti (CFG) inayotokana inashika njia za utekelezaji wa programu na utegemezi wa udhibiti, na hutoa uwakilishi wa kimuundo unaofaa kwa uchambuzi wa msingi wa grafu.

2.3 Muundo wa Mfano wa GNN

Mfano wa GNN huchakata CFG ili kugundua udhaifu. Muundo hutumia tabaka za kiviringi za grafu ambazo hukusanya taarifa kutoka kwa nodi za jirani, na kumwezesha mfano kujifunza ruwaza zinazoonyesha udhaifu wa usalama katika muundo wa mtiririko wa udhibiti wa mkataba.

3. Utekelezaji wa Kiufundi

3.1 Uundaji wa Kihisabati

Operesheni ya GNN inaweza kuwakilishwa kihisabati kwa kutumia fomula ya kiviringi ya grafu:

$H^{(l+1)} = \sigma(\tilde{D}^{-\frac{1}{2}}\tilde{A}\tilde{D}^{-\frac{1}{2}}H^{(l)}W^{(l)})$

ambapo $\tilde{A} = A + I$ ni matriki ya ukaribu yenye miunganisho ya kibinafsi, $\tilde{D}$ ni matriki ya kiwango, $H^{(l)}$ inawakilisha vipengele vya nodi kwenye tabaka $l$, $W^{(l)}$ ni uzani unaoweza kufunzwa, na $\sigma$ ni kitendakazi kinachoamsha.

3.2 Utekelezaji wa Msimbo

class SmartContractGNN(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(SmartContractGNN, self).__init__()
        self.conv1 = GCNConv(input_dim, hidden_dim)
        self.conv2 = GCNConv(hidden_dim, hidden_dim)
        self.classifier = nn.Linear(hidden_dim, output_dim)
        
    def forward(self, x, edge_index):
        # Tabaka za kiviringi za grafu
        x = F.relu(self.conv1(x, edge_index))
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        
        # Uwiano wa wastani wa ulimwengu
        x = global_mean_pool(x, batch=None)
        
        # Uainishaji
        return self.classifier(x)

4. Matokeo ya Majaribio

Tathmini ya majaribio inaonyesha kuwa njia inayopendekezwa ya msingi wa GNN hufikia ugunduzi wa udhaifu wenye ufanisi kwa kutumia tabaka chache za kiviringi za grafu ikilinganishwa na mbinu za kitamaduni. Mfano unaonyesha uwezo maalum katika kutambua udhaifu unaotegemea muhuri wa wakati, ambao ni muhimu katika matumizi ya mfumo wa mnyororo wa blochani wa kielimu ambapo shughuli zinazohusiana na wakati hudhibiti upatikanaji wa rasilimali za kielimu na vyeti.

Matokeo yanaonyesha kuwa mchanganyiko wa uchambuzi wa msimbo-baiti wa mkataba na miundo ya GCN hutoa ugunduzi wa udhaifu wenye ufanisi, na mfano hufikia usahihi wa hali ya juu huku ukidumiza ufanisi wa kihisabati. Njia hiyo inafanikiwa kutambua ruwaza zenye udhaifu katika grafu za mtiririko wa udhibiti ambazo zinaweza kukosa na zana za uchambuzi tuli za kitamaduni.

5. Uchambuzi na Majadiliano

Utafiti huu unawasilisha maendeleo makubwa katika usalama wa mikataba ya akili kwa matumizi ya mfumo wa mnyororo wa blochani wa kielimu. Ujumuishaji wa Mitandao ya Kineuvisi ya Grafu na uchambuzi wa kitamaduni wa msimbo-baiti unawakilisha njia mpya inayoshughulikia changamoto za kipekee zinazosababishwa na kutobadilika kwa mnyororo wa blochani. Tofauti na mbinu za kitamaduni zinazotegemea kulinganisha ruwaza au utekelezaji wa ishara, njia ya msingi wa GNN hujifunza ruwaza za kimuundo za udhaifu moja kwa moja kutoka kwa grafu za mtiririko wa udhibiti.

Mchango wa kiufundi upo katika kuonyesha kuwa miundo ya GNN ya kina kifupi inaweza kukamata kwa ufanisi uhusiano tata katika msimbo wa mkataba wa akili, na huu ni changamoto kwa hekima ya kawaida kwamba mitandao ya kina inahitajika kwa utambuzi wa ruwaza tata. Ugunduzi huu unafanana na utafiti wa hivi karibuni katika ujifunzaji wa uwakilishi wa grafu, kama kazi ya Kipf na Welling (2017) juu ya uainishaji wa nusu-usimamizi na mitandao ya kiviringi ya grafu, ambayo ilionyesha kuwa miundo rahisi ya kiviringi inaweza kufikia matokeo ya hali ya juu zaidi kwenye data iliyoundwa kwa grafu.

Ikilinganishwa na zana za kitamaduni za uchambuzi wa mikataba ya akili kama Oyente au Mythril, ambazo hutumia hasa utekelezaji wa ishara na uchambuzi wa uchafu, njia ya GNN inatoa faida kadhaa. Inaweza kujifunza kutoka kwa muundo wote wa mtiririko wa udhibiti badala ya kutegemea ruwaza zilizowekwa tayari za udhaifu, na kufanya iweze kukabiliana na aina mpya za udhaifu. Uwezo huu ni wa thamani hasa katika mazingira yanayobadilika kwa kasi ya vitisho vya usalama vya mnyororo wa blochani.

Mwelekeo kwenye matumizi ya mfumo wa mnyororo wa blochani wa kielimu unaafikiwa wakati wake, kutokana na kupitishwa kwa kasi kwa teknolojia ya mnyororo wa blochani katika utoaji wa vyeti vya kielimu na mifumo ya usimamizi wa kujifunza. Kama ilivyoonyeshwa katika viwango vya IEEE Blockchain in Education, udhaifu wa usalama katika mifumo hii unaweza kuwa na matokeo makubwa, na kukihatarisha uadilifu wa rekodi za kielimu na vyeti. Njia iliyoelezewa kwenye karatasi hii inashughulikia wasiwasi huu kwa kutoa njia thabiti ya ugunduzi wa udhaifu kabla ya matumizi.

Hata hivyo, utafiti pia unasisitiza hitaji la seti kubwa zaidi na zenye utofauti wa mikataba ya akili yenye udhaifu kwa ajili ya mafunzo. Kazi ya baadaye inaweza kufaidika kutoka kwa ushirikiano na mashirika kama Taasisi ya Kitaifa ya Viwango na Teknolojia (NIST) ili kukuza seti za kawaida za data za udhaifu kwa ajili ya utafiti wa usalama wa mnyororo wa blochani.

6. Matumizi ya Baadaye

Njia iliyopendekezwa ina uwezo mkubwa wa matumizi mapana zaidi zaidi ya mfumo wa mnyororo wa blochani wa kielimu. Mwelekeo wa baadaye unajumuisha:

• Ugunduzi wa Udhaifu Wenye Kuvuka Jukwaa: Kupanua njia hii kwa jukwaa zingine za mnyororo wa blochani kama Hyperledger na Corda
• Ufuatiliaji wa Wakati Halisi: Kukuza mifumo ya tathmini endelevu ya udhaifu wa mikataba iliyotumika
• Uundaji wa Kiotomatiki wa Viraka: Kuunganisha na mifumo ya Akili Bandia kupendekeza marekebisho ya udhaifu
• Ujumuishaji wa Zana ya Kielimu: Kujumuisha mfumo wa ugunduzi katika mitaala ya ukuzaji wa mnyororo wa blochani

7. Marejeo

1. Z. Wang et al., "Mitandao ya Kineuvisi ya Grafu kwa Ugunduzi wa Udhaifu wa Mkataba wa Akili," Jarida la Utafiti wa Mnyororo wa Blochani, 2023.
2. T. N. Kipf na M. Welling, "Uainishaji wa Nusu-Usimamizi na Mitandao ya Kiviringi ya Grafu," ICLR, 2017.
3. L. Luu et al., "Kufanya Mikataba ya Akili iwe na Akili Zaidi," CCS 2016.
4. Kiwango cha IEEE cha Mnyororo wa Blochani katika Elimu, IEEE Std 2418.1-2020.
5. A. M. Antonopoulos na G. Wood, "Kumudu Ethereum: Kujenga Mikataba ya Akili na DApps," O'Reilly Media, 2018.
6. Taasisi ya Kitaifa ya Viwango na Teknolojia, "Uhakiki wa Teknolojia ya Mnyororo wa Blochani," NISTIR 8202, 2018.