[논문 리뷰] ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep Neural Network and Transfer Learning

O. Lutz, Huili Chen외 5명|arXiv (Cornell University)|2021. 03. 23.

Blockchain Technology Applications and Security참고 문헌 53인용 수 32

한 줄 요약

ESCORT는 바이트코드로부터 다중 Ethereum 스마트 계약 취약점을 탐지하는 다출력 DNN 프레임워크를 도입하며, 새로운 취약 유형을 효율적으로 추가하기 위한 전달 학습(전이 학습)을 제공합니다.

ABSTRACT

Ethereum smart contracts are automated decentralized applications on the blockchain that describe the terms of the agreement between buyers and sellers, reducing the need for trusted intermediaries and arbitration. However, the deployment of smart contracts introduces new attack vectors into the cryptocurrency systems. In particular, programming flaws in smart contracts can be and have already been exploited to gain enormous financial profits. It is thus an emerging yet crucial issue to detect vulnerabilities of different classes in contracts in an efficient manner. Existing machine learning-based vulnerability detection methods are limited and only inspect whether the smart contract is vulnerable, or train individual classifiers for each specific vulnerability, or demonstrate multi-class vulnerability detection without extensibility consideration. To overcome the scalability and generalization limitations of existing works, we propose ESCORT, the first Deep Neural Network (DNN)-based vulnerability detection framework for Ethereum smart contracts that support lightweight transfer learning on unseen security vulnerabilities, thus is extensible and generalizable. ESCORT leverages a multi-output NN architecture that consists of two parts: (i) A common feature extractor that learns the semantics of the input contract; (ii) Multiple branch structures where each branch learns a specific vulnerability type based on features obtained from the feature extractor. Experimental results show that ESCORT achieves an average F1-score of 95% on six vulnerability types and the detection time is 0.02 seconds per contract. When extended to new vulnerability types, ESCORT yields an average F1-score of 93%. To the best of our knowledge, ESCORT is the first framework that enables transfer learning on new vulnerability types with minimal modification of the DNN model architecture and re-training overhead.

연구 동기 및 목표

• 이더리움 스마트 계약에서 다중 취약점 유형을 효율적으로 탐지하는 동기 부여.
• 소스 코드를 접근할 수 없는 바이트코드에서 작동하는 확장 가능하고 확장 가능한 DNN 프레임워크를 개발합니다.
• 새로운 취약 유형을 최소한의 재학습으로 도입하기 위한 전달 학습 enabling.
• 취약점별 확률적 출력을 제공하여 해석 가능성을 높입니다.

제안 방법

• 공유 피처 추출기(스템)와 취약점별 가지(branch)로 구성된 다출력 DNN를 제안합니다.
• 길이가 긴 계약 바이트코드를 처리하기 위한 임베딩 레이어와 시퀀스 의미를 포착하는 GRU/LSTM 계층을 사용합니다.
• 각 취약점 가지가 해당 유형에 대한 시그모이드 확률을 출력하여 다중 레이블 탐지를 가능하게 합니다.
• 피처 추출기와 기존 가지를 고정하고 새로운 취약점에 대해 새로운 가지를 추가/학습시키는 전달 학습 전략을 도입합니다.
• Oyente, Mythril, Dedaub 도구를 사용하여 바이트코드 데이터셋을 라벨링한 대규모 데이터셋에서 평가합니다.
• 계약당 추론 시간 0.02초, 여섯 유형에서 평균 F1 95%를 달성하며, 새로운 유형에 대한 전달 학습은 평균 F1 93%를 달성합니다.

실험 결과

연구 질문

• RQ1 RQ1: 단일 DL 모델이 스마트 계약의 다중 취약점 유형을 탐지할 수 있는가?
• RQ2 RQ2: 최소한의 재학습으로 전달 학습을 통해 새로운 취약점으로 확장할 수 있는가?
• RQ3 RQ3: ESCORT가 기존 도구들과 비교하여 정확도, 효율성, 확장성 측면에서 얼마나 성능을 보이는가?

주요 결과

• ESCORT는 여섯 가지 취약점 유형에서 평균 F1 점수 95%를 달성합니다.
• 계약당 추론 시간은 0.02초입니다.
• 새로운 취약점 유형으로 확장했을 때 ESCORT은 평균 F1 93%를 보입니다.
• ESCORT은 새로운 취약점 유형에 대해 최소한의 수정 및 재학습 오버헤드로 전달 학습을 가능하게 하는 최초의 프레임워크입니다.
• Oyente, Mythril, Dedaub를 통해 라벨링된 93,497건의 대규모 데이터셋이 평가를 지원합니다.
• 이 아키텍처는 기존 다출력 모델에 새로운 가지를 추가하여 빠르게 확장할 수 있습니다.