[发明专利]一种智能合约漏洞检测方法、系统、设备、介质、终端

权利要求书

1.一种智能合约漏洞检测方法，其特征在于，所述智能合约漏洞检测方法包括：建立一个两阶段模型，第一阶段使用图神经网络建立特征提取模型，把智能合约转换成多个图，使用图神经网络，完成对智能合约特征提取；第二阶段使用卷积神经网络建立分类模型，把第一阶段提取的特征向量，输入分类模型，进行智能合约分类。

2.如权利要求1所述的智能合约漏洞检测方法，其特征在于，所述智能合约漏洞检测方法包括以下步骤：

步骤一，将大规模智能合约漏洞数据集作为基础训练数据集，称为基类数据；将新发现的漏洞数据集称为新类数据；使用基类数据训练第一阶段图神经网络和第二阶段卷积神经网络的网络参数；

步骤二，训练完成后，使用新类数据进行增量学习训练；训练过程中，固定第一阶段图神经网络参数，图神经网络只提供特征提取功能，并输出智能合约特征向量；

步骤三，将所有类测试数据分为两部分，分别称为支持集和测试集；使用支持集数据输入已训练好的模型，获得每种新漏洞类型对应的全连接网络参数；

步骤四，将已有漏洞类型和新漏洞类型对应的全连接网络参数，作为网络节点，使用图注意力网路建立一个观察旁路，并进行节点更新；

步骤五，将新的网络参数更新到分类模型中，使用测试集计算，并预测结果的计算交叉熵损失；

步骤六，使用步骤五获得的交叉熵损失对观察旁路中的图注意力网络进行参数更新，并继续训练下一批新的数据集。

3.如权利要求2所述的智能合约漏洞检测方法，其特征在于，步骤一中，所述训练包括增量学习模型基类数据训练和增量学习模型新类数据训练；其中，所述增量学习模型基类数据训练，包括：

(1)特征提取：使用基类数据，将智能合约转换成多个图，使用图神经网络完成对智能合约的特征提取；

(2)分类训练：将提取的特征向量输入至分类模型进行分类训练。

4.如权利要求3所述的智能合约漏洞检测方法，其特征在于，所述增量学习模型新类数据训练，包括：

(1)特征提取：使用新类数据，将智能合约转换成多个图，使用图神经网络完成对智能合约的特征提取，不更新网络参数；

(2)分类训练：将提取的特征向量输入至分类模型进行分类训练。

5.如权利要求1所述的智能合约漏洞检测方法，其特征在于，所述智能合约漏洞检测方法，还包括增量学习模型分类参数融合，所述增量学习模型分类参数融合包括：

增量学习模型基类数据和增量学习模型新类数据特征提取后，分别聚合类向量节点信息，观察旁路图注意力网络，分别进行增量学习模型基类数据和增量学习模型新类数据的类训练。

6.一种实施权利要求1～5任意一项所述的智能合约漏洞检测方法的智能合约漏洞检测系统，其特征在于，所述智能合约漏洞检测包括：

数据集获取模块，用于将大规模智能合约漏洞数据集作为基础训练数据集，称为基类数据；将新发现的漏洞数据集称为新类数据；

数据训练模块，用于使用基类数据训练第一阶段图神经网络和第二阶段卷积神经网络的网络参数；

增量学习训练模块，训练完成后，用于使用新类数据进行增量学习训练；训练过程中，固定第一阶段图神经网络参数，图神经网络只提供特征提取功能，并输出智能合约特征向量；

网络参数获取模块，用于将所有类测试数据分为两部分，分别称为支持集和测试集；使用支持集数据输入已训练好的模型，获得每种新漏洞类型对应的全连接网络参数；

观察旁路构建模块，用于将已有漏洞类型和新漏洞类型对应的全连接网络参数，作为网络节点，使用图注意力网路建立一个观察旁路，并进行节点更新；

测试集计算模块，用于将新的网络参数更新到分类模型中，使用测试集计算，并预测结果的计算交叉熵损失；

参数更新模块，用于使用获得的交叉熵损失对观察旁路中的图注意力网络进行参数更新，并继续训练下一批新的数据集。