(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210451857.X (22)申请日 2022.04.27 (71)申请人 扬州大学 地址 225009 江苏省扬州市大 学南路88号 (72)发明人 李斌　蔡倩　张佳乐　孙小兵　 蔡杰　陈玮彤　成翔　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 张弛 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 20/40(2012.01) G06Q 40/06(2012.01) G06F 21/57(2013.01) (54)发明名称 一种基于模糊测试的庞氏合约检测方法及 系统 (57)摘要 本发明公开了一种基于模糊测试的庞氏合 约检测方法， 通过使用模糊测试的方式， 解决现 有智能合约交易数据不足的问题， 将交易资金流 向转化为图片 进行保存， 构建ResNet模型并加入 ResNet算 法动态获取图片的交易特征， 对ResNet 模型进行训练获取最优ResNet模型， 实现针对新 的智能合约， 在未发生损失的情况下鉴别出此智 能合约是否为庞氏合约， 本发明同时提供对应基 于模糊测试的庞氏合约检测系统。 权利要求书4页 说明书9页 附图2页 CN 114821267 A 2022.07.29 CN 114821267 A 1.一种基于模糊测试的庞氏合约检测方法， 其特 征在于， 包 含以下步骤： 1)在Etherscan平台上任意选取一个时间段内已经标记的庞氏合约和非庞氏的智能合 约进行采集， 将采集到的已经 标记的庞氏合约和非庞氏的智能合约作为输入集； 2)进行静态分析， 使用静态分析工具扫描输入集， 再使用配置过参数的模糊测试工具 进行模糊测试， 获取交易资金流向并整理成矩阵， 进一 步转化成图片； 3)建立ResNet模型， 对图片进行预处理， 并使用ResNet算法对图片中的交易特征进行 自动提取， 该 交易特征包含每一次产生交易后资金的流向、 每个账户获得的资金数目、 最 终 呈现庞氏骗局经典的金字塔资金分布特征， 对ResNet模型进行训练， 最终得到最优ResNet 模型； 4)将准备好的待检测测试集经过静态分析， 再进行模糊测试， 最终转化成图片， 将转化 好的图片放入最优ResNet模型， 最优ResNet模型对转化好的图片进行分析并处理， 输出分 析结果是否为庞氏合约。 2.根据权利要求1所述的基于模糊测试的庞氏合约检测方法， 其特征在于， 步骤2)中， 使用静态分析工具扫描输入集， 检查模糊测试工具的配置选项， 以YAML文件的形式对模糊 测试工具进行检查配置， 再使用配置过参数 的模糊测试工具进行模糊测试， 模糊测试工具 进行参数配置后， 进入初始运行阶段， 形成运行事务序列的语料库， 为初始语料库， 初始运 行阶段完毕后， 模糊测试工具进入循环运行阶段， 循环运行阶段运行完毕后， 形成新语料 库， 将新语料库的数据进行整理， 以矩阵的形式进行储存， 最终将矩阵转化为图片格式， 该 循环运行阶段包 含以下步骤： 2.1)在模糊测试工具允许使用的内核数的范围内， 生成一组新的配置文件即YAML格 式 的文件， 新的配置文件在每组进程中都将起始语料库中原有的运行事务序列进行覆盖与替 代， 产生新覆盖的所有运行事务序列； 2.2)从循环运行阶段中收集所产生的新覆盖的所有运行事务序列， 并将新覆盖的所有 运行事务序列添加入语料库中， 产生 新语料库； 2.3)若发现新语料库和/或新的运行事务序列失败， 则进行报告。 3.根据权利要求1所述的基于模糊测试的庞氏合约检测方法， 其特征在于， 步骤3)中， 建立ResNet模 型， 对图片进行预 处理， 使用ResNet 算法对图片中的交易特征进行自动提取， 并对ResNet模型进行训练， 该ResNet模型包 含超参数的设置及模型 数据的输入； 超参数的设置包含设置批量训练的大小、 学习速率的大小、 分类数目、 权值衰减率、 学 习到的目标； 将学习到的目标的函数设置为： 式中， x表示图片中的交易特征的输入， 为ResNet模型预测结果的概率， w和 b为ResNet 模型训练得到的参数； 模型数据的输入包含特征集的选择、 样本选取、 生成TFRecords样本数据集， 特征集的 选择用以针对待分类的图片， 提取图片不同维度的特征来构成特征集， 使得特征集的维度 更大； 样本选取用以选取样本点并提取样本点的M维特征， 每个样本的特征是一个大小为M ×L的矩阵； 生成TFRecords样 本数据集用以将不同图片的交易特征拆 分为训练样 本集和测 试样本集， 并且把训练样本集和测试样本集全部都转换成二进制文件， 再根据文件夹名称权　利　要　求　书 1/4 页 2 CN 114821267 A 2添加样本标签， 转换 得到的TFRecords文件作为ResNet模型训练的数据输入。 4.根据权利要求3所述的基于模糊测试的庞氏合约检测方法， 其特征在于， 步骤3)中， 建立ResNet模 型， 对图片进行预 处理， 该ResNet模 型的设置还包含模型初始化， 模 型初始化 包括归一化输入数据、 数据降采样、 特征图像尺寸减半时、 滤波器个数加倍步骤； 同时对图 片进行预处理， 经过卷积层、 池化层、 全连接层对图片进行预处理； 利用卷积层的特征稀疏 进行提取， 输入的每批次样本图片数据被转换为稀疏特征， 输出图片的大小可以通过公式 得出： 式中y为输出图片的分辨 率， x为输入图片的分辨 率， k为卷积核的大小， St ride为步长； 经过卷积层的卷积 操作的数据均进行批量归一 化和线性 修正单元的激活， 如下公式： 式中， xk是该神经元的激活度， E[xk]表示一批训练数据集获得的xk的平均值， 为每一批训练数据xk的标准差； 图片通过池化层， 在池化层对卷积层传输来的特征图片的不同位置的特征进行聚合统 计， 实现图片的特 征从高层次到低层次的表达； 图片最终通过全连接层， 图片数据经过softmax分类器， 将每行的最大值对应的one ‑ hot矩阵作为训练的分类结果； 最后对ResNet模型进行训练， 卷积层会提取每批次样本图像数据的特征， 并且逐层计 算图像数据的稀疏特征， 并把相应的参数值记录下来， 把ResNet模型最底层提取的稀疏特 征输入到logist层， 统计样 本的分类值， 批量数据训练的模式増加了ResNet模 型的鲁棒性， 减少过拟合。 5.一种基于模糊测试的庞氏合约检测系统， 其特征在于， 包含采集模块、 静态分析模 块、 建立数据模型模块、 检测模块； 采集模块用以在Etherscan平台上任意选取一个时间段内已经标记的庞氏合约和非庞 氏的智能合约进行采集， 将采集到的已经标记的庞氏合约和非庞氏的智能合约作为输入 集； 静态分析模块用以进行静态分析， 使用静态分析工具扫描输入集， 再使用配置过参数 的模糊测试工具进行模糊测试， 获取交易资金流向并整理成矩阵， 进一 步转化成图片； 建立数据模型模块用以建立ResNet模型， 对图片进行预处理， 并使用ResNet算法对图 片中的交易特征进行自动提取， 该交易特征包含每一次产生交易后资金 的流向、 每个账户 获得的资金数目、 最 终呈现庞氏骗局经典的金字塔 资金分布特征， 对ResNet模型进行训练， 最终得到最优ResNet模型； 检测模块用以将准备好的待检测测试集经过静态分析， 再进行模糊测试， 最终转化成 图片， 将转化好的图片放入最优ResNet模型， 最优ResNet模型对转化好的图片进行分析并权　利　要　求　书 2/4 页 3 CN 114821267 A 3