买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广东外语外贸大学申请的专利一种基于掩码一致性和动态余量调整的智能合约漏洞检测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120257284B 。

龙图腾网通过国家知识产权局官网在2026-05-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510270801.8，技术领域涉及：G06F21/57；该发明授权一种基于掩码一致性和动态余量调整的智能合约漏洞检测方法及系统是由姜思羽;李世龙;苏申;玄世昌设计研发完成，并于2025-03-07向国家知识产权局提交的专利申请。

本一种基于掩码一致性和动态余量调整的智能合约漏洞检测方法及系统在说明书摘要公布了：本发明属于区块链领域，公开了一种基于掩码一致性和动态余量调整的智能合约漏洞检测方法及系统，该方法包括：应用MMD为目标合约选择最合适的源合约，得到SSDA的源合同和目标合同的匹配对；从源合约和目标合约中提取合约特征，通过对合约代码进行预处理；使用掩码一致性框架进行掩码学习，结合SSDA进行领域适应；通过学生网络进行预测，通过多个神经网络层逐步学习输入数据的特征；通过DMA策略，筛选出置信度较高的目标合约样本；优化目标和模型训练，最小化MC损失和SSDA损失；通过标准的评估指标进行性能评估，调整和优化训练过程。本发明通过创新性地结合掩码一致性和动态余量调整技术，有效提升了智能合约漏洞检测的准确性、泛化能力和适应性。

本发明授权一种基于掩码一致性和动态余量调整的智能合约漏洞检测方法及系统在权利要求书中公布了：1.一种基于掩码一致性和动态余量调整的智能合约漏洞检测方法，其特征在于，该方法包括以下步骤： 使用最大均值差异MMD算法为目标合约选择最适合的源合约，得到跨领域的源合同和目标合同的匹配对； 对源合约和目标合约的代码进行预处理，生成抽象语法树AST和智能合约图SG，并提取节点和边特征； 基于掩码一致性框架进行掩码学习，并结合领域适应算法SSDA实现跨领域适配； 通过学生网络对目标合约进行预测，基于多个神经网络层逐步提取输入特征； 应用动态余量调整DMA策略对目标域样本进行筛选，并生成高置信度的伪标签； 最小化掩码一致性MC损失和领域适应SSDA损失，优化目标网络的参数； 通过标准评价指标对模型进行性能评估并调整训练过程； 所述使用MMD算法为目标合约选择源合约的步骤中，基于样本分布差异计算源域和目标域之间的均值分布差异，利用再生核希尔伯特空间RKHS中的函数映射样本，实现跨领域匹配； 所述掩码一致性框架通过随机掩码机制对目标域样本进行特征掩码，利用未掩码的局部特征生成伪标签，并基于教师网络的指数滑动平均EMA引导学生网络的优化； MC框架进行掩码学习，并结合SSDA进行领域适应，具体如下： 1使用SSDA进行源域与目标域之间的领域适应，SSDA任务可以分为两部分：一部分是目标域上的半监督学习，另一部分是源域有标签数据和目标域无标签数据之间的跨领域无监督学习： 其中，是源域数据的分类损失，表明对于每一对源域的输入样本和标签，模型的预测结果与真实标签之间的差异，通过优化G来最小化此损失，而表示源域和目标域共同的经验风险，包含了一个判别器D和一个分类器G的损失，为二值交叉熵损失，为特征表示，为分类器预测，通过优化分类器G和判别器D之间的博弈关系： 加入目标域的部分标注数据，用于半监督学习： 在目标域中加入10%的目标域数据进行半监督学习，将目标域的标记样本损失定义为： 其中为条件对抗域自适应损失，其权重为； 2MC通过随机掩码机制保留局部信息，从均匀分布中随机采样一个补丁掩码： 其中表示Iverson括号，用于布尔判断；b表示块大小，r表示掩码比例；v是从U0,1中采样的随机变量；m,n表示块的索引，掩码目标特征由掩码的元素与特征相乘得到： 其中为目标域中未标记样本经过合约代码预处理后生成的特征，学生网络根据未被掩码的代码特征对整个样本进行预测： 引入指数滑动平均EMA的方式生成教师网络，引导学生网络的学习，教师网络的权重由学生网络的权重EMA确定，并经平滑因子调整： 其中t表示训练步长，通过掩码学习，学生网络能够学习如何在没有完整标签的情况下推测缺失的标签信息，同时通过域适应和伪标签的筛选，提高目标域中的漏洞检测准确性； DMA策略具体包括： 1利用DMA进行伪标签筛选，帮助模型选择置信度较高的目标合约样本，首先，引入伪边距PM定义：用于衡量伪标签的置信度，表示预测分布中伪标签与其他标签的最大差异： 其中为对应伪标签w的logit值，是其他标签的最大logit值； 2通过平均从初始迭代到迭代t对应w的所有边缘来计算平均伪边缘APM，跟踪教师网络对相对于伪标签w的预测从训练开始到迭代t的演变，下面是它的计算方法: 如果当前伪标签的置信度高，PM为正；如果伪标签预测不一致，PM会变为负值，连续多个迭代的低PM值表明样本被错误标记，这些样本会对训练产生负面影响，计算某个样本从训练初始到当前迭代的所有伪边际的平均值，得到平均伪边际APM，低APM值表明样本伪标签预测不稳定，是异常样本，在训练中动态筛选伪标签可靠性低的样本，首先从未标记样本集合中提取子集，其次给中的样本分配一个新的类别标签C+1，并从中移除，最后用于模拟错误样本的行为，计算这些样本的APM； 3应用强增强来计算与集合中错误样本相关的损失，对于由B个错误样本组成的一批样本，计算这些样本的损失如下: 其中表示的强增广，表示教师网络在输入特征上产生的类别分布，在迭代t时，使用错误样本的APM来选择APM阈值，设为第95百分位误差样本的APM，因此，在未标记样本上的掩模学习损失可以定义为： 其中v表示每批内未标记样本与标记样本的比例，表示伪标签，表示质量权重，伪标签是教师网络对完整目标合约特征所做的预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广东外语外贸大学，其通讯地址为：510006 广东省广州市番禺区小谷围岛广州大学城外环东路178号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。