Pre-Model Representation Failures in GNN-Based Smart Contract Vulnerability Detection
本文是对基于图神经网络(GNN)的智能合约漏洞检测器中表示层(representation layer)的失败分析。研究指出,这类检测器在机器学习之前先将源代码转换为图结构;如果图未能捕获代码的语义,那么任何模型改进都无法弥补这一缺陷。作者
共收录 36 条相关情报。
← 返回所有主题本文是对基于图神经网络(GNN)的智能合约漏洞检测器中表示层(representation layer)的失败分析。研究指出,这类检测器在机器学习之前先将源代码转换为图结构;如果图未能捕获代码的语义,那么任何模型改进都无法弥补这一缺陷。作者
本文提出了一种基于复杂性理论构建空间证明(Proof of Space, PoS)的新框架。空间证明由Dziembowski等人于CRYPTO 2015引入,是一个两阶段协议,允许证明者向高效的验证者证明其已分配大量持久性内存来存储某些信息
本文研究Dolev-Yao模型中密码协议的参数化保密性验证问题。经典Dolev-Yao保密性问题询问协议是否无论执行多少次都不会泄露秘密,而参数化保密性则要求保密性在所有可能的系统规模(即参与者数量)上一致成立,其中规模被视为参数。这一视角
本文研究量子计算中的酉算子合成问题。该问题由Aaronson和Kuperberg于CCC 2007年提出,核心是判断是否每个n量子比特酉算子U都能通过相对于某个依赖于U的经典预言机的高效量子电路来计算。最近,Lombardi、Ma和Wrig
本文研究私密信息检索(PIR)协议的通信复杂度问题。PIR 允许用户在不向服务器泄露查询内容的情况下,从分布式数据库中检索一条记录。经典结果要求服务器数量与通信量之间存在权衡。本文在数论猜想(广义重单位猜想或 Schinzel 假设 H)成
本文针对单服务器私有信息检索(PIR)在预处理场景下的计算下界进行了研究。已有工作表明,单服务器PIR若实现亚线性通信,则每个查询需要线性数量的(公钥)服务器操作。近期的突破性工作通过利用预处理成功构造了查询计算亚线性的单服务器PIR,从而
该论文针对AI安全验证问题,提出了一种避免辩论(debate)的替代方案。传统辩论方法依赖两个能力对等的AI模型相互辩论以说服人类验证者,但这一假设在实践中可能不成立(如模型能力不均或双方均不诚实)。论文首次研究了面向AI安全场景的“单证明
本论文从密码学实践视角出发,系统性地研究了短描述(如密钥、证书)的“可验证复杂性”问题。在密码协议中,密钥或证书通常要求能够在有限时间(多项式时间)内完成展开或验证,否则一个紧凑表示即使理论上存在,也无法在实际有界时间协议中提供操作保障。作
本文研究量子算法和密码学中的一个核心挑战:如何推理以随机群元素(如随机函数、置换或酉算子)为 oracle 的算法。经典方法采用惰性采样,即 oracle 不预先承诺整个群元素,而是动态采样部分信息。本文提出了一种量子惰性采样的模拟方法:压
本文提出对Impagliazzo五世界理论的一种密码学扩展。Impagliazzo的五世界框架沿着单一轴(即密码原语的存在性)对计算假设进行分类,且所有世界都隐含一个默认假设:包括敌手在内的每一方都观测完整的输入,即观测者始终处于最高层级(
该论文研究了随机线性码在广泛参数范围内的 discrepancy 性质,证明其几乎具备最优的 discrepancy 性能。作者提出了两个一般性定理:一个控制固定测试集的所有平移,另一个控制大片傅里叶伪随机测试集。作为应用,首先,在容量之上
本文研究PSPACE语言的高效交互式证明系统。经典结论IP=PSPACE表明任何PSPACE语言都存在交互式证明,但验证者高效时,证明者可能需要指数时间。后续工作致力于构造“加倍高效”的证明系统,即证明者时间为T(n)的多项式,验证者时间为
该论文针对生产环境中AI代理的运行时治理问题,提出了一种五平面参考架构。传统企业安全基于数据边界防护,但AI代理通过读取上下文、调用工具、连接器和修改系统记录,将风险内化于工作流内部的行动序列中,这些序列可能组合出未授权的业务流程变更。现有
本文研究了语言模型API在限制仅输出token排名(即按概率排序的token序列,但不提供具体概率值)时,是否仍然构成能够唯一标识模型的签名。作者发现,对于足够大的k,每个语言模型都有一组唯一的可行top-k排名集合,这可以作为模型的签名。
本研究首次系统性地探索了单层二元神经网络中碰撞查找的算法复杂性。给定一个随机矩阵 A ∈ ℝ^{m×n},输入 x ∈ {-1,1}^n 通过激活函数 φ 映射到二元输出向量 φ(Ax) ∈ {-1,1}^m,其中 φ 在区间 [κ, ∞)
本文针对带噪声线性奇偶校验学习问题(LPN)及其稀疏变体证明了新的硬度放大结果。LPN问题是密码学中重要的平均情况困难问题,其困难性假设是许多密码方案安全性的基础。在标准LPN_{η,n,m}中,目标是从m个带噪声的线性样本中恢复秘密向量s