1. 인공지능 기반 스마트 컨트랙트 취약점 탐지 연구 동향 분석(부산대)
- 스마트 컨트렉트? 제 3자의 개입 없이도 판매자와 구매자 간의 거래를 가능하게 하는 것
- 취약점?
- 소스코드 내의 취약점을 악용하여 공격하는 사례가 발생했는데 기존에 이를 해결하기 위해서 배포 전 취약점을 탐지할 수 있는 다양한 정적/동적 분석 모델들이 제안되었지만 전문가가 정의한 패턴에 의존하는 단점이 있어서 이 논문에서는 인공지는 기반 스마트 컨트랙트 취약점 탐지 모델들에 대해서 다루고 있음.
- 제안되는 모델들
- ContractWard: 기존 도구들이 기호 실행을 통해 수행되며 스마트 컨트랙트 내의 실행 가능한 모든 경로에 대해서 탐색을 수행하여 취약점 탐지에 많은 시간이 소요되는 단점이 있는데, 이 모델은 데이터를 단순화하고 머신러닝 모델을 학습해서 취약점 탐지를 수행.
- 전문지식과 인공지능 결합: 취약점에 대한 전문 지식을 이용하기 위해 먼저 security pattern extraction을 수행하는 과정에서 특정 취약점에 대한 전문지식을 security pattern으로 만들고 keyword matching과 syntax analysis를 통해서 스마트 컨트랙트로부터 해당 패턴들을 추출하는 방식으로 수행. 패턴 추출이 수행 완료되면 contract graph(스마트 컨트랙트 소스코드를 범주화된 node-core, normal, fallback-와 edge로 표현한 그래프) 생성 및 normalization을 수행.
2. Detection of Facial Landmarks using Encoder-Decoder Network
- Convolutional neural networks(CNNs)는 보통 자연어 처리나 이미지 분류를 하는 데 사용하는데, 이 논문에서는 얼굴 특징을 detect하고 코 중심이나 눈 중심, 코너, 턱 포인트와 같이 68가지의 포인트를 제공하는 face image를 처리하는 데 사용되었다.
3. 프레임간의 명암 변화량을 이용한 딥러닝 고속 운전자 행동 검출 알고리즘
- 딥러닝 객체 검출 알고리즘 기존 운전자의 위험 행동을 검출하는 알고리즘으로 이미지 속에서 객체의 종류와 위치를 검출하는데, 많은 연산자원을 사용하는 문제가 있음.
- 딥러닝 객체 분류 알고리즘 이미지 속 단일 객체를 분류하는 알고리즘으로 딥러닝 객체 검출 알고리즘에 비하여 적은 연산자원을 사용한다. 그러나 카메라 영상 속 다양한 객체를 단일 객체로 분류할 수 없어서 적용할 수 없는데, 이 논문에서는 이러한 문제를 해결하기 위해서 운전자의 행동영역을 추론하여 추론된 영역에 딥러닝 객체 분류 알고리즘을 적용하는 알고리즘을 제안함.
- 여기서는 행동영역의 명암 변화를 이용했는데, 논문에서 제안하는 알고리즘은 두 단계를 거쳐서 최종 행동을 검출하는데 첫 단계에서는 이전 프레임과 현재 프레임의 명암을 비교하여 명암 비교값에서 가장 많은 변화가 있는 활성 영역을 찾아 운전자의 행위영역인 최종 활성 영역을 검출하고, 두 번째 단계에서는 최종 행위 영역을 딥러닝 분류 알고리즘에 입력하여 운전자의 최종 행동을 분류한다.
- 이렇게 제안하는 알고리즘은 기존의 딥러닝 객체 검출 모델보다 연산 시간을 70% 줄이고, 행동검출 정확도는 88%를 가진다.
공부 중입니다.