Smart contract vulnerability detection using machine learning
Makine öğrenimi kullanarak akıllı sözleşme güvenlik açığı tespiti
- Tez No: 1011519
- Danışmanlar: DOÇ. DR. ADIB HABBAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Makine öğrenimi, Açıklanabilir yapay zeka, Akıllı sözleşme, Güvenlik açığı tespiti, Machine learning, Explainable AI, Smart contract, Vulnerability detection
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Akıllı sözleşmeler artık blockchain teknolojisinin önemli bir parçası olup, daha geniş ekosistem içinde temel bir işlev görmektedir. Akıllı sözleşmelerdeki güvenlik sorunları, önemli finansal hasara yol açabilen ilişkili güvenlik açıklarının ciddi etkileri nedeniyle giderek daha fazla dikkat çekmektedir. Akıllı sözleşme güvenlik açığı tespitine yönelik geleneksel yaklaşımlar, yüksek yanlış pozitif oranlarından muzdariptir ve önceden tanımlanmış statik uzman kurallarına bağlıdır; bu da karmaşık kalıpları yakalamayı zorlaştırarak genel tespit doğruluğunu azaltabilir. Bu sınırlamalar, hem tespit doğruluğunu hem de model kararlarına olan güveni artırabilecek daha akıllı ve açıklanabilir yapay zeka yaklaşımlarına duyulan ihtiyaca işaret etmektedir. Bu çalışma, Ethereum akıllı sözleşmelerinde dağıtımdan önce güvenlik açıklarını tespit etmek için makine öğrenimine dayalı bir çerçeve tasarlamayı amaçlamaktadır. Bu çalışmada, anlamsal özellikleri çıkarmak için Soyut Sözdizimi Ağacı (AST) gösterimi kullanılarak akıllı sözleşme kaynak kodu analiz edilmiştir. Destek Vektör Makinesi, Rastgele Orman ve Karar Ağacı temel öğreniciler olarak, Çok Katmanlı Algılayıcı ise meta-öğrenici olarak kullanılarak bir yığınlama topluluk modeli tasarlanmıştır. Ayrıca, herhangi bir güvenlik açığı tespitinin şeffaflığını artırmak ve sözleşme güvenlik açığı tespit kararlarının daha iyi anlaşılmasını sağlamak için SHAP ve LIME, akıllı sözleşme güvenlik açığı tespitine ilişkin açıklamalar sağlamak üzere model tahminlerinin hem küresel hem de yerel açıklamalarını sunmak için uygulanmıştır. Sonuçlar, önerilen çerçevenin güvenlik açıklarını tespit etmede %98 doğruluk elde ettiğini göstermektedir. Dahası, XAI kullanımı, modelin kararlarına nasıl ulaştığını açıklayarak potansiyel risklerin daha derinlemesine anlaşılmasını sağlar. Genel olarak, bu çalışma, geliştiricilerin ve güvenlik analistlerinin akıllı sözleşme uygulamalarının güvenliğini artırmalarına yardımcı olabilecek pratik ve açıklanabilir bir çözüm sunmaktadır.
Özet (Çeviri)
Smart contracts are now a key part of blockchain technology, serve an essential function within the broader ecosystem. Security issues in smart contracts are receiving increasing attention due to the serious impact of associated vulnerabilities, which can cause significant financial damage. Traditional approaches on smart contract vulnerability detection suffer from high false positive rates and depend on predefined static expert rules, making it difficult to capture complex patterns which can reduce to overall detection accuracy. These limitations point to the need for more intelligent and explainable AI approaches that can improve both detection accuracy and trust in model decisions. This study aims to design a machine learning–based framework for detecting vulnerabilities in Ethereum smart contracts before deployment. In this study, smart contract source code is analyzed using Abstract Syntax Tree (AST) representation to extract semantic features. A stacking ensemble model is designed using Support Vector Machine, Random Forest, and Decision Tree as base learners, with a Multi-Layer Perceptron as a meta-learner. In addition, to improve the transparency of any vulnerability detection and provides better understanding of contract vulnerability detection decisions SHAP and LIME are applied to provide both global and local explanations of model predictions to provide explanations for smart contract vulnerability detection. The results show that the proposed framework achieved 98% accuracy in detecting vulnerabilities. Furthermore, the use of XAI explains how the model arrives at its decisions, enabling a deeper understanding of potential risks. Overall, this study presents a practical and explainable solution that can help developers and security analysts enhance the security of smart contract applications.
Benzer Tezler
- Kuantum makine öğrenmesi kullanarak akıllı sözleşmelerde zafiyet tespiti
Vulnerability detection in smart contracts using quantum machine learning
SİNAN DURGUT
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ECİR UĞUR KÜÇÜKSİLLE
- CMMcihazındaki verilerden makine öğrenmesi ile parça kontrolü
Part control with machine learning from data on CMM device
ZEYNEP BİRGİN
Yüksek Lisans
Türkçe
2024
Metalurji MühendisliğiSakarya ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURAY CANİKOĞLU
- Blokzincir tabanlı ıot sağlık platformu ile hasta verilerinin güvenli paylaşımı ve izlenmesi
Secure sharing and monitoring of patient data through a blockchain-based iot healthcare platform
GALAL ABDULRAHEEM ALI AHMED
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÜNAL ÇAVUŞOĞLU
- Uzaktan denetim sistemlerinin veri bağlantı kontrolü
Başlık çevirisi yok
KAAN ERKAN
Yüksek Lisans
Türkçe
1996
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ.DR. BÜLENT ÖRENCİK
- Automated testing for solidity smart contracts
Solidity akıllı sözleşmeleri için otomatik testle
SEFA AKCA
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolThe Unıversıty Of EdınburghBilgisayar ve Enformatik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AJITHA RAJAN