Kuantum makine öğrenmesi kullanarak akıllı sözleşmelerde zafiyet tespiti
Vulnerability detection in smart contracts using quantum machine learning
- Tez No: 943844
- Danışmanlar: PROF. DR. ECİR UĞUR KÜÇÜKSİLLE
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Blok zinciri teknolojisinin hızla benimsenmesi, özellikle akıllı sözleşmelerin güvenliği ve bütünlüğünü sağlama konusunda önemli sorunları gündeme getirmiştir. Bu çalışma, akıllı sözleşmelerde ortaya çıkabilecek güvenlik açıklarının tespitine odaklanmakta; bu tür açıklıkların ciddi maddi kayıplara ve blok zinciri sistemlerine olan güvenin zedelenmesine yol açabileceği vurgulanmaktadır. Bu doğrultuda, klasik derin öğrenme teknikleriyle kuantum hesaplamanın temel ilkelerini entegre eden Hibrit KuantumKlasik Derin Sinir Ağı (HKKDSA) modeli önerilmiştir. Söz konusu model; erişim kontrolü, aritmetik hatalar, front-running saldırıları, yeniden giriş açıkları, zaman manipülasyonu, hizmet reddi ve kontrolsüz düşük seviye çağrılar gibi yaygın güvenlik zafiyetlerini tespit etmeye yönelik olarak tasarlanmıştır. Model eğitimi sürecinde SmartBugs Wild veri kümesinden yararlanılmış; öznitelik çıkarımı için hibrit mimarilere uygun biçimde optimize edilen Terim Frekansı-Ters Doküman Frekansı (TF-TDF) yöntemi kullanılmıştır. Deneysel çalışmalar kapsamında, hem 2 qubit hem de 4 qubit kuantum katmanları içeren hibrit mimariler tasarlanarak test edilmiştir. Karşılaştırmalı analiz yapabilmek için, geleneksel bir Derin Sinir Ağı (DSA) modeli de bu sürece dahil edilmiştir. HKKDSA modeli, %96,4 ile %78,2 arasında değişen doğruluk oranları ve %96,6 ile %80,2 arasında değişen F1 skorları ile klasik ve derin öğrenme tabanlı yöntemlere kıyasla daha yüksek bir performans ortaya koymuştur. Bu sonuçlar, hibrit kuantum-klasik modellerin özellikle akıllı sözleşme güvenliği alanında yüksek doğruluk ve verimlilik sunduğunu göstermektedir. İlerleyen araştırmalar, bu modelin gerçek kuantum donanımları üzerinde uygulanarak test edilmesini ve daha geniş, çeşitlendirilmiş veri setleriyle kapsamlı bir biçimde analiz edilmesini amaçlayabilir.
Özet (Çeviri)
The rapid adoption of blockchain technology has brought significant concerns, particularly regarding the security and integrity of smart contracts. This study focuses on identifying potential vulnerabilities in smart contracts, emphasizing that such weaknesses can lead to serious financial losses and undermine trust in blockchain systems. In this context, a Hybrid Quantum-Classical Deep Neural Network (HQCDNN) model that integrates the fundamental principles of quantum computing with classical deep learning techniques has been proposed. The proposed model is designed to detect common security vulnerabilities such as access control, arithmetic, front-running, reentrancy, time manipulation, denial of service, and unchecked low calls. During the model training process, the SmartBugs Wild dataset was utilized, and the Term Frequency-Inverse Document Frequency (TF-IDF) method optimized to suit hybrid architectures was employed for feature extraction. In the experimental studies, hybrid architectures incorporating both 2-qubit and 4-qubit quantum layers were designed and tested. To enable comparative analysis, a conventional Deep Neural Network (DNN) model was also included in the process. The HQCDNN model demonstrated superior performance compared to classical and deep learning-based methods, achieving accuracy rates ranging from 96.4% to 78.2% and F1 scores ranging from 96.6% to 80.2%. These results indicate that hybrid quantum classical models offer high accuracy and efficiency, particularly in the field of smart contract security. Future studies may aim to test this model on real quantum hardware and conduct comprehensive evaluations using larger and more diverse datasets.
Benzer Tezler
- Machine learning assisted force field development for nucleic acids
Nükleik asitler için makine öğrenimi destekli kuvvet alanı geliştirilmesi
GÖZDE İNİŞ DEMİR
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. ADEM TEKİN
- Attack detection in IoT systems using metaheuristic-enhanced quantum and classical machine learning techniques
Metasezgisel yöntemlerle geliştirilmiş kuantum ve klasik makine öğrenme teknikleri kullanılarak IoT sistemlerinde saldırı tespiti
MUHAMMED FURKAN GÜL
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİT BAKIR
- Derin öğrenme teknikleri ile nanomalzeme katkılı nematik sıvı kristal yapıların elektro-optik özelliklerinin tahminlenmesi
Prediction of electro-optical properties of nanomaterial doped nematic liquid crystal structures by deep learning techniques
MUSTAFA AKSOY
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİZMİR BAKIRÇAY ÜNİVERSİTESİAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜLNUR ÖNSAL
DR. ÖĞR. ÜYESİ ONUR UĞURLU
- Capturing aerodynamic characteristics of attas aircraft with evolving intelligent system
Evrilen akıllı sistem ile attas uçağının aerodinamik özelliklerinin yakalanması
AYDOĞAN SOYLU
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. TUFAN KUMBASAR
- EEG sinyallerinin sınıflandırılmasında kuantum tabanlı karar destek sisteminin gerçekleştirilmesi
Implementation of a quantum-based decision support system for classification of EEG signals
GAMZEPELİN AKSOY
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT KARABATAK