A Human-in-the-Loop Framework for Detecting Logical Vulnerabilities in Smart Contracts
यह शोध पत्र एक ह्यूमन-इन-द-लूप फ्रेमवर्क प्रस्तावित करता है जो स्मार्ट कॉन्ट्रैक्ट्स में तार्किक कमजोरियों (logical vulnerabilities) का पता लगाने के लिए स्वचालित विश्लेषण को लक्षित मानव समीक्षा के साथ जोड़ता है, जो स्मार्टबग्स क्यूरेटेड (SmartBugs Curated) डेटासेट पर प्रिसिजन और F1-स्कोर में महत्वपूर्ण सुधार प्रदर्शित करते हुए फॉल्स पॉजिटिव्स को कम करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
डिजिटल दुनिया में, ब्लॉकचेन एक साझा रिकॉर्ड बुक की तरह है जिसे कई कंप्यूटर तालमेल में रखते हैं, यह सुनिश्चित करते हुए कि कोई भी अकेला व्यक्ति अतीत को बदल न सके। इस प्रणाली के केंद्र में एक सर्वसम्मति प्रोटोकॉल (consensus protocol) होता है, जो नियमों का एक समूह है जो इन अलग-अलग कंप्यूटरों को बिना किसी केंद्रीय बॉस की आवश्यकता के इस बात पर सहमत होने की अनुमति देता है कि क्या सत्य है। इस नींव के ऊपर, डेवलपर्स स्मार्ट कॉन्ट्रैक्ट्स लिखते हैं, जो स्व-निष्पादित प्रोग्राम हैं जो विशिष्ट शर्तें पूरी होने पर धन हस्तांतरित करने या संपत्ति के प्रबंधन जैसे समझौतों को स्वचालित रूप से लागू करते हैं। हालांकि ये तकनीकें विश्वास और स्वचालन के एक नए युग का वादा करती हैं, लेकिन ये विफलता से मुक्त नहीं हैं। जिस तरह एक भौतिक ताले को तोड़ा जा सकता है या किसी इमारत में संरचनात्मक दोष हो सकता है, उसी तरह इन प्रणालियों के पीछे का कोड छिपी हुई त्रुटियों से भरा हो सकता है। इनमें से कुछ त्रुटियां कोड में स्पष्ट गलतियां हैं, लेकिन सबसे खतरनाक 'लॉजिकल वल्नरेबिलिटीज़' (तार्किक कमजोरियां) हैं। ये टाइपिंग की गलतियां या टूटे हुए सिंटैक्स नहीं हैं; ये वास्तव में योजना या व्यावसायिक तर्क (business logic) में खामियां हैं, जहाँ कोड ठीक वही करता है जो उसे करने के लिए कहा गया था, लेकिन निर्देश स्वयं गलत थे। क्योंकि ये त्रुटियां प्रोग्राम के विशिष्ट उद्देश्य पर बहुत अधिक निर्भर करती हैं, इसलिए कंप्यूटरों के लिए इन्हें अपने आप पहचानना बेहद कठिन होता है।
इस्लामिक आजाद यूनिवर्सिटी तब्रिज़ शाखा में अलीरेज़ा असादज़देह के नेतृत्व में एक शोध टीम ने इस विशिष्ट समस्या को हल करने के लिए प्रक्रिया में एक इंसान को वापस लाकर एक तरीका प्रस्तावित किया है। शोधकर्ताओं का तर्क है कि जबकि स्वचालित उपकरण ज्ञात पैटर्न के लिए कोड को स्कैन करने में उत्कृष्ट हैं, वे उन सूक्ष्म, संदर्भ-निर्भर त्रुटियों के साथ संघर्ष करते हैं जो तार्किक कमजोरियों को परिभाषित करती हैं। इसे संबोधित करने के लिए, उन्होंने 'ह्यूमन-इन-द-लूप' (Human-in-the-Loop) नामक एक फ्रेमवर्क डिजाइन किया, जो एक तेज़, स्वचालित स्कैनर और एक सतर्क मानव विशेषज्ञ के बीच एक साझेदारी के रूप में कार्य करता है। यह प्रणाली चरणों में काम करती है। सबसे पहले, एक स्वचालित टूल एक स्मार्ट कॉन्ट्रैक्ट को स्कैन करता है और संभावित समस्याओं को चिह्नित करता है, प्रत्येक चेतावनी को एक 'कॉन्फिडेंस स्कोर' (विश्वास स्कोर) देता है जो यह दर्शाता है कि टूल समस्या के बारे में कितना आश्वस्त है। हर एक चेतावनी को दिखाने के बजाय, जो कि अत्यधिक बोझिल हो सकता है, सिस्टम सूची को फ़िल्टर करता है। यह केवल उन चेतावनियों को मानव विशेषज्ञ के पास भेजता है जिनका कॉन्फिडेंस स्कोर उच्च है ताकि अंतिम जांच की जा सके। विशेषज्ञ फिर इन विशिष्ट मामलों की समीक्षा करता है, और निर्णय लेता है कि वे वास्तविक खतरे हैं या गलत अलार्म। इस दृष्टिकोण का उद्देश्य मशीनों की गति को बनाए रखते हुए मानवीय निर्णय की बारीकी को जोड़ना है।
यह परीक्षण करने के लिए कि क्या यह तरीका वास्तव में काम करता है, शोधकर्ताओं ने 143 स्मार्ट कॉन्ट्रैक्ट्स के संग्रह का उपयोग करके प्रयोग चलाए जो पहले से ही विभिन्न प्रकार के सुरक्षा दोषों के लिए जाने जाते थे। उन्होंने एक मानक स्वचालित स्कैनर के व्यवहार का अनुकरण किया और फिर अपनी नई फ़िल्टरिंग और समीक्षा प्रक्रिया को लागू किया। परिणामों ने सटीकता में स्पष्ट सुधार दिखाया। केवल स्वचालित टूल पर भरोसा करने पर, सिस्टम ने वास्तविक समस्याओं की सही पहचान की लेकिन कई गलत अलार्म भी दिए, जिससे लगभग 0.71 का प्रिसिजन स्कोर (precision score) प्राप्त हुआ। प्रिसिजन, इस संदर्भ में, यह मापता है कि चिह्नित की गई कितनी समस्याएं वास्तव में वास्तविक समस्याएं थीं। मानव समीक्षा चरण को शामिल करने के बाद, प्रिसिजन बढ़कर लगभग 0.84 हो गया। इसका अर्थ है कि गलत अलार्म की संख्या आधे से अधिक कम हो गई, विशेष रूप से 52.2 प्रतिशत, जबकि सिस्टम ने एक भी वास्तविक भेद्यता (vulnerability) को नहीं छोड़ा जिसे मशीन ने मूल रूप से पाया था। सिस्टम की प्रभावशीलता का समग्र माप, जिसे F1-स्कोर कहा जाता है, भी लगभग 0.83 से बढ़कर 0.91 हो गया।
अध्ययन सुझाव देता है कि यह हाइब्रिड दृष्टिकोण ब्लॉकचेन सुरक्षा की एक निरंतर समस्या के लिए एक व्यावहारिक समाधान प्रदान करता है। मानव विशेषज्ञ को केवल सबसे संभावित उम्मीदवारों को संभालने देकर, यह प्रणाली कार्यभार को कम करती है और परिणामों में विश्वास को महत्वपूर्ण रूप से बढ़ाती है। शोधकर्ता नोट करते हैं कि यह विशेष रूप से तार्किक कमजोरियों के लिए महत्वपूर्ण है, जिनमें अक्सर कोड की संरचना के बजाय इच्छित व्यावसायिक नियमों की समझ की आवश्यकता होती है। हालांकि निष्कर्ष मौजूदा डेटा का उपयोग करके एक नियंत्रित सिमुलेशन पर आधारित हैं न कि किसी प्रमुख नेटवर्क पर लाइव परिनियोजन (deployment) पर, परिणाम संकेत देते हैं कि मानव विशेषज्ञता को एकीकृत करने से इन जटिल त्रुटियों का पता लगाने की विश्वसनीयता में सार्थक सुधार हो सकता है। यह कार्य एक ऐसे भविष्य की ओर संकेत करता है जहाँ विकेंद्रीकृत अनुप्रयोगों को सुरक्षित करने में न केवल बेहतर सॉफ्टवेयर, बल्कि स्वचालित उपकरणों और मानवीय अंतर्दृष्टि के बीच एक संरचित सहयोग शामिल है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।