Bối cảnh và vấn đề nghiên cứu

Sự phát triển nhanh chóng của công nghệ chuỗi khối (Blockchain) và các ứng dụng phi tập trung (DApps) đã mở rộng phạm vi ứng dụng từ tiền điện tử sang nhiều lĩnh vực thực tiễn như y tế, Internet of Things (IoT), chuỗi cung ứng, nhận dạng kỹ thuật số và quản lý quy trình nghiệp vụ. Hợp đồng thông minh (Smart Contract) giữ vai trò then chốt trong việc tự động hóa các thỏa thuận và giao dịch trên mạng lưới một cách minh bạch, không cần bên trung gian.

Tuy nhiên, do đặc tính tự động thực thi và không thể chỉnh sửa sau khi triển khai lên chuỗi khối, bất kỳ khiếm khuyết nào trong mã nguồn cũng có thể bị tin tặc khai thác, gây thất thoát tài sản nghiêm trọng mà không thể thu hồi. Điển hình là cuộc tấn công vào tổ chức tự trị phi tập trung DAO trên Ethereum vào tháng 6 năm 2016, khai thác lỗ hổng tái nhập (Reentrancy) gây thiệt hại 60 triệu USD; sự cố hợp đồng ví Parity năm 2017 làm thất thoát 31 triệu USD; hay sự cố tràn số nguyên trong token BEC năm 2018 làm giá trị thị trường bốc hơi hoàn toàn. Thống kê từ SlowMist ghi nhận tổng thiệt hại do các cuộc tấn công vào hợp đồng thông minh Ethereum đã vượt mức 3,1 tỷ USD tính đến năm 2023. Do đó, việc kiểm tra, phát hiện và ngăn chặn sớm các lỗ hổng bảo mật cùng mã độc trước khi triển khai là yêu cầu cấp thiết.

Để giải quyết vấn đề trên, khóa luận xác định các mục tiêu và nhiệm vụ nghiên cứu cụ thể:

  1. Mục tiêu chính: Phát triển hệ thống tự động, hiệu quả sử dụng mô hình học sâu kết hợp (Multi-model) và kỹ thuật học chuyển giao (Transfer Learning) để phát hiện và phân loại lỗ hổng cùng mã độc trong hợp đồng thông minh viết bằng ngôn ngữ Solidity trên nền tảng Ethereum.
  2. Các mục tiêu cụ thể:
    • Nâng cao hiệu quả phát hiện lỗ hổng thông qua tối ưu hóa kiến trúc học sâu.
    • Phân nhóm các lỗ hổng dựa trên các đặc trưng tương đồng nhằm tối ưu hóa việc trích xuất và huấn luyện, tăng khả năng mở rộng với dữ liệu hạn chế.
    • Xây dựng và tiền xử lý bộ dữ liệu toàn diện về lỗ hổng hợp đồng thông minh.
    • Đánh giá, so sánh hiệu năng của mô hình đề xuất với các phương pháp hiện hành.
    • Cung cấp công cụ hỗ trợ nâng cao mức độ an toàn cho các ứng dụng chuỗi khối.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Hợp đồng thông minh viết bằng ngôn ngữ Solidity trên nền tảng mạng Ethereum; tập trung vào 14 loại lỗ hổng và hành vi mã độc phổ biến.
  • Phạm vi nghiên cứu: Nghiên cứu lý thuyết và thực nghiệm trên các tập dữ liệu hợp đồng thông minh Solidity, thiết kế mô hình phân loại đa nhãn tại Trường Đại học Công nghệ Thông tin - ĐHQG TPHCM (năm 2024).

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng nội dung dựa trên nền tảng kiến trúc mạng chuỗi khối Ethereum, các tiêu chuẩn bảo mật Web3 và các kỹ thuật xử lý ngôn ngữ tự nhiên ứng dụng trong phân tích mã nguồn:

  • Khung kiến trúc chuỗi khối và phân tích rủi ro: Mô hình phân lớp Ethereum gồm tầng đồng thuận (Consensus Layer - rủi ro tấn công 51%, chi tiêu kép), tầng dữ liệu (Data Layer - rủi ro rò rỉ và can thiệp giao dịch qua cấu trúc Merkle Tree) và tầng ứng dụng (Application Layer - rủi ro lỗ hổng hợp đồng thông minh và giao diện).
  • Khái niệm lỗ hổng và mã độc:
    • Hợp đồng có lỗ hổng (Vulnerable smart contracts): Sai sót lập trình hoặc thiết kế (Reentrancy, Integer Overflow/Underflow, Access Control...).
    • Hợp đồng chứa mã độc (Malicious smart contracts): Được tạo có chủ đích nhằm trục lợi hoặc phá hoại (Hidden Backdoors, False Return Values, Logic Bombs, Phishing Contracts, Gas Limit Exploitation, DoS).
  • Khung phân loại OWASP Smart Contract Top 10 (2023): Sử dụng làm cơ sở tham chiếu danh mục hiểm họa (từ SC01 đến SC10: Reentrancy, Integer Overflow/Underflow, Timestamp Dependence, Access Control, Front-running, DoS, Logic Errors, Insecure Randomness, Gas Limit Vulnerabilities, Unchecked External Calls).
  • Phương pháp nghiên cứu thực nghiệm:
    • Phương pháp phân nhóm đặc trưng: Gom 14 loại lỗ hổng và mã độc vào 5 nhóm lớn dựa trên thuộc tính mã nguồn tương đồng.
    • Kỹ thuật biểu thức chính quy (Regex) và phân loại tập luật: Phân loại các mẫu mã theo 3 danh sách: Black List (lỗ hổng đã biết), White List (mã sạch/thực hành an toàn), và Grey List (mã tiềm ẩn rủi ro cần kiểm tra).
    • Kiến trúc Multi-model và Transfer Learning: Tích hợp mô hình ngôn ngữ RoBERTa (Robustly Optimized BERT Approach) với các mạng nơ-ron học sâu Recurrent Neural Network (RNN), Convolutional Neural Network (CNN) và Bidirectional Long Short-Term Memory (BiLSTM).
  • Nguồn dữ liệu: Dữ liệu hợp đồng thông minh thu thập từ mạng Ethereum thực tế kết hợp các bộ dữ liệu chuẩn học thuật gồm SmartBugs, SolidiFI và Messsi-Q. Dữ liệu đặc trưng sau khi trích xuất được lưu trữ và quản lý trên cơ sở dữ liệu MongoDB.

Thiết kế và triển khai hệ thống

Khóa luận thiết kế kiến trúc phát hiện mối đe dọa mang tên ThreatDetectionModel, kết hợp giữa mô hình biểu diễn ngữ cảnh và các khối xử lý đặc trưng song song:

Smart Contract (Source code / Opcode / Bytecode)
[Trích xuất đặc trưng & Tiền xử lý (Tokenization)]
[Lớp nhúng & 12 Self-Attention Heads (RoBERTa)]

Quy trình xử lý dữ liệu và luồng thông tin

  1. Tiền xử lý và trích xuất đặc trưng: Hợp đồng thông minh đầu vào được phân tích dưới các dạng biểu diễn (source code, opcode, bytecode). Bộ mã phân tách từ (Tokenization) tiến hành bóc tách định danh theo quy tắc camelCase và snake_case, sau đó cập nhật vào bảng từ vựng (vocab_size = 20.000 tokens).
  2. Phân tách Self-attention Heads: Mã nguồn được đưa qua lớp nhúng và 12 đầu chú ý (Self-attention heads) của RoBERTa. 12 đầu này được chia đều thành 3 nhóm:
    • Nhóm 1 (Head 1 đến Head 4): Tạo ma trận đặc trưng tập trung vào quan hệ cục bộ.
    • Nhóm 2 (Head 5 đến Head 8): Tạo ma trận đặc trưng cho các cấu trúc mẫu.
    • Nhóm 3 (Head 9 đến Head 12): Tạo ma trận đặc trưng cho sự phụ thuộc ngữ cảnh dài.
  3. Xử lý song song qua RNN, CNN và BiLSTM:
    • Nhóm 1 chuyển qua mạng RNN để nắm bắt quan hệ tuần tự và ngữ cảnh gần.
    • Nhóm 2 chuyển qua mạng CNN để lọc và trích xuất các đặc trưng phi tuần tự quan trọng.
    • Nhóm 3 chuyển qua mạng BiLSTM để ghi nhớ ngữ cảnh hai chiều toàn cục của hợp đồng.
  4. Kết hợp và phân loại: Đầu ra từ ba nhánh được ghép nối (Concatenate) thành một vector thống nhất, đưa qua lớp Dense và chuyển tới lớp Softmax/LogSoftmax để xuất xác suất phân loại đa nhãn.

Môi trường thực nghiệm và tham số mô hình

  • Môi trường phần cứng: GPU NVIDIA A100-SXM4-40GB (Google Colab) và GPU NVIDIA GeForce RTX 2060 (Visual Studio Code).
  • Công cụ và thư viện: Python, PyTorch (Torch), Transformers, Scikit-learn, Matplotlib, Seaborn, NLTK, TQDM.
  • Siêu tham số mô hình:
    • Kích thước từ vựng (vocab_size): 20.000 tokens.
    • Kích thước vector ẩn (hidden_size): 384 chiều.
    • Số lớp ẩn (num_hidden_layers): 12 lớp; Số đầu chú ý (num_attention_heads): 12 đầu.
    • Kích thước trung gian (intermediate_size): 3.072 đơn vị.
    • Hàm kích hoạt (hidden_act): gelu_new.
    • Khởi tạo trọng số (initializer_range): 0.02; Chuẩn hóa lớp (layer_norm_eps): 1e-12.
    • Hàm mất mát: Cross-Entropy Loss.
    • Bộ tối ưu hóa: AdamW (learning rate = 3e-5, epsilon = 1e-8, weight decay = 0.01).

Triển khai ứng dụng

Nhóm tác giả xây dựng ứng dụng giao diện trực quan cho phép người dùng tải lên các tệp tin mã nguồn hợp đồng thông minh .sol. Hệ thống tự động thực hiện tiền xử lý, chạy qua mô hình ThreatDetectionModel và trả về kết quả phân tích phân loại nhóm lỗ hổng trực tiếp trên màn hình giao diện.

Nội dung chính theo từng chương

Chương 1. Phần mở đầu

Chương này thiết lập nền tảng và tính cấp thiết của đề tài. Tác giả phân tích các sự cố bảo mật trong lịch sử phát triển của hợp đồng thông minh trên nền tảng Ethereum (điển hình như các vụ tấn công DAO, Parity Wallet, BEC Token), làm rõ sự cần thiết của các biện pháp phòng ngừa tự động trước khi triển khai mã nguồn. Tác giả đưa ra định nghĩa học thuật về hợp đồng có lỗ hổng (Vulnerable smart contracts) và hợp đồng chứa mã độc (Malicious smart contracts), đồng thời trình bày các hạn chế của phân tích tĩnh/động truyền thống để dẫn dắt đến giải pháp kết hợp Multi-model và Transfer Learning. Chương này cũng công bố mục tiêu tổng quát, 5 mục tiêu cụ thể và phạm vi nghiên cứu 14 loại lỗ hổng/mã độc.

Chương 2. Kiến trúc mạng Blockchain và các vấn đề bảo mật trong hợp đồng thông minh

Chương 2 phân tích chuyên sâu về kiến trúc hệ thống và các nguy cơ mất an toàn thông tin:

  • Kiến trúc mạng Blockchain: Mô tả cấu trúc liên kết khối qua giá trị băm của khối cha (parent block), kiến trúc nút mạng Ethereum, cây Merkle (Merkle Tree) và cơ chế đồng thuận (PoW, PoS).
  • Phân loại Blockchain: So sánh đặc tính của Public Blockchain, Private Blockchain và Consortium Blockchain.
  • Rủi ro phân lớp: Chi tiết hóa nguy cơ ở tầng đồng thuận (tấn công 51%, Double Spending), tầng dữ liệu (lộ thông tin, sửa đổi dữ liệu) và tầng ứng dụng.
  • Danh mục lỗ hổng và mã độc: Trình bày 10 lỗ hổng hàng đầu theo tiêu chuẩn OWASP Smart Contract Top 10 (2023) cùng các loại lỗi mã nguồn cụ thể như Unchecked send, Dangerous delegatecall, Block number dependency, Short address/Parameter issues, Transaction Ordering Dependence (TOD), Tx.origin authentication, Out of Gas và Denial of Service (DoS).
  • Tổng quan các phương pháp bảo mật hiện hữu: Đánh giá ưu nhược điểm của công cụ phân tích tĩnh (Slither, SolidiFI, Mythril, SmartCheck, Manticore, Securify), phân tích động (GasFuzzer, ILF Fuzzer, sFuzz), cùng các cách tiếp cận học máy và học sâu truyền thống.

Chương 3. Các giải pháp đề xuất

Chương 3 trình bày giải pháp kỹ thuật cốt lõi của khóa luận:

  • Phương pháp phân nhóm lỗ hổng: Nhằm giải quyết vấn đề bùng nổ không gian đặc trưng và tối ưu tài nguyên tính toán, tác giả gom 14 loại lỗ hổng vào 5 nhóm chính dựa trên các đặc trưng tương đồng.
Nhóm lỗ hổng / mã độc Danh mục lỗ hổng hoặc mã độc thành phần Các đặc trưng tương đồng cốt lõi
Interaction and Contract State Vulnerabilities (Tương tác & trạng thái hợp đồng) Reentrancy, Unchecked external call, Unchecked send, Dangerous delegatecall External call functions, State Changes After External Calls, Usage of delegatecall, Lack of boolean return value check, State update without verification, Use of msg.value/msg.sender, Lack of Error Handling, Recursive Calls
Dependency Vulnerabilities (Phụ thuộc) Timestamp dependency, Block number dependency, Bad randomness Manipulation by Miners, Global variables (block.timestamp, blockhash, block.number), Random Number Generation, Predictability of randomness sources, Historical block data, Lack of private seed storage
Authentication and Authorization Vulnerabilities (Xác thực & ủy quyền) Short address/Parameter issues, Access control, TOD, Tx.origin authentication Insufficient input and parameter validation, Address Variables is not checked, Modifier Usage (onlyOwner, onlyAuthorized), Owner Variable, Use of tx.origin for authorization, Improper input padding
Resource Gas usage Malicious code (Sử dụng tài nguyên Gas) DoS (malicious contract), Out of gas (malicious contract) High Complexity Loops (for, while), Gas Limit Checks (gasleft()), High Gas Price Transactions, Recursive Function Calls, State-changing Operations, Balance check before send
Arithmetic vulnerabilities (Số học) Integer Overflow, Integer Underflow Tràn số trên các phép toán số học không kiểm tra
  • Phân loại đặc trưng theo 3 danh sách:
Danh sách Mục đích Các từ khóa và mẫu mã (Keywords / Patterns) tiêu biểu
Black List Nhận diện các lỗ hổng đã biết call.+, onlyOwner, require(msg.sender == owner), require(tx.origin == ...), gasleft < ..., keccak256(block.timestamp), blockhash
White List Nhận diện mã sạch, tuân thủ best practices Khai báo storage, memory, calldata; Visibility rõ ràng (public, private, internal, external); Khởi tạo sự kiện emit; Cơ chế bẫy lỗi require, assert, revert
Grey List Nhận diện mã có rủi ro tiềm ẩn callcode, delegatecall, address(...), logic thời gian block.timestamp, now, phép toán chưa kiểm tra ++, --, +=, -=, luồng nhảy goto, continue
  • Kiến trúc mô hình học sâu: Trình bày chi tiết mô hình ThreatDetectionModel (RoBERTa chia nhóm Attention Heads kết hợp RNN, CNN, BiLSTM), các công thức luồng dữ liệu và thiết lập siêu tham số thực nghiệm.
  • Bộ dữ liệu: Mô tả quy trình thu thập từ Ethereum, SmartBugs, SolidiFI, Messsi-Q và quy trình tiền xử lý, lưu trữ trên MongoDB.

Chương 4. Kết quả thực nghiệm và đánh giá

Chương 4 cung cấp chi tiết quá trình huấn luyện và kiểm thử mô hình qua 4 kịch bản thực nghiệm (Kịch bản 0, 1, 2, 3):

  • Đánh giá định lượng thông qua hệ thống chỉ số: Ma trận nhầm lẫn (Confusion Matrix), F1-Score, Precision, Recall, ROC AUC và độ mất mát trên tập kiểm định (Validation loss/metrics).
  • So sánh hiệu năng giữa các kịch bản thực nghiệm và đối chiếu mô hình đề xuất với các nghiên cứu công bố trước đây.
  • Mô tả kiến trúc và giao diện hệ thống triển khai thực tế (giao diện tải file .sol và bảng hiển thị kết quả phân loại).

Chương 5. Kết luận và hướng phát triển

Tóm lược các kết quả đạt được về mặt phương pháp luận, mô hình và công cụ; đồng thời xác định các hướng nghiên cứu mở rộng trong tương lai.

Kết quả và đóng góp

Kết quả chính

  • Mô hình ThreatDetectionModel phân loại thành công 14 loại lỗ hổng và mã độc vào 5 nhóm chức năng thông qua việc trích xuất đặc trưng tương đồng và chia nhóm 12 Self-Attention Heads của RoBERTa sang 3 luồng xử lý song song (RNN, CNN, BiLSTM).
  • Hoàn thành kiểm thử qua 4 kịch bản thực nghiệm (Kịch bản 0, Kịch bản 1, Kịch bản 2, Kịch bản 3), ghi nhận đầy đủ các biểu đồ đánh giá: Confusion Matrix, đường cong ROC AUC, biểu đồ Precision, Recall, F1-Score và Validation Metrics.
  • Xây dựng thành công ứng dụng demo cho phép tải tệp mã nguồn Solidity và trả về kết quả phát hiện lỗ hổng/mã độc trực quan.

Giải pháp và kiến nghị

  • Áp dụng phương pháp phân nhóm lỗ hổng dựa trên đặc trưng tương đồng để giảm tải chi phí trích xuất và tối ưu hóa tài nguyên tính toán khi huấn luyện trên dữ liệu lớn.
  • Sử dụng mô hình học chuyển giao (Transfer Learning) để hỗ trợ nhận diện các dạng lỗ hổng mới: khi xuất hiện biến thể lỗ hổng mới, hệ thống chỉ cần bổ sung nhánh trích xuất đặc trưng tương ứng và tinh chỉnh mô hình với tập dữ liệu giới hạn thay vì phải huấn luyện lại toàn bộ từ đầu.
  • Kết hợp đa biểu diễn đầu vào (source code, opcode, bytecode) cùng 3 danh sách đặc trưng (Black List, White List, Grey List) để tăng cường độ bao phủ mã nguồn.

Đóng góp học thuật và kỹ thuật

  • Khắc phục hạn chế của các công cụ phân tích tĩnh và động truyền thống vốn phụ thuộc nhiều vào luật chuyên gia, tỷ lệ dương tính giả cao và kém linh hoạt.
  • Giải quyết nhược điểm của các mô hình học sâu đơn lẻ trước đây (thường chỉ khai thác một khía cạnh dữ liệu tuần tự hoặc phi tuần tự) bằng kiến trúc kết hợp đa mô hình RoBERTa + RNN + CNN + BiLSTM.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ rõ các giới hạn trong phạm vi nghiên cứu và định hướng mở rộng gồm:

  1. Tạo bộ dữ liệu mới: Mở rộng quy mô, độ đa dạng và chất lượng gán nhãn cho các mẫu hợp đồng thông minh thực tế trên chuỗi khối.
  2. Xây dựng và kết hợp cấu trúc đồ thị (Graph Neural Networks): Tích hợp đồ thị luồng điều khiển (Control Flow Graph - CFG) và đồ thị luồng dữ liệu (Data Flow Graph - DFG) vào mô hình học sâu để nắm bắt ngữ nghĩa cấu trúc sâu hơn.
  3. Tối ưu hóa và mở rộng mô hình: Tăng cường tốc độ xử lý dữ liệu lớn, tối ưu hóa độ chính xác và khả năng mở rộng thuật toán.
  4. Tích hợp và tự động hóa: Nghiên cứu các giải pháp tự động hóa quá trình gán nhãn dữ liệu mới, đồng thời đóng gói mô hình để tích hợp trực tiếp vào các môi trường và nền tảng phát triển hợp đồng thông minh phổ biến.

Giá trị tham khảo

Tài liệu khóa luận mang lại giá trị tham khảo hữu ích cho các nhóm đối tượng:

  • Sinh viên và học viên ngành An toàn thông tin, Mạng máy tính, Khoa học máy tính: Cung cấp tài liệu tổng quan hệ thống về 14 loại lỗ hổng/mã độc trên hợp đồng thông minh Solidity, các tiêu chuẩn OWASP Smart Contract Top 10 và cơ chế phân lớp rủi ro trong mạng chuỗi khối Ethereum.
  • Nhà nghiên cứu và kỹ sư AI trong an ninh mạng: Tham khảo kiến trúc kết hợp đa mô hình (Multi-model), giải pháp phân nhóm Self-Attention Heads của RoBERTa kết hợp xử lý song song với RNN, CNN, BiLSTM để phân loại mã nguồn.
  • Kỹ sư phát triển DApps và kiểm toán bảo mật (Smart Contract Auditors): Sử dụng bảng phân loại đặc trưng (Black List, White List, Grey List) và các biểu thức chính quy được thiết kế sẵn để phục vụ công tác rà quét, kiểm tra tĩnh mã nguồn Solidity.

Câu hỏi thường gặp

1. Khóa luận phân chia 14 loại lỗ hổng và mã độc trong hợp đồng thông minh thành những nhóm cụ thể nào?
Nhóm tác giả gom 14 loại hiểm họa thành 5 nhóm dựa trên đặc trưng tương đồng: (1) Interaction and Contract State Vulnerabilities (Reentrancy, Unchecked external call, Unchecked send, Dangerous delegatecall); (2) Dependency Vulnerabilities (Block number dependency, Timestamp dependency, Bad randomness); (3) Authentication and Authorization Vulnerabilities (Short address/Parameter issues, Access control, TOD, Tx.origin authentication); (4) Resource Gas usage Malicious code (DoS, Out of gas); (5) Arithmetic vulnerabilities (Integer Overflow/Underflow).

2. Kiến trúc ThreatDetectionModel xử lý 12 đầu chú ý (Self-Attention Heads) của RoBERTa như thế nào?
12 đầu chú ý của RoBERTa được chia đều thành 3 nhóm (Nhóm 1: Heads 1–4; Nhóm 2: Heads 5–8; Nhóm 3: Heads 9–12). Ba nhóm ma trận đặc trưng này được đưa vào xử lý song song qua 3 mạng nơ-ron khác nhau: Nhóm 1 qua mạng RNN (học ngữ cảnh tuần tự gần), Nhóm 2 qua mạng CNN (trích xuất mẫu đặc trưng phi tuần tự), và Nhóm 3 qua mạng BiLSTM (nắm bắt ngữ cảnh tuần tự hai chiều toàn cục), trước khi ghép nối lại và phân loại bằng lớp Dense và Softmax.

3. Ba danh sách Black List, White List và Grey List trong đề tài có vai trò gì?
Ba danh sách này được sử dụng để lọc và trích xuất đặc trưng mã nguồn bằng biểu thức chính quy: Black List chứa từ khóa/mẫu mã của các lỗ hổng đã biết; White List chứa các mẫu mã tuân thủ quy chuẩn lập trình an toàn (Clean code); Grey List chứa các cấu trúc mã tiềm ẩn rủi ro hoặc chưa xác định cần đưa vào mô hình học sâu để phân tích thêm.

4. Môi trường phần cứng và các siêu tham số chính dùng để huấn luyện mô hình là gì?
Thực nghiệm được thực hiện trên GPU NVIDIA A100-SXM4-40GB và GPU NVIDIA GeForce RTX 2060. Các siêu tham số cốt lõi bao gồm: vocab_size = 20.000, hidden_size = 384, num_hidden_layers = 12, num_attention_heads = 12, intermediate_size = 3.072, hidden_act = "gelu_new", hàm mất mát Cross-Entropy Loss và bộ tối ưu hóa AdamW (learning rate = 3e-5, epsilon = 1e-8).

5. Dữ liệu thực nghiệm của khóa luận được thu thập từ những nguồn nào?
Bộ dữ liệu gồm các hợp đồng thông minh Solidity được thu thập trực tiếp từ mạng chuỗi khối Ethereum và các bộ dữ liệu nghiên cứu chuẩn bao gồm SmartBugs, SolidiFI và Messsi-Q, sau đó được trích xuất đặc trưng và lưu trữ trên cơ sở dữ liệu MongoDB.

Kết luận

Khóa luận tốt nghiệp của sinh viên Trần Đặng Hồng Loan và Lê Nhật Hào (Trường Đại học Công nghệ Thông tin - ĐHQG TPHCM) đã đề xuất giải pháp phát hiện và phân loại 14 loại lỗ hổng cùng mã độc trong hợp đồng thông minh Solidity trên mạng Ethereum. Bằng cách phân nhóm đặc trưng tương đồng và xây dựng mô hình học sâu ThreatDetectionModel kết hợp RoBERTa (chia nhóm 12 Self-Attention Heads) với mạng RNN, CNN và BiLSTM, nghiên cứu tối ưu hóa hiệu quả nhận diện đa chiều trên mã nguồn. Kết quả nghiên cứu được kiểm chứng qua 4 kịch bản thực nghiệm và triển khai dưới dạng ứng dụng phân tích trực quan, đóng góp giải pháp kỹ thuật hữu ích cho công tác kiểm thử bảo mật trong hệ sinh thái chuỗi khối.