Bài báo: FedVuln: Scalable and Privacy-Preserving Federated Graph Learning for Smart Contract Vulnerability Detection on Parallel Systems
Link bài báo: https://doi.org/10.1016/j.future.2025.108264
Tác giả:
. Bùi Phương Đại – ATTT 2022 – Đồng tác giả
Giảng viên hướng dẫn / Đồng tác giả:
. ThS. Trần Tuấn Dũng
. PGS. TS. Phạm Văn Hậu
. PGS. TS. Nguyễn Tấn Cầm
Tóm tắt:
Smart contracts secure over $287 billion in total value locked, yet vulnerabilities caused $3.8 billion in losses during 2023. Traditional detection approaches require complete code disclosure, raising intellectual property concerns for enterprises. We present FedVuln, a privacy-preserving federated graph learning framework enabling collaborative vulnerability detection across mutually distrustful organizations without exposing proprietary code.
The framework comprises three specialized components, each targeting distinct challenges in federated smart contract analysis. First, a structured tensor network architecture with unitary constraints achieves 92.3% centralized accuracy while reducing parameters by 23% compared to standard tensor GNNs. Second, neural ordinary differential equations, a continuous-time approach justified by hybrid systems theory, capture temporal vulnerability patterns, particularly for reentrancy and MEV attacks, improving detection by 8.3 percentage points for flow-dependent vulnerabilities. Third, divergence-aware aggregation (DAA) operates through geometric interpolation in parameter space, achieving 82.1% F1-score under extreme non-IID conditions (Dirichlet ) while reducing memory overhead by 34% compared to SCAFFOLD.
Evaluation on 6,900 smart contracts across 500 simulated clients demonstrates that FedVuln outperforms established federated baselines by 2.7–4.6 percentage points while reducing communication by 67%. Privacy analysis confirms 86.7% accuracy under differential privacy. By enabling privacy-preserving collaboration among blockchain security consortiums, FedVuln provides a practical pathway for organizations to collectively improve smart contract security while protecting intellectual property and maintaining competitive advantages.
Lời cảm ơn:
Em xin gửi lời tri ân sâu sắc đến quý thầy đã tạo điều kiện để em được tham gia vào công trình nghiên cứu và có cơ hội đồng hành trong bài báo được vinh danh hôm nay. Đặc biệt, em xin bày tỏ lòng biết ơn chân thành nhất đến thầy Trần Tuấn Dũng, người luôn tận tâm định hướng, động viên và trao cho em những cơ hội quý giá để học hỏi và trưởng thành trong nghiên cứu.
Bên cạnh đó, em cũng xin trân trọng cảm ơn thầy Phạm Văn Hậu và thầy Nguyễn Tấn Cầm vì những góp ý và sự hỗ trợ thiết thực trong suốt quá trình thực hiện đề tài. Sự dìu dắt và tin tưởng của các thầy không chỉ giúp em tích lũy kiến thức chuyên môn mà còn là nguồn động lực để em tiếp tục theo đuổi con đường học tập và nghiên cứu trong tương lai. Em xin kính gửi đến quý thầy lời biết ơn sâu đậm và lòng trân trọng chân thành nhất.
Future Generation Computer Systems (FGCS) là tạp chí khoa học quốc tế uy tín do The International Journal of eScience (Elsevier) xuất bản, tập trung vào các nghiên cứu tiên tiến về hệ thống phân tán, điện toán đám mây, Big Data, IoT và điện toán hiệu năng cao. Tạp chí được xếp hạng Q1 theo JCR (SCIE) và Scopus (SJR), với Impact Factor 6.1 và CiteScore 17.1, là một trong những tạp chí hàng đầu trong lĩnh vực hệ thống tính toán thế hệ mới.
Thông tin chi tiết: https://www.facebook.com/share/p/17htbZSSzt/
