Система блокчейн будет генерировать большой объем данных о транзакциях, что создает определенные проблемы для анализа

Механизм стимулирования — это ядро ​​публичной сети. Он побуждает участников работать и обеспечивать безопасность основного протокола консенсуса. Однако очень сложно разработать механизм стимулирования, совместимый со стимулами. Hou et al. предложила структуру, основанную на глубоком обучении, для обнаружения уязвимостей в механизме стимулирования цепочки блоков — SquirRL [ 49 ], как показано на рисунке.

Разработчики протокола могут использовать SquirRL как общий метод для проверки недостатков механизма стимулирования. SquirRL не дает теоретических гарантий, но его реализация очень эффективна при проверке враждебных стратегий, которые могут использоваться, чтобы показать, что механизм стимулирования небезопасен.

Система блокчейн будет генерировать большой объем данных о транзакциях, что создает определенные проблемы для анализа и обнаружения злонамеренного поведения. Авторы в  предложили метод использования интеллектуального анализа данных и машинного обучения для обнаружения и захвата схем Понци, которые встречаются в Ethereum.

Этот метод сначала извлекал функции из учетных записей пользователей и операционных кодов смарт-контрактов, а затем построил модель классификации для обнаружения потенциальных схем Понци. DOORChain был предложен в [ 51] за злонамеренное поведение блокчейна. Он сочетал в себе три мощных метода вторжения и обнаружения вредоносных программ, а именно глубокое обучение, онтологию и исследование операций. Этот метод использовал ограничения исследования операций для формализации и обнаружения вредоносного поведения в сети, особенно с использованием онтологии для обнаружения поведенческого вредоносного поведения, а затем использовал обратную связь от этой формализации глубокого обучения, чтобы проверить, были ли транзакции в цепочке блоков вредоносными.