Revisión sistemática del uso de aprendizaje automático para detectar fallos de seguridad en contratos inteligentes

• Autores: Chavez Victoriano, Jhordan Smith, Yovera Carranza, Emmanuel Anthony
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/15288
• Enlace del recurso: https://hdl.handle.net/20.500.12802/15288
• Nivel de acceso: acceso abierto
• Materia: Cadena de bloques; Contratos inteligentes; Aprendizaje automático; RNG; RNN; SVM; Graphos; https://purl.org/pe-repo/ocde/ford#2.02.04

La seguridad en contratos inteligentes representa un desafío critico debido a complejidad de los códigos y la posibilidad de vulnerabilidades explotables. Esta investigación realiza una revisión sistemática sobre el uso de técnicas de aprendizaje automático para la detección de fallos en contratos inteligentes. Se analizaron 50 artículos publicados entre el 2020 a 2025, donde se aplican modelos como redes neuronales, SVM, arboles de decisión y algoritmos de aprendizaje profundo. Los estudios Revisados evidencian que estos modelos son capaces de detectar errores comunes y vulnerabilidades con altos niveles de precisión, mejorando así la seguridad en las transacciones digitales. Uno de los hallazgos clave es la efectividad del análisis estático y dinámico del código, especialmente cuando se combinan con enfoques automatizados basados en inteligencia artificial. No obstante, se identifican desafíos como la escasez de datasets específicos, la necesidad entrenar modelos con casos reales y la interpretación legal de los resultados obtenidos. Asimismo, se resalta el potencial del aprendizaje automático no solo para identificar fallos, sino también para prevenir ataques antes de que sucedan. En conclusión, la integración de estas tecnologías en los contratos inteligentes no solo optimiza los procesos, sino que también incrementa la confianza y transparencia en las operaciones.