When ChatGPT Meets Smart Contract Vulnerability Detection: How Far Are We?
本文实证研究了ChatGPT在智能合约漏洞检测中的表现,发现其召回率高但精度有限,并与现有工具对比揭示了其在不同漏洞类型上的优劣势及鲁棒性局限。
2024-08-21 cs.SE
V2E: Validating Smart Contract Vulnerabilities through Profit-driven Exploit Generation and Execution
Sun Yat-sen University(中山大学);Peng Cheng Laboratory(鹏城实验室);Harbin Institute of Technology(哈尔滨工业大学)
本文提出V2E框架,通过自动生成可执行的漏洞利用示例,验证报告漏洞是否可被利用。核心方法包括生成、验证和迭代优化漏洞利用代码,提升漏洞验证效率。
2026-04-20 cs.SE
Efficiently Detecting Reentrancy Vulnerabilities in Complex Smart Contracts
针对复杂智能合约中重入漏洞检测效率低、成功率差的问题,提出SliSE工具,结合程序切片与符号执行两阶段验证,F1分数达78.65%,召回率超90%,优于现有工具。
2024-03-17 cs.SE
ContractTrace: Retracing Smart Contract Versions for Security Analyses
针对区块链智能合约版本历史碎片化导致漏洞追踪困难的问题,提出基于设计科学研究的自动化工具ContractTrace,通过追溯合约谱系构建lineageSet数据集,支持漏洞演化分析并验证了其有效性。
2025-07-08 cs.SE
HFContractFuzzer: Fuzzing Hyperledger Fabric Smart Contracts for Vulnerability Detection
区块链技术凭借其去中心化、不可变性等独特优势,近年来在各个领域得到广泛应用。运行在区块链上的智能合约也在去中心化应用场景中发挥着越来越重要的作用。因此,智能合约安全漏洞的自动检测成为区块链技术应用中亟待解决的问题。Hyperledger Fabric是一个基于企业级许可分布式账本技术的智能合约平台。然而,Hyperledger Fabric智能合约的漏洞检测技术研究仍处于起步阶段。在本文中,我们提出了HFContractFuzzer,这是一种基于Fuzzing技术来检测Hyperledger Fabric智能合约的方法,它结合了一个名为go-fuzz的golang Fuzzing工具和golang编写的智能合约。我们使用HFContractFuzzer从典型的来源中检测出五个合同中的漏洞,发现其中四个存在安全漏洞,证明了所提出的方法的有效性。
2021-06-21 cs.CR cs.SE
ContractFuzzer: Fuzzing Smart Contracts for Vulnerability Detection
去中心化的加密货币的特点是使用区块链在没有中央机构的网络上的同行之间转移价值。智能合约是在区块链共识协议之上运行的程序,使人们能够在最小化信任的同时达成协议。数以百万计的智能合约已经部署在各种分散的应用程序中。这些智能合约中的安全漏洞对其应用程序构成了重大威胁。事实上,以太坊平台上智能合约中的许多关键安全漏洞已经给用户造成了巨大的经济损失。在这项工作中,我们提出了ContractFuzzer,一种新颖的模糊器,用于测试以太坊智能合约的安全漏洞。ContractFuzzer基于智能合约的ABI规范生成模糊输入,定义测试预言机来检测安全漏洞,仪表EVM记录智能合约运行时行为,并分析这些日志以报告安全漏洞。我们对6991份智能合约进行了模糊处理,高精度地标记了超过459个漏洞。特别是,我们的fuzzing工具成功地检测到了导致6000万美元损失的DAO合约漏洞,以及导致3000万美元损失和价值1.5亿美元的以太币冻结的Parity Wallet漏洞。
2018-08-03 cs.CR cs.SE
Automated Vulnerability Injection in Smart Contracts Using Large Language Models
Università degli Studi di Napoli Federico II(那不勒斯费德里科二世大学);Gran Sasso Science Institute (GSSI)(格兰萨索科学研究所);University of Coimbra(科英布拉大学);College of Computing and Informatics, University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校计算与信息学院)
研究针对智能合约漏洞检测数据集稀缺问题,提出用大语言模型自动注入漏洞的方法,生成32个有效漏洞合约,评估了静态分析器并验证了该方法的可行性与局限性。
2026-09-03 cs.AI cs.CR cs.SE
Dynamic Vulnerability Detection on Smart Contracts Using Machine Learning
在这项工作中,我们提出了Dynamit,这是一个监测框架,用于检测以太坊智能合约中的可重入漏洞。我们框架的新颖之处在于它只依赖于来自区块链系统的交易元数据和余额数据;我们的方法不需要领域知识、代码插装或特殊的执行环境。Dynamit从交易数据中提取特征,并使用机器学习模型将交易分类为良性或有害。因此,我们不仅可以找到易受重入攻击的合同,而且还可以得到再现攻击的执行跟踪。
2021-02-15 cs.CR cs.SE
Smart Contract Vulnerability Detection based on Static Analysis and Multi-Objective Search
本文提出一种结合静态分析与多目标优化的智能合约漏洞检测方法,针对重入、调用栈溢出、整数溢出和时间戳依赖四类漏洞,在6,693个合约上验证其覆盖率、精度和效率优于现有工具。
2024-09-30 cs.SE
Zero-Shot Vulnerability Detection in Low-Resource Smart Contracts Through Solidity-Only Training
George Mason University(乔治梅森大学)
本文提出Sol2Vy框架,通过Solidity训练模型实现Vyper漏洞检测,无需大量标注数据,实验显示在重入、弱随机性和未检查转账等漏洞上表现优异。
2026-05-11 cs.CR cs.SE
ETrace:Event-Driven Vulnerability Detection in Smart Contracts via LLM-Based Trace Analysis
针对传统智能合约漏洞检测多依赖源代码的局限,提出无需源码的ETrace框架,通过提取交易日志事件序列、结合LLM思维链推理与模式匹配检测漏洞,初步实验验证了其有效性。
2025-07-30 cs.CR cs.SE
Eth2Vec: Learning Contract-Wide Code Representations for Vulnerability Detection on Ethereum Smart Contracts
Osaka University(大阪大学);National Institute of Technology, Nara College(奈良工业高等专门学校)
以太坊智能合约是在以太坊区块链上运行的程序,在过去十年中发现了许多智能合约漏洞。已经创建了许多安全分析工具来检测此类漏洞,但是当要分析的代码被重写时,它们的性能急剧下降。在本文中,我们提出了Eth2Vec,这是一种基于机器学习的静态分析工具,用于漏洞检测,对智能合约中的代码重写具有鲁棒性。现有的基于机器学习的漏洞检测静态分析工具需要分析人员手动创建的特征作为输入。相比之下,Eth2Vec通过用于语言处理的神经网络自动学习具有隐性知识的易受攻击的以太坊虚拟机(EVM)字节码的特征。因此,Eth2Vec可以通过比较目标EVM字节码与其已经学习的EVM字节码之间的代码相似度来检测智能合约中的漏洞。我们对现有的开放数据库(如Etherscan)进行了实验,结果表明Eth2Vec在众所周知的指标方面优于现有的工作,即,精确度、召回率和F1分数。此外,Eth2Vec甚至可以检测重写代码中的漏洞。
2021-01-08 cs.CR cs.LG cs.SE
Vulpedia: Detecting Vulnerable Ethereum Smart Contracts via Abstracted Vulnerability Signatures
近年来,智能合约在构建值得信赖的去中心化应用程序方面越来越受欢迎。以前的研究已经提出了静态和动态技术来检测智能合约中的漏洞。这些工具根据几个预定义的规则检查易受攻击的合同。然而,不断出现的新的脆弱类型和编程技能,以防止可能出现的漏洞,导致大量的误报和漏报的工具。为了解决这个问题,我们提出了Vulpedia,它从合同中挖掘表达性漏洞签名。Vulpedia基于一个宽松的假设,即合同所有者没有恶意。具体而言,我们从脆弱和良性合约中提取结构化程序特征作为漏洞特征,并基于漏洞特征构成的检测规则构建了一个系统的检测方法。与现有技术定义的规则相比,我们的方法可以提取更具表达性的规则,以实现更好的完整性(即,检测回忆)和可靠性(即,精度)。我们进一步评估Vulpedia的四个基线(即,Slither,Securify,SmartCheck和Oyente)在由17,770份合同组成的测试数据集上进行了测试。实验结果表明,Vulpedia在4类漏洞的查准率和3类漏洞的查全率方面表现最好,同时也表现出了较高的查准率和查全率。
2022-07-05 cs.CR cs.DC cs.SE
Vulnerability-Hunter: An Adaptive Feature Perception Attention Network for Smart Contract Vulnerabilities
针对智能合约漏洞检测中预定义规则适应性差的问题,本文提出AFPNet,通过动态权重特征感知模块自动提取关键代码片段,并结合关系感知注意力机制学习片段依赖,在多个大规模数据集上显著提升了F1-score。
2024-07-07 cs.CR cs.SE
OpenSCV: An Open Hierarchical Taxonomy for Smart Contract Vulnerabilities
本文提出OpenSCV,一种开放、分层且面向社区贡献的智能合约漏洞分类法,基于现有研究构建,覆盖当前检测工具能力,支持未来演进,为漏洞研究提供实用资源。
2023-04-07 cs.CR cs.SE
Improving Smart Contract Security with Contrastive Learning-based Vulnerability Detection
针对智能合约漏洞检测中忽略合约间相关性的问题,提出对比学习增强方法Clear,通过捕获合约间细粒度相关性并结合语义信息,在4万+合约数据集上F1分数较现有深度学习方法提升9.73%-39.99%。
2024-04-27 cs.CR cs.SE
Trace: Securing Smart Contract Repository Against Access Control Vulnerability
School of Software Engineering, Sun Yat-sen University(中山大学软件学院);Kashi Institute of Electronics and Information Industry(喀什电子信息产业研究院)
针对现有智能合约漏洞检测工具无法处理不可编译仓库的问题,提出结合大语言模型补全代码、基于调用图与控制流图检测访问控制漏洞的TRACE工具,在多类数据集上精度均显著优于现有方案。
2025-10-22 cs.SE
ContractTinker: LLM-Empowered Vulnerability Repair for Real-World Smart Contracts
针对现有智能合约漏洞修复工具语义理解不足、难以处理真实漏洞的问题,提出结合思维链拆解与静态分析引导的LLM赋能修复工具ContractTinker,在48个高危漏洞上实现48%的有效修复率与21%的微改可用率。
2024-09-15 cs.CR cs.SE
AutoMESC: Automatic Framework for Mining and Classifying Ethereum Smart Contract Vulnerabilities and Their Fixes
由于智能合约中的漏洞所带来的风险,其安全性近年来受到了极大的关注。然而,缺乏关于智能合约漏洞及其修复的开放数据集,从而可以进行数据驱动的研究。为此,我们提出了一种自动化方法,用于从GitHub和国家漏洞数据库中的常见漏洞和暴露(CVE)记录中挖掘和分类以太坊的智能合约漏洞及其相应的修复。我们在一个完全自动化的框架中实现了所提出的方法,我们称之为AutoMESC。AutoMESC使用七种最知名的智能合约安全工具,根据漏洞类型对收集到的漏洞进行分类和标记。此外,它还收集可用于数据密集型智能合约安全研究的元数据(例如,漏洞检测、漏洞分类、严重性预测和自动修复)。我们使用AutoMESC构建了一个样本数据集,并将其公开。目前,该数据集包含6700个以Solidity编写的智能合约的可行性修复对。我们从准确性、来源和相关性方面评估了构建数据集的质量,并将其与现有数据集进行比较。AutoMESC旨在持续收集数据,并通过GitHub和CVE记录中新发现的智能合约漏洞及其修复程序来更新相应的数据集。
2022-12-20 cs.CR cs.SE
When Verified Source Becomes Attack Input: Defending Smart Contracts Against LLM-Based Vulnerability Scanning
The Hong Kong University of Science and Technology(香港科技大学);Sun Yat-sen University(中山大学)
本文提出DeLLMGuard框架,通过分离源码与运行时执行并验证相关信息,在保留公开源码披露和授权审计的同时,降低LLM智能体对智能合约漏洞扫描的准确性,防御恶意扫描。
2026-08-31 cs.CR cs.SE
A Comprehensive Study of Exploitable Patterns in Smart Contracts: From Vulnerability to Defense
Hainan University(海南大学)
本文全面分析了以太坊智能合约的关键安全风险,重点研究重入和整数溢出两种漏洞的底层机制、攻击复现及有效防御对策。
2025-04-30 cs.AI cs.CR cs.SE
FORGE: An LLM-driven Framework for Large-Scale Smart Contract Vulnerability Dataset Construction
针对手动构建智能合约漏洞数据集的低效与分类不一致问题,提出LLM驱动的自动化框架FORGE,从审计报告提取漏洞并按CWE分类,生成大规模数据集,验证了高精度并揭示现有工具局限。
2025-06-23 cs.CR cs.SE
CrossInspector: A Static Analysis Approach for Cross-Contract Vulnerability Detection
本文提出 CrossInspector 框架,通过 Transformer 恢复语义信息并构建状态依赖图进行细粒度静态分析,有效检测智能合约字节码层面的跨合约漏洞,在精确率、召回率和检测时间上均优于现有工具。
2024-08-27 cs.CR cs.SE
How Do Solidity Versions Affect Vulnerability Detection Tools? An Empirical Study
University of Salerno(萨莱诺大学);University of Luxembourg(卢森堡大学);University of Verona(维罗纳大学)
本文通过实证研究探讨 Solidity 版本演进对智能合约漏洞检测工具在 pragma 指令兼容性、检测有效性和执行时间三个方面的影响,并利用 SmartBugs 框架对大量真实合约进行系统分析。
2026-10-30 cs.SE
Security Is Relative: Training-Free Vulnerability Detection via Multi-Agent Behavioral Contract Synthesis
College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics(南京航空航天大学计算机科学与技术学院)
本文提出Phoenix框架,通过行为合同合成解决漏洞检测中的语义模糊问题,实现更高准确率的漏洞识别,使用开源模型达到更小规模和更优性能。
2026-04-21 cs.CR cs.SE
Bug Searching in Smart Contract
随着以太坊平台上智能合约的疯狂发展,其市值也节节攀升。2016年,人们对DAO重入攻击造成的近5000万美元的加密货币损失感到震惊。由于智能合约中流动的大量资金,其安全性引起了研究人员的广泛关注。在本文中,我们研究了几个常见的智能合约漏洞,并分析了它们可能的场景以及它们可能被利用的方式。此外,我们还调查了近年来以太坊平台的智能合约漏洞检测工具。我们发现这些工具在软件漏洞检测技术上有相似的原型。此外,针对以太坊等公共分发系统的特点,提出了这些软件漏洞检测技术面临的新挑战。
2019-05-02 cs.CR cs.SE
Smart-LLaMA: Two-Stage Post-Training of Large Language Models for Smart Contract Vulnerability Detection and Explanation
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学)
针对智能合约漏洞检测中数据集质量差、LLM领域适应性弱和缺乏解释的问题,提出Smart-LLaMA,通过两阶段后训练实现检测与解释,F1提升6.49%。
2024-11-09 cs.AI cs.CR cs.SE
Multi-Agent Collaborative Fuzzing with Continuous Reflection for Smart Contracts Vulnerability Detection
Southeast University(东南大学)
针对现有智能合约模糊测试工具难以触发复杂漏洞、无效序列多的问题,本文提出大模型驱动的多智能体协同反思模糊测试工具SmartFuzz,经实验验证其漏洞检测能力显著优于现有最优工具。
2025-11-15 cs.CR cs.SE
Unity is Strength: Enhancing Precision in Reentrancy Vulnerability Detection of Smart Contract Analysis Tools
针对智能合约重入漏洞检测工具误报率高且难以适应新攻击模式的问题,提出名为 ReEP 的工具,通过集成和评估多个现有检测工具来验证漏洞并减少误报,将八种工具的平均精确度从0.5%提升至73%,集成后最高达83.6%。
2024-02-15 cs.CR cs.SE
Demystifying Random Number in Ethereum Smart Contract: Taxonomy, Vulnerability Identification, and Attack Detection
本文系统梳理以太坊智能合约伪随机数生成原理与四类攻击,提出基于污点分析的 RNVulDet,可自动识别不良随机性漏洞并检测攻击交易,实验显示其显著优于现有工具。
2023-04-25 cs.CR cs.SE
An Initial Exploration of Fine-tuning Small Language Models for Smart Contract Reentrancy Vulnerability Detection
Centre for DLT, University of Malta(马耳他大学DLT中心);Department of Computer Science, University of Malta(马耳他大学计算机科学系)
本文探索微调小型语言模型以检测Solidity智能合约中的重入漏洞,评估其在开发者计算机上运行的可行性,并验证其在该特定任务上的有效性。
2025-05-25 cs.AI cs.ET cs.LG
To Healthier Ethereum: A Comprehensive and Iterative Smart Contract Weakness Enumeration
针对 SWC 自 2020 年停更的问题,论文基于 86 篇文献和 273 条漏洞描述构建 SWE,归纳 40 类合约弱点并设计持续更新机制。
2023-08-20 cs.SE
Assessing Vulnerability in Smart Contracts: The Role of Code Complexity Metrics in Security Analysis
Università della Svizzera italiana(瑞士意大利语大学)
本研究探讨了代码复杂度度量在识别智能合约安全漏洞中的作用,发现复杂度度量能有效区分安全与脆弱代码,但单一指标不足以直接导致漏洞。
2026-01-23 cs.CR cs.SE
Empirical Review of Smart Contract and DeFi Security: Vulnerability Detection and Automated Repair
本文实证综述了智能合约与DeFi安全领域,将攻击归纳为六类,评估了42种漏洞检测技术和8种自动修复工具,并指出了未来需解决的开放问题。
2023-09-06 cs.CR cs.SE
Solidity Meets LLMs: A Transformer-Based Approach to Smart Contract Vulnerability Detection
University of Oum El Bouaghi(乌姆布阿格大学);Laval University(拉瓦尔大学)
本文提出基于 Transformer 的智能合约漏洞检测方法,利用预训练 LLM 微调 BERT 模型,在 Solidity 代码片段上实现 92% 的 F1 分数,有效增强合约安全性。
2026-09-24 cs.CR cs.SE
SAEL: Leveraging Large Language Models with Adaptive Mixture-of-Experts for Smart Contract Vulnerability Detection
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);State Key Laboratory of Computer Science, Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所计算机科学技术国家重点实验室)
针对现有智能合约漏洞检测方法的局限,提出基于大语言模型的SAEL框架,结合自适应混合专家架构融合多类特征,在多种漏洞检测任务上性能优于现有方法。
2025-07-30 cs.AI cs.CR cs.SE
Vulnerability anti-patterns in Solidity: Increasing smart contracts security by reducing false alarms
本文提出基于开发者视角的Solidity轻量级静态检查方法,用于验证其他工具输出并标记误报,在三种前十漏洞上将误报减少92%至100%。
2024-10-22 cs.CE cs.CR cs.SE
Knowledge Over Parameters: Evolving Smart Contract Vulnerability Detection
Nanyang Technological University(南洋理工大学);Nankai University(南开大学);University of California, Los Angeles(加州大学洛杉矶分校);Imperial College London(伦敦帝国学院);Singapore Management University(新加坡管理大学)
提出EvoVuln框架,将漏洞检测转化为程序性知识演化问题,通过运行时反转控制架构和两阶段演化流水线,仅用少量标注样本自动合成并优化检测逻辑,在五种真实漏洞类型上实现71%宏平均F1分数。
2026-07-03 cs.CR cs.SE
Knowdit: Agentic Smart Contract Vulnerability Detection with Auditing Knowledge Summarization
Nanyang Technological University(南洋理工大学);National Superior College for Engineers, Beihang University(北京航空航天大学高等工程学院);Bitslab;The Chinese University of Hong Kong(香港中文大学)
Knowdit利用审计知识摘要和多智能体框架,通过迭代循环检测智能合约漏洞,有效识别高和中严重性漏洞,优于现有基线方法。
2026-07-02 cs.AI cs.CR cs.SE
Smart-LLaMA-DPO: Reinforced Large Language Model for Explainable Smart Contract Vulnerability Detection
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);Sinosoft Company Limited(软通公司)
针对智能合约漏洞检测中数据集覆盖不足和LLM解释不准的问题,提出基于LLaMA-3.1-8B的Smart-LLaMA-DPO,结合CPT、SFT和DPO,在F1和准确率上分别提升10.43%和7.87%,生成更准确的解释。
2025-06-23 cs.AI cs.CR cs.SE
On the Shoulders of Giants: Empowering Automated Smart Contract Auditing via the GiAnt Corpus
Zhejiang University(浙江大学);Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security(杭州高新技术区(滨江)区块链与数据安全研究所);University of Ottawa(渥太华大学)
提出自动化框架GiANT,从真实审计报告中提取漏洞信息构建高质量数据集GiAnt Corpus,包含7711个漏洞发现,验证了其在漏洞检测等任务中的实用性。
2026-06-05 cs.CR cs.SE
What are the Actual Flaws in Important Smart Contracts (and How Can We Find Them)?
智能合约安全性的一个重要问题是了解合约中发现或潜在弱点的可能性和关键性。在本文中,我们总结了对23个专业利益相关者进行的以太坊智能合约审计,避免了低质量合约中常见的报告问题。这些审计是在区块链安全领域的领先公司进行的,使用了开源和专有工具,以及由专业安全工程师进行的人工代码分析。我们对246个单独的缺陷进行了分类,从而可以比较不同漏洞类型的严重性和频率,比较智能合约和非智能合约缺陷,并评估自动漏洞检测方法的有效性。
2020-01-10 cs.CR cs.PL cs.SE
Static Application Security Testing (SAST) Tools for Smart Contracts: How Far Are We?
本文提出包含45种漏洞类型的细粒度智能合约漏洞分类体系,并构建覆盖40种类型、含788个文件和10,394个漏洞的基准,评估8种SAST工具后发现其漏报约50%、精确率不足10%,同时揭示多工具组合可降低漏报但增加误报,为工具改进与选择提供指导。
2024-06-29 cs.SE
SmartOracle: Generating Smart Contract Oracle via Fine-Grained Invariant Detection
本文提出 SmartOracle,从历史交易中自动挖掘多层细粒度不变量作为漏洞检测预言机,并在 ERC20 不变量和真实漏洞合约交易上验证了高精确率与有效性。
2024-06-14 cs.CR cs.SE
Smart Contracts Claimed Vulnerable by the CVE Database, with Labels and Source Locations
Institute of Computer Engineering, Informatics, TU Wien(TU Wien 计算机工程与信息学研究所);Division of Theoretical Computer ScienceKTH Royal Institute of Technology(KTH皇家理工学院理论计算机科学系);Institute of Logic and Computation, Informatics, TU Wien(TU Wien 逻辑与计算信息学研究所)
本文构建了含491条记录的CVE-Smart-Contracts数据集,针对以太坊智能合约漏洞,经自动化处理及15%人工审核,可支撑代码分析与修复技术评估。
2026-09-02 cs.CR cs.SE
MANDO: Multi-Level Heterogeneous Graph Embeddings for Fine-Grained Detection of Smart Contract Vulnerabilities
L3S Research Center, Leibniz Universität Hannover(汉诺威莱布尼茨大学L3S研究中心);Singapore Management University(新加坡管理大学)
学习由不同类型的节点和边组成的异构图增强了同构图技术的结果。这样的图的一个有趣的例子是控制流图表示可能的软件代码执行流。由于这种图代表了代码的更多语义信息,因此开发用于这种图的技术和工具对于检测软件中的漏洞以提高其可靠性非常有益。然而,现有的异构图技术仍然不足以处理复杂的图,其中不同类型的节点和边的数量是大的和可变的。本文集中讨论以太坊智能合约,作为由异构合约图表示的软件代码样本,这些合约图构建在包含不同类型节点和链接的控制流图和调用图上。我们提出了MANDO,一个新的异构图表示学习这种异构合同图的结构。MANDO提取定制的元路径,这些元路径组成不同类型的节点及其邻居之间的关系连接。此外,它还开发了一个多元路径异构图注意力网络,用于学习不同类型节点及其元路径在异构合约图中的多级嵌入,可以更准确地捕获智能合约的代码语义,并促进细粒度行级和粗粒度合约级漏洞检测。我们对大型智能合约数据集的广泛评估表明,MANDO在粗粒度合约级别上改善了其他技术的漏洞检测结果。更重要的是,它是第一个能够在细粒度行级别识别漏洞的基于学习的方法,并将传统的基于代码分析的漏洞检测方法的F1分数提高了11.35%至70.81%。
2022-09-07 cs.LG cs.SE
Securing Smart Contract Languages with a Unified Agentic Framework for Vulnerability Repair in Solidity and Move
University Of Houston(德克萨斯大学休斯敦分校);Kent State University(肯特州立大学)
本文提出Smartify,一种利用多代理框架和LLMs自动检测并修复Solidity和Move智能合约漏洞的方法,展现其在提升安全性和可靠性方面的显著成效。
2025-11-20 cs.AI cs.CR cs.MA
SmartState: Detecting State-Reverting Vulnerabilities in Smart Contracts via Fine-Grained State-Dependency Analysis
针对智能合约状态回退漏洞检测难题,提出基于细粒度状态依赖分析的SmartState框架,结合字节码与交易数据提取依赖、建模漏洞模式,在实测中取得较高准确率与召回率,还发现大量新漏洞及对应资产风险。
2024-06-23 cs.SE
Are We There Yet? Unraveling the State-of-the-Art Smart Contract Fuzzers
本文系统综述智能合约模糊测试研究,并通过实证评估最新工具,提出多角度性能指标,为未来研究指明方向。
2024-02-05 cs.SE
Impact of Code Transformation on Detection of Smart Contract Vulnerabilities
针对智能合约漏洞检测训练数据集有限的问题,提出基于语义保持代码转换的数据集扩充方法,可生成能绕过现有检测工具的漏洞样本,使检测漏报率最高达100%,数据集规模至少扩大2.5倍。
2024-10-30 cs.CR cs.SE
Automated Invariant Generation for Solidity Smart Contracts
针对智能合约规范缺失导致正确性验证困难的问题,提出基于动态推断与静态验证的不变式生成框架INVCON+,能自动生成经过验证的高质量不变式规范以保护智能合约免受常见漏洞影响。
2024-01-01 cs.SE
SCPatcher: Automated Smart Contract Code Repair via Retrieval-Augmented Generation and Knowledge Graph
Hainan University(海南大学)
本文提出SCPatcher框架,结合检索增强生成与知识图谱实现智能合约漏洞自动修复,通过构建5000个验证过的以太坊合约知识图谱,提升大语言模型推理能力,实现高修复率和编译通过率。
2026-04-01 cs.SE
A Fly in the Ointment: An Empirical Study on the Characteristics of Ethereum Smart Contracts Code Weaknesses and Vulnerabilities
背景:智能合约是在区块链上自动执行的计算机程序。其实施中的漏洞导致了加密货币的严重损失。智能合约在部署到以太坊区块链时变得不可变。因此,必须了解以太坊智能合约中漏洞的性质,以便在未来防止它们。现有的分类是存在的,但在几个方面受到限制。目标:我们的目标是描述用Solidity编写的以太坊智能合约中的漏洞,并统一现有的分类方案。方法:我们从公共编码平台和流行的漏洞数据库中提取了2143个漏洞,并使用卡片排序方法对其进行分类。我们在本文中针对以太坊区块链,因为它是第一个也是最受欢迎的支持智能合约部署的区块链,而Solidity是实现智能合约最广泛使用的语言。我们根据错误来源和影响设计了智能合约漏洞的分类方案。然后,我们将现有的分类方案映射到我们的分类。结果如下:由此产生的分类包括描述脆弱性误差来源的11个类别和描述潜在影响的13个类别。我们的研究结果表明,语言特定的编码和结构的数据流类别是占主导地位的类别,但发生的频率之间的数据源有很大的不同。结论:我们的研究结果使研究人员能够通过定义问题的各个维度来更好地理解智能合约漏洞,并通过基于文献的分类和定义类别的频率分布来支持我们的分类。
2022-03-28 cs.CR cs.SE
Blockchain Smart Contract Threat Detection Technology Based on Symbolic Execution
本文提出基于符号执行的智能合约威胁检测技术,通过递归下降算法恢复控制流图并编码为CHC约束,结合模型检查检测重入漏洞,显著提升检测效率与准确性。
2023-12-24 cs.CR cs.SE