DEPOSafe: Demystifying the Fake Deposit Vulnerability in Ethereum Smart Contracts
近年来,由于区块链技术及其经济生态系统的发展,加密货币出现了爆炸性增长。除了比特币,数以千计的加密货币已经在区块链上分发,而数百个加密货币交易所正在出现,以促进数字资产的交易。同时,也吸引了攻击者的注意。假押金作为与交易所和代币相关的最具代表性的攻击(漏洞)之一,在区块链生态系统中经常被观察到,造成了大量的资金损失。然而,除了一些安全报告外,我们的社区缺乏对该漏洞的了解,例如其规模和影响。在本文中,我们采取了第一步,以揭开假存款漏洞。基于我们总结的基本模式,我们实现了DEPOSafe,这是一个自动化工具,用于检测和验证(利用)ERC-20智能合约中的虚假存款漏洞。DEPOSafe集成了基于符号执行的静态分析和基于行为建模的动态验证等关键技术。通过将DEPOSafe应用于176,000个ERC-20智能合约,我们发现了7,000多个可能遭受两种类型攻击的易受攻击合约。我们的研究结果表明,识别和预防假存款漏洞的紧迫性。
2020-06-11 cs.CR
ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep Neural Network and Transfer Learning
University of Würzburg(维尔茨堡大学);University of California, San-Diego(加利福尼亚大学圣地亚哥分校);Technical University of Darmstadt(达姆施塔特工业大学);University of California, San Diego(加利福尼亚大学圣地亚哥分校)
以太坊智能合约是区块链上的自动化去中心化应用程序,描述了买卖双方之间的协议条款,减少了对可信中介和仲裁的需求。然而,智能合约的部署为加密货币系统引入了新的攻击向量。特别是,智能合约中的编程缺陷可以并且已经被利用来获得巨大的经济利润。因此,以有效的方式检测合同中不同类别的漏洞是一个新出现的关键问题。现有的基于机器学习的漏洞检测方法是有限的,并且仅检查智能合约是否易受攻击,或者针对每个特定漏洞训练单独的分类器,或者在没有可扩展性考虑的情况下演示多类漏洞检测。为了克服现有工作的可扩展性和通用性限制,我们提出了ESCORT,这是第一个基于深度神经网络(DNN)的以太坊智能合约漏洞检测框架,支持对看不见的安全漏洞进行轻量级迁移学习,因此具有可扩展性和通用性。ESCORT利用多输出NN架构,该架构由两部分组成:(i)学习输入合同语义的公共特征提取器;(ii)多个分支结构,其中每个分支基于从特征提取器获得的特征学习特定的漏洞类型。实验结果表明,ESCORT在六种漏洞类型上的平均F1分数为95%,每个合同的检测时间为0.02秒。当扩展到新的漏洞类型时,ESCORT产生的平均F1分数为93%。据我们所知,ESCORT是第一个能够在DNN模型架构和重新训练开销最小的情况下对新漏洞类型进行迁移学习的框架。
2021-03-23 cs.CR cs.LG
Ethereum NFT Smart Contracts: Knowledge-Guided Vulnerability Detection with LLM and Code Slicing
Hainan University(海南大学)
研究以太坊NFT智能合约漏洞检测,结合漏洞聚焦代码切片、ERC-721知识库及受限DeepSeek分析,正则表达式定位候选语句,提取代码切片分析,结果显示聚焦代码上下文和领域约束影响检测器输出,提升阳性标签率。
2026-07-27 cs.CR
Vulnerability Detection in Ethereum Smart Contracts via Machine Learning: A Qualitative Analysis
Ca' Foscari University(卡萨里大学);University of Camerino(坎默里诺大学);University of Udine(乌迪内大学)
本文综述并批判性评估基于机器学习的以太坊智能合约漏洞检测工具与方法,指出漏洞覆盖和数据集构建等问题,并提出改进准确性、范围与效率的实践指南。
2024-07-26 cs.CR cs.LG
Vulnerability Scanners for Ethereum Smart Contracts: A Large-Scale Study
本研究通过大规模多数据集评估17款漏洞扫描器,发现现有工具在检测以太坊智能合约漏洞方面性能普遍不佳,揭示当前技术尚不能有效解决该开放问题。
2023-12-27 cs.CR
TaintSentinel: Path-Level Randomness Vulnerability Detection for Ethereum Smart Contracts
University of Salerno(萨莱诺大学);Luleå University of Technology(吕勒奥理工大学)
针对以太坊智能合约随机数漏洞,本文提出路径敏感的 TaintSentinel,通过规则污点分析、双流神经网络及 PathGNN/GlobalGCN 提升检测精度。
2025-10-21 cs.CR
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
RANDAO-based RNG: Last Revealer Attacks in Ethereum 2.0 Randomness and a Potential Solution
本研究针对以太坊2.0中RANDAO随机数生成方案的最后揭示者攻击,提出基于Shamir秘密共享的改进方案,在有利网络条件下可有效防止该攻击,保障随机性。
2024-03-14 cs.CR
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
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
Examining the Effectiveness of Transformer-Based Smart Contract Vulnerability Scan
Bahcesehir University(巴希谢希尔大学)
本文提出VASCOT,一种基于Transformer的智能合约漏洞扫描器,通过序列分析和滑动窗口机制评估深度学习方法在检测以太坊智能合约漏洞中的有效性,并与LSTM模型进行对比分析。
2026-01-12 cs.CR cs.SY eess.SY
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
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
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
TxT: Real-time Transaction Encapsulation for Ethereum Smart Contracts
以太坊是一个无需许可的区块链生态系统,支持智能合约的执行,是去中心化金融(DeFi)和不可替代代币(NFT)的关键推动者。然而,以太坊智能合约的表现力是一把双刃剑:虽然它实现了区块链的可编程性,但它也引入了安全漏洞,即,合同代码的预期行为和实际行为之间的可利用差异。为了解决这些差异并增加漏洞覆盖率,我们提出了一种新的智能合约安全测试方法,称为交易封装。其核心思想在于在完全同步但隔离的以太坊节点上本地执行交易,这会在区块链的当前状态下创建交易序列结果的预览。这种方法提出了一个关键的技术挑战--众所周知的检查时间/使用时间(TOCTRIO)问题,即,确保最终事务将呈现与封装的测试事务相同的执行路径。在这项工作中,我们确定了测试交易的保证执行路径可复制性的确切条件,并实现了一个交易测试工具TxT,它揭示了以太坊交易的实际结果。为了确保测试的正确性,TxT确定性地验证给定的事务序列是否在区块链的当前状态上具有相同的执行路径。我们分析了超过13亿笔以太坊交易,并确定其中96.5%可以通过TxT进行验证。我们进一步表明,TxT成功地揭示了智能合约弱点分类(SWC)注册表中37个漏洞中的31个(83.8%覆盖率)相关的可疑行为。相比之下,所有现有防御方法的漏洞覆盖率仅为40.5%。
2023-01-20 cs.CR cs.DC
SmartBugBert: BERT-Enhanced Vulnerability Detection for Smart Contract Bytecode
School of Cyberspace Security, Hainan University(海南大学网络空间安全学院)
SmartBugBert通过结合BERT和CFG分析,高效检测智能合约中的四种关键漏洞类型,达到高精度和召回率。
2026-01-31 cs.CR
SAEFUZZ: Smart Contract Vulnerability Detection through Statically Guided Evolutionary Fuzzing
Hainan University(海南大学)
SAEFUZZ是一种基于静态引导进化模糊测试的智能合约漏洞检测方法,通过构建以太坊虚拟机控制流图等技术,在带标签合约检测中获98.50%准确率等指标,各关键组件均对性能有贡献。
2026-08-18 cs.CR
A Survey on Ethereum Systems Security: Vulnerabilities, Attacks and Defenses
区块链技术被许多人认为是许多应用领域的游戏规则改变者,特别是金融应用。虽然第一代区块链技术(即,区块链1.0)几乎完全用于加密货币目的,第二代(即,以以太坊为代表的区块链2.0是一个开放的去中心化平台,它实现了一种新的计算范式--运行在区块链之上的去中心化应用程序(DApps)。DApps丰富的应用程序和语义不可避免地引入了许多安全漏洞,这些漏洞在比特币等纯加密货币系统中没有对应的漏洞。由于以太坊是一个新的,但复杂的系统,因此必须从整体的角度对其安全性进行系统和全面的了解,这是不可用的。据我们所知,本调查报告填补了这一空白。特别是,我们系统化了以太坊系统安全的三个方面:漏洞、攻击和防御。除其他外,我们还深入了解了漏洞的根本原因、攻击后果和防御能力,这些都为未来的研究方向提供了指导。
2019-08-13 cs.CR
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
Simple Perturbations Subvert Ethereum Phishing Transactions Detection: An Empirical Analysis
University of Central Florida(中佛罗里达大学)
本文通过实证分析揭示随机森林、决策树和K近邻等模型在以太坊钓鱼交易检测中对简单单特征对抗攻击的脆弱性,并评估对抗训练与增强特征选择等缓解策略对提升模型鲁棒性的效果。
2024-08-06 cs.CR cs.LG
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
A security framework for Ethereum smart contracts
针对智能合约漏洞分析工具异构、学习曲线陡峭的问题,提出以太坊安全分析框架ESAF,统一并简化漏洞分析,兼具持久监控与经典分析功能。
2024-02-05 cs.CR
SCRUBD: Smart Contracts Reentrancy and Unhandled Exceptions Vulnerability Dataset
本研究针对现有智能合约漏洞标注数据集场景覆盖有限、标注有误的问题,构建了同时含真实与合成样本、标注RE和UX漏洞的SCRUBD数据集,对比六款检测工具性能,得出不同场景下的最优工具。
2024-12-13 cs.CR
EtherSolve: Computing an Accurate Control-Flow Graph from Ethereum Bytecode
由于以太坊智能合约及其交易的不可变性,已经提出了很多方法来检测缺陷和安全问题,然后智能合约在区块链中变得持久,并被授予对大量财务价值的控制权。由于智能合约源代码可能不可用,静态分析方法主要面临分析编译的以太坊字节码的挑战,这些字节码可直接从官方区块链获得。然而,由于以太坊字节码的内在复杂性(特别是在跳转解析方面),静态分析遇到了重大障碍,降低了现有自动化工具的准确性。本文提出了一种新的基于以太坊操作数堆栈的符号执行的静态分析算法,该算法允许我们解决以太坊字节码中的跳转,并构建编译智能合约的精确控制流图(CFG)。EtherSolve是我们方法的原型实现。在一组重要的现实世界以太坊智能合约上的实验结果表明,EtherSolve相对于最先进的可用方法提高了被执行的CFG的准确性。许多静态分析技术基于代码的CFG表示,因此将受益于CFG的准确提取。例如,我们实现了EtherSolve的一个简单扩展,允许检测重入漏洞的实例。
2021-03-16 cs.CR cs.SE
V-Gas: Generating High Gas Consumption Inputs to Avoid Out-of-Gas Vulnerability
当智能合约程序被提供导致过度气体消耗的输入时,会发生气体耗尽错误,并且很容易被利用来进行DoS攻击。已经提出了多种方法来估计智能合约中函数的gas限制,以避免这种错误。然而,低估往往发生在合同是复杂的。在这项工作中,我们提出了V-Gas,它可以自动生成输入,最大限度地提高天然气成本,减少估计不足的情况。V-Gas基于反馈导向突变模糊测试设计。首先,V-Gas构建智能合约中函数的气体加权控制流图(CFG)。然后,V-Gas开发了气体消耗引导的选择和变异策略,以生成最大化气体消耗的输入。为了进行评估,我们基于js-evm(一种用JavaScript编写的广泛使用的以太坊虚拟机)实现了V-Gas,并对以太坊上记录的736笔真实交易进行了实验。44.02%的交易在solc给出的估算结果下会出现缺气误差,这意味着这些记录的交易的实际耗气量大于solc估算的耗气量限值。而V-Gas可将低估率降低至13.86%。此外,V-Gas在这些广泛使用的智能合约中暴露了25个以前未知的漏洞,其中5个在美国国家漏洞数据库中分配了唯一的CVE标识符。
2021-02-19 cs.CR
EtherClue: Digital investigation of attacks on Ethereum smart contracts
以太坊智能合约中的编程错误可能会导致被盗加密货币造成灾难性的财务损失。虽然漏洞检测器可以阻止部署易受攻击的合约,但这并不意味着不会部署此类合约。一旦易受攻击的合同在区块链上实例化并成为攻击的目标,识别利用交易就变得不可或缺,以评估它是否实际被利用,并确定涉及哪些恶意或被破坏的账户。在这项工作中,我们研究了以太坊攻击的事后调查问题,使用专门为区块链设计的妥协指标(IoC)。IoC定义需要在以太坊区块链的上下文中捕获成功利用的副作用。因此,我们定义了一个智能合约执行模型,包括多个抽象级别,这些抽象级别反映了区块链上代码执行的多个视图。随后,我们通过EtherClue(一种用于调查以太坊安全事件的原型工具)比较了不同级别定义的IoC的有效性和实用性。我们的研究结果表明,在交易块上定义的粗粒度IoC可以用更少的计算来检测利用交易;然而,它们是特定于合同的,并且会出现误报。另一方面,在虚拟机指令上定义的细粒度IoC可以以增加的计算为代价避免这些陷阱,但这仍然适用于实际使用。
2021-09-02 cs.CR
EthCluster: An Unsupervised Static Analysis Method for Ethereum Smart Contract
Institute of Information Security National Tsing Hua University Hsinchu, Taiwan;Department of Computer Science National Tsing Hua University Hsinchu, Taiwan
EthCluster提出一种基于无监督聚类和离群点检测的以太坊智能合约静态分析方法,利用真实漏洞数据集训练模型,可检测重入、访问控制等五类漏洞。
2026-10-15 cs.CR
Hunting for Re-Entrancy Attacks in Ethereum Smart Contracts via Static Analysis
以太坊智能合约是在由点对点网络管理的基于共识的区块链中部署和执行的程序。近年来,已经发现了几种旨在窃取以太坊中使用的加密货币Ether的重入攻击,这些加密货币存储在部署的智能合约中。这种攻击的对策是基于执行智能合约本身的动态分析,但它需要花费以太币和提前分析攻击模式的知识。在本文中,我们提出了一个名为\textit{RA (Re-entrancy Analyzer)}的静态分析工具,它结合了符号执行和等价性检查,通过可满足性模理论求解器来分析智能合约对重入攻击的脆弱性。与现有工具相比,RA支持仅使用目标智能合约的以太坊虚拟机字节码来分析合约间行为,即,即使事先不知道攻击模式,也不消耗以太币。此外,RA可以在不执行智能合约的情况下验证是否存在重入攻击漏洞,并且不会提供误报和漏报。我们还提出了一个RA的实现,以评估其在分析部署的智能合约对重入攻击的脆弱性方面的性能,并表明RA可以精确地确定哪些智能合约是脆弱的。
2020-07-02 cs.CR
Efficient Avoidance of Vulnerabilities in Auto-completed Smart Contract Code Using Vulnerability-constrained Decoding
Norwegian University of Science and Technology(挪威科技大学);Southeast University(东南大学)
针对大语言模型合成的自动补全代码存在大量漏洞的问题,提出漏洞约束解码方法,通过微调模型生成漏洞标签并在解码时禁止生成,有效降低了以太坊智能合约自动补全中的漏洞率。
2023-10-06 cs.AI cs.CL cs.CR
Sereum: Protecting Existing Smart Contracts Against Re-Entrancy Attacks
最近,一些现有的区块链系统在智能合约中出现了重大错误和漏洞。尽管文献中有许多关于保护智能合约的建议,但这些建议主要集中在证明合约中某种类型的漏洞的正确性或不存在,但无法保护已部署的(遗留)合约免受利用。在本文中,我们在重入漏洞的背景下解决了这个问题,并提出了一种新的智能合约安全技术,称为Sereum(安全以太坊),它可以基于运行时监控和验证以向后兼容的方式保护现有的已部署合约免受重入攻击。Sereum不需要任何修改,也不需要现有合约的任何语义知识。通过使用以太坊区块链的实现和评估,我们表明Sereum覆盖了智能合约的实际执行流程,可以准确地检测和防止攻击,误报率低至0.06%,运行时开销可以忽略不计。作为一个副产品,我们开发了三个先进的重入攻击,以证明现有的离线漏洞分析工具的局限性。
2018-12-14 cs.CR
SCSGuard: Deep Scam Detection for Ethereum Smart Contracts
智能合约是区块链系统的构建块,可以实现自动点对点交易和分散服务。随着智能合约的日益普及,区块链系统,特别是以太坊,已经成为各种欺诈活动的“天堂”,其中庞氏骗局,蜜罐和网络钓鱼是突出的。通过分析代码和函数调用,形式化验证和符号分析已被用于打击这些破坏性的骗局,但每个\emph{individual}骗局的漏洞应谨慎地预定义。在这项工作中,我们提出了SCSGuard,这是一种新型的深度学习欺诈检测框架,它利用智能合约的自动提取字节码作为其新功能。我们设计了一个具有注意力机制的GRU网络,从\emph{N-gram bytecode}模式中学习,并确定智能合约是否具有欺诈性。我们的框架是优于基线算法在三个方面。首先,SCSGuard为不同类型的诈骗提供了统一的解决方案,从而减轻了对代码分析技能的需求。其次,SCSGuard的推理速度比代码分析快几个数量级。第三,实验结果表明,SCSGuard实现了较高的准确率(0.92 $\sim$ 0.94),精确率(0.94 $\sim$ 0.96\%)和召回率(0.97 $\sim$ 0.98)庞氏骗局和蜜罐骗局在类似的设置,并有可能用于检测新的钓鱼智能合约。
2021-05-21 cs.CR
PhishingHook: Catching Phishing Ethereum Smart Contracts leveraging EVM Opcodes
PhishingHook通过直接分析智能合约字节码和操作码,利用机器学习检测钓鱼活动,在7,000个真实恶意合约上比较16种技术,平均准确率约90%。
2025-06-24 cs.CR
Correlating Account on Ethereum Mixing Service via Domain-Invariant feature learning
针对以太坊混币账户关联中标签稀缺与噪声标注问题,提出 StealthLink 框架,利用 MixFusion 子图编码和对抗域对齐迁移异常检测知识,在 10-shot 场景取得 96.98% F1。
2025-05-15 cs.CR
All Your Tokens are Belong to Us: Demystifying Address Verification Vulnerabilities in Solidity Smart Contracts
本文针对以太坊智能合约中未充分研究的地址验证漏洞,设计并实现了基于静态EVM操作码模拟的轻量级污点分析器AVVERIFIER,实现了高精确率与召回率,并发现了大量未披露的漏洞合约。
2024-05-31 cs.CR cs.SE
A Risk-Stratified Benchmark Dataset for Bad Randomness (SWC-120) Vulnerabilities in Ethereum Smart Contracts
University of Salerno(萨莱诺大学);University of Portsmouth(朴茨茅斯大学)
本文提出一个包含1752个以太坊智能合约的基准数据集,用于评估和改进Bad Randomness漏洞的检测工具,通过函数级验证和风险分级揭示现有工具的局限性。
2026-01-14 cs.CR
SmartBugs 2.0: An Execution Framework for Weakness Detection in Ethereum Smart Contracts
针对以太坊智能合约分析工具难比较、接口异构且部署耗时的问题,本文提出模块化框架 SmartBugs 2.0,统一接入19个工具并支持 Solidity 与 EVM 字节码,通过社区采用情况和325万次分析验证其价值与可扩展性。
2023-06-08 cs.CR cs.SE
G-Scan: Graph Neural Networks for Line-Level Vulnerability Identification in Smart Contracts
本文提出 G-Scan,通过保留依赖与层次结构的代码图和图神经网络实现智能合约重入漏洞的端到端行级定位,并在真实标注数据集上取得高 F1 分数与毫秒级检测效率。
2023-07-17 cs.CR
Prompt Engineering vs. Fine-Tuning for LLM-Based Vulnerability Detection in Solana and Algorand Smart Contracts
University of Salerno(萨莱诺大学)
针对Solana与Algorand非EVM智能合约漏洞检测场景,本文构建专属标注数据集,对比提示工程、微调及混合方案的LLM检测性能,验证了整合领域数据的LLM方案的可行性。
2025-11-14 cs.CR
Smart Contract Vulnerability Detection Technique: A Survey
智能合约是区块链最成功的应用之一,正在席卷全球,在区块链生态系统中发挥着至关重要的作用。然而,频繁的智能合约安全事件不仅造成了巨大的经济损失,也破坏了基于区块链的信用体系。因此,智能合约的安全性和可靠性得到了全球研究人员的广泛关注。在本次调查中,我们首先从三个层面总结了智能合约漏洞的常见类型和典型案例,即:Solidity代码层、EVM执行层和Block依赖层。此外,我们回顾了智能合约漏洞检测的研究进展,并将现有的同行分为五类,即,形式化验证、符号执行、模糊检测、中间表示和深度学习。从经验上讲,我们以以太坊上部署的300个真实智能合约作为测试样本,并在准确性,F1分数和平均检测时间方面比较了代表性方法。最后讨论了智能合约漏洞检测领域面临的挑战,并结合深度学习技术展望了未来的研究方向。
2022-09-13 cs.CR cs.PL
Vulnerability and Transaction behavior based detection of Malicious Smart Contracts
IIT Kanpur(印度理工学院坎普尔分校)
以太坊中的智能合约(SC)可以自动执行任务,并为用户提供不同的功能。这种自动化是由编写SC的程序设计语言(Solidity)的“图灵完备”性质实现的。这也在SC中打开了不同的漏洞和错误,恶意行为者利用这些漏洞在加密货币平台上进行恶意或非法活动。在这项工作中,我们研究了恶意活动和SC中存在的漏洞之间的相关性,并发现一些恶意活动与某些类型的漏洞相关。然后,我们开发和研究的可行性的评分机制,对应的严重性存在于SC的漏洞,以确定它是否是一个相关的功能,以确定可疑的SC。我们分析了效用的严重性分数对检测可疑SC使用无监督机器学习(ML)算法在不同的时间粒度和识别行为的变化。在我们对链上SC的实验中,我们能够在不同粒度上找到总共1094个良性SC,它们的行为与恶意SC相似,并在功能集中包含智能合约漏洞评分。
2021-06-25 cs.CR cs.DC cs.LG
Graph Neural Networks Enhanced Smart Contract Vulnerability Detection of Educational Blockchain
Central China Normal University(华中师范大学);CCNU Wollongong Joint Institute(华中师范大学伍伦贡联合研究院);Hubei University of Technology(湖北工业大学)
随着区块链技术的发展,区块链与教育的交叉越来越受到关注,各种教育评价系统和E-learning系统都是基于区块链技术开发的。其中,以太坊智能合约因其构建教育智能交易系统和智能学习平台的“事件触发”机制而备受开发者青睐。然而,由于区块链的不变性,发布的智能合约无法修改,因此无法通过修改教育区块链中的代码来修复有问题的合约。近年来,由于智能合约漏洞导致的安全事件造成了巨大的财产损失,因此教育区块链中智能合约漏洞的检测成为一个巨大的挑战。为了解决这个问题,本文提出了一种基于图神经网络(GNN)的教育区块链智能合约漏洞检测方法。首先对字节码进行反编译得到操作码。其次,划分基本块,并根据操作码执行逻辑添加基本块之间的边。然后,建立控制流图(CFG)。最后,我们设计了一个基于GNN的漏洞检测模型。实验结果表明,该方法对智能合约的漏洞检测是有效的。与传统方法相比,该方法在减少GCN模型层数的情况下也能得到较好的检测结果,表明契约字节码和GCN模型在漏洞检测方面是有效的。
2023-03-08 cs.CR cs.LG
TraceLLM: Security Diagnosis Through Traces and Smart Contracts in Ethereum
针对以太坊智能合约安全分析存在的代码未验证、轨迹分析依赖人工等问题,提出结合执行轨迹与反编译代码的TraceLLM框架,构建首个相关基准,在多组实验中准确率优于基线,泛化性较强。
2025-09-03 cs.CR cs.ET cs.SE
Smart Contract Security Beyond Detection
本文探讨智能合约安全研究的新方向,包括语义推理、自动修复、对抗鲁棒性和实时漏洞检测,提出四个研究方向并连接最新研究成果,帮助学生制定技术扎实、可测量的毕业设计。
2026-05-16 cs.CR
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
AI Agent Smart Contract Exploit Generation
University College London(伦敦大学学院);The University of Sydney(悉尼大学);Decentralized Intelligence AG(去中心化智能有限公司);UC Berkeley RDI(伯克利大学RDI)
A1通过代理系统结合大语言模型,实现智能合约漏洞的高效生成与验证,成功率达63%,并揭示了攻击与防御在经济上的不对称性。
2026-01-12 cs.AI cs.CR
Soley: Identification and Automated Detection of Logic Vulnerabilities in Ethereum Smart Contracts Using Large Language Models
本研究针对以太坊智能合约逻辑漏洞问题,提出基于大语言模型的Soley自动化检测方法,识别出9种新型漏洞及对应缓解策略,检测性能优于现有基线方法。
2024-06-24 cs.CR cs.ET
BlockScope: Detecting and Investigating Propagated Vulnerabilities in Forked Blockchain Projects
由于区块链生态系统的开源性质,新的区块链通常会分叉或部分重用经典区块链的代码。例如,流行的Dogecoin,Litecoin,Binance BSC和Polygon都是比特币/以太坊的变体。因此,这些“分叉”区块链可能会遇到类似的漏洞,这些漏洞在分叉或随后的提交获取过程中从比特币/以太坊传播。在本文中,我们对分叉区块链项目中传播的漏洞进行了系统的研究。为了促进这项研究,我们提出了BlockScope,这是一种新的工具,可以有效地检测多种类型的克隆漏洞,并输入现有的比特币/以太坊安全补丁。具体来说,BlockScope采用了基于相似度的代码匹配,并设计了一种新的计算代码相似度的方法,以覆盖所有语法范围的变体(即,1型、2型和3型)克隆。此外,BlockScope自动提取并利用补丁代码的上下文来缩小搜索范围,并仅定位潜在相关的代码进行比较。我们的评估表明,BlockScope实现了良好的准确率和高召回率,均为91.8%(比ReDeBug高1.8倍)。BlockScope允许我们在比特币和以太坊的16个分叉项目中的13个项目中发现101个以前未知的漏洞,其中16个来自Dogecoin,6个来自Litecoin,1个来自Binance,4个来自Optimism。我们已经向他们的开发人员报告了所有漏洞;其中40个已经修补或接受,66个已经确认或正在等待,只有4个被拒绝。我们进一步研究了发现的…
2023-02-21 cs.CR
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
Interaction-Aware Vulnerability Detection in Smart Contract Bytecodes
针对以太坊多数智能合约不开源、现有字节码漏洞检测忽略函数接口的问题,提出整合语义上下文与函数接口的COBRA框架及SRIF签名推断方法,在不同场景下均取得优异检测效果。
2025-09-03 cs.CR
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
Combining Graph Neural Networks with Expert Knowledge for Smart Contract Vulnerability Detection
Zhejiang Gongshang University(浙江工商大学);Zhejiang University(浙江大学);National University of Singapore(新加坡国立大学);Southern University of Science and Technology(南方科技大学);Zhejiang Lab(之江实验室)
由于黑客攻击造成的巨大损失,智能合约漏洞检测近年来受到广泛关注。现有的合同安全分析工作严重依赖于专家定义的严格规则,这些规则是劳动密集型的,不可扩展的。更重要的是,专家定义的规则往往容易出错,并且存在被狡猾的攻击者欺骗的固有风险。最近的研究集中在用于漏洞检测的智能合约的符号执行和形式化分析上,尚未实现精确和可扩展的解决方案。尽管已经提出了几种方法来检测智能合约中的漏洞,但仍然缺乏考虑将专家定义的安全模式与深度神经网络相结合的努力。在本文中,我们探索使用图神经网络和专家知识的智能合约漏洞检测。具体地说,我们将源代码的丰富的控制流和数据流语义转换为契约图。为了突出图中的关键节点,我们进一步设计了一个节点消除阶段来规范化图。然后,我们提出了一种新的时间消息传播网络提取的图形特征的规范化图,并结合设计的专家模式,产生一个最终的检测系统的图形特征。对所有在以太坊和VNT Chain平台上具有源代码的智能合约进行了广泛的实验。实验结果表明,在三种类型的漏洞,我们的方法的检测准确率达到89.15%,89.02%,和83.21%的可重入性,时间戳依赖性和无限循环漏洞,分别为国家的最先进的方法显着的准确性提高。
2021-07-24 cs.CR cs.LG cs.PL
Uncover the Premeditated Attacks: Detecting Exploitable Reentrancy Vulnerabilities by Identifying Attacker Contracts
本文提出 BlockWatchdog 工具,通过识别攻击者合约和重入调用流来检测真正可利用的重入漏洞,并能发现 ERC 代币或自定义接口导致的新型重入漏洞,在 42 万余个以太坊合约中识别出价值约 9.086 亿美元的攻击。
2024-03-28 cs.CR cs.SE
Empirical Vulnerability Analysis of Automated Smart Contracts Security Testing on Blockchains
新兴的区块链技术支持去中心化计算范式的转变,并且是一种快速接近的现象。虽然区块链主要被认为是比特币的基础,但由于智能合约的引入,其应用已经远远超出了加密货币。智能合约是一种自我执行的软件,它驻留并运行在托管区块链上。使用基于区块链的智能合约进行安全和透明的管理,以管理互联网环境(主要是物联网)中的交互(身份验证、连接和交易),是研究和实践的一个利基领域。然而,由于底层特定领域语言的复杂语义及其可测试性,编写值得信赖和安全的智能合约可能具有巨大的挑战性。有一些引人注目的事件表明,区块链智能合约可能包含各种代码安全漏洞,从而引发财务损害。当涉及到智能合约的安全性时,拥有编写合约能力的开发人员应该能够在将其部署到区块链上的不可变环境之前测试其代码,以诊断安全漏洞。然而,只有少数智能合约的安全测试工具。这意味着现有的自动智能合约安全测试研究还不够充分,仍处于起步阶段。为了更容易地实现区块链智能合约在安全和隐私方面的应用,我们应该在广泛实施之前首先了解它们的漏洞。因此,本文的目标是对当前静态智能合约安全测试工具进行一次影响深远的实验性评估,为目前应用最广泛的区块链、以太坊及其领域专用程序设计语言Solidity提供第一...
2018-09-07 cs.CR
HoRStify: Sound Security Analysis of Smart Contracts
加密货币以太坊是智能合约使用最广泛的执行平台。智能合约是分布式应用程序,可以管理金融资产,因此可以实现先进的金融工具,如去中心化交易所或自治组织(DAO)。它们的金融性质使智能合约成为一个有吸引力的攻击目标,正如对流行合约的大量利用所证明的那样,这些利用导致了数百万美元的经济损失。这种无处不在的攻击危险激发了对健全的静态分析工具的需求,这些工具可以帮助智能合约开发人员在部署之前消除合约漏洞。对EVM合约进行合理且有见地的漏洞评估是一项艰巨的挑战,因为合约在一个基本未知且可能充满敌意的执行环境中执行低级字节码。到目前为止,还没有可证明的可靠的自动分析器,允许基于程序依赖性验证安全属性,即使流行的攻击类属于这一类。在这项工作中,我们提出了HoRstify,这是第一个基于声音静态分析的以太坊智能合约依赖属性的自动分析器。HoRStify的理由,其合理性证明的静态程序切片,我们实例化的EVM字节码的语义的正式证明框架。我们证明了HoRStify足够灵活,可以充分验证不存在著名的攻击类,如时间戳依赖,同时,性能足以分析现实世界的智能合约。
2023-01-31 cs.CR