文章详情

摘要

智能合约作为区块链系统中的核心执行单元，被广泛应用于去中心化金融、数字资产交易等场景。然而，智能合约一旦部署便难以修改，其代码中存在的漏洞极易被攻击者利用，造成严重的安全风险和经济损失。现有漏洞检测方法多依赖人工规则、静态分析或符号执行，虽然对特定漏洞具有一定检测能力，但在多分类任务中普遍存在特征依赖强、语义建模不足和泛化能力有限等问题。为此，本文提出一种面向智能合约漏洞多分类的层次化深度学习方法。该方法从智能合约的层次结构出发，构建标记级、函数级和合约级三层语义建模框架：首先利用自注意力机制对代码标记进行上下文表示学习，提取局部语义特征；然后对函数内部的语句表示进行聚合与编码，学习函数级行为模式；最后在合约层面融合多个函数表示，捕获全局语义依赖，并完成漏洞类别预测。该方法完全基于端到端神经网络，不依赖人工设计的漏洞规则或专家特征。实验结果表明，所提方法在智能合约漏洞多分类任务上能够取得较好的检测效果，验证了层次化语义建模对提升漏洞识别性能的有效性。

关键词

智能合约；漏洞检测；多分类；层次化建模；深度学习

参考文献

1. [1] 刘哲旭，李雷孝，刘东江，等.智能合约漏洞检测与修复研究综述 [J].计算机科学与探索，2025，19（4）：854-876.
2. [2] 李芳，李卓然，赵赫.区块链跨链技术进展研究 [J].软件学报，2019，30（6）：1649-1660.
3. [3] 赵波，上官晨晗，彭小燕，等.基于语义感知图神经网络的智能合约字节码漏洞检测方法 [J].工程科学与技术，2022，54（2）：49-55.
4. [4] Atzei N，Bartoletti M，Cimoli T. A Survey of Attacks on Ethereum Smart Contracts (SoK) [C]//Principles of Security and Trust，2017：164-186.
5. [5] Luu L，Chu D H，Olickel H，et al. Making Smart Contracts Smarter [C]//Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security，2016：254-269.
6. [6] Eskandari S，Moosavi S，Clark J. SoK: Transparent Dishonesty: Front-Running Attacks on Blockchain [C]//Financial Cryptography and Data Security，2020：170-189.
7. [7] Rodler M，Li W T，Karame G O，et al. Sereum: Protecting Existing Smart Contracts Against Re-Entrancy Attacks [C]//Proceedings of the 26th Annual Network and Distributed System Security Symposium (NDSS 2019)，2019：1-15.
8. [8] Tikhomirov S，Voskresenskaya E，Ivanitskiy I，et al. SmartCheck: Static Analysis of Ethereum Smart Contracts [C]//Proceedings of the 1st IEEE/ACM International Workshop on Emerging Trends in Software Engineering for Blockchain，2018：9-16.
9. [9] Jiang B，Liu Y，Chan W K. ContractFuzzer: Fuzzing Smart Contracts for Vulnerability Detection [C]//Proceedings of the 33rd ACM/IEEE International Conference on Automated Software Engineering，2018：259-269.
10. [10] HajiHosseinKhani S，Habibi Lashkari A，Mizani Oskui A. Unveiling Smart Contract Vulnerabilities: Toward Profiling Smart Contract Vulnerabilities Using Enhanced Genetic Algorithm and Generating Benchmark Dataset [J/OL].Blockchain: Research and Applications，2025，6（2）：100253.https://doi.org/10.1016/j.bcra.2024.100253.
11. [11] Ince P，Luo X P，Yu J S，et al. Detect Llama - Finding Vulnerabilities in Smart Contracts Using Large Language Models [C]//Information Security and Privacy，2024：424-443.
12. [12] Zaazaa O，El Bakkali H. SmartLLMSentry: A Comprehensive LLM Based Smart Contract Vulnerability Detection Framework [J].Journal of Metaverse，2024，4（2）：126-137.
13. [13] Ding H，Liu Y Z，Piao X F，et al. SmartGuard: An LLM-Enhanced Framework for Smart Contract Vulnerability Detection [J/OL].Expert Systems with Applications，2025，269：126479.https://doi.org/10.1016/j.eswa.2025.126479.
14. [14] Sun H X，Yu X A，Li J L，et al. Smart Contract Vulnerability Detection Based on Symbolic Execution and Graph Neural Networks [J].Computers, Materials & Continua，2026，86（2）：1-15.
15. [15] Xia S H，He M T，Shao S，et al. SymGPT: Auditing Smart Contracts via Combining Symbolic Execution with Large Language Models [J].Proceedings of the ACM on Programming Languages，2026，10（OOPSLA1）：482-512.
16. [16] Susan Ș C，Arusoaie A，Lucanu D. Validating Solidity Code Defects Using Symbolic and Concrete Execution Powered by Large Language Models [J].Electronic Proceedings in Theoretical Computer Science，2025，427：98-116.
17. [17] Chang S Y，Geng C，Huang H P，et al. CodeSpeak: Improving Smart Contract Vulnerability Detection via LLM-Assisted Code Analysis [J/OL].Journal of Systems and Software，2026，231：112635.https://doi.org/10.1016/j.jss.2025.112635.
18. [18] Wei Z Y，Sun J，Zhang Z J，et al. LLM-SmartAudit: Advanced Smart Contract Vulnerability Detection [PP/OL].（2024-10-12）.https://arxiv.org/abs/2410.09381.
19. [19] Xu C，Xu H Y，Zhu L H，et al. Enhanced Smart Contract Vulnerability Detection via Graph Neural Networks: Achieving High Accuracy and Efficiency [J].IEEE Transactions on Software Engineering，2025，51（6）：1854-1865.
20. [20] Mandana E，Vlahavas G，Vakali A. EVuLLM: Ethereum Smart Contract Vulnerability Detection Using Large Language Models [J/OL].Electronics，2025，14（16）：3226.https://doi.org/10.3390/electronics14163226.
21. [21] Luo F，Luo R J，Chen T，et al. SCVHunter: Smart Contract Vulnerability Detection Based on Heterogeneous Graph Attention Network [C]//Proceedings of the IEEE/ACM 46th International Conference on Software Engineering，2024：1-13.
22. [22] Tereshchenko O，Komleva N. Vulnerability Detection of Smart Contracts Based on Bidirectional GRU and Attention Mechanism [C]//Information and Communication Technologies in Education, Research, and Industrial Applications，2023：276-287.
23. [23] Li Y A，Guo R，Wang G P，et al. An Efficient Detection Model for Smart Contract Reentrancy Vulnerabilities [C]//Smart Computing and Communication，2023：350-359.
24. [24] Wu H J，Zhang Z，Wang S W，et al. Peculiar: Smart Contract Vulnerability Detection Based on Crucial Data Flow Graph and Pre-Training Techniques [C]//2021 IEEE 32nd International Symposium on Software Reliability Engineering (ISSRE)，2021：378-389.
25. [25] Chen Y Z，Sun Z Y，Gong Z H，et al. Improving Smart Contract Security with Contrastive Learning-Based Vulnerability Detection [C]//Proceedings of the IEEE/ACM 46th International Conference on Software Engineering，2024：1-11.

基金项目

广州市科技局基础与应用基础研究项目（202102020637）；数据安全治理与隐私计算广东省工程研究中心开放课题（DSGPC20250202）

作者简介

杨惜爱（1983—），女，汉族，广东潮州人，高级工程师，本科，研究方向：科技管理、成果转化、数字资产交易安全等；李世龙（2000.05—），男，汉族，山东聊城人，硕士研究生在读，研究方向：区块链安全；邢勇（1981.03—），男，汉族，江苏人，博士科技（集团）副总裁、生态合作中心总经理，兼任广东博士创新发展促进会副秘书长、广东省江苏商会副会长，硕士研究生，研究方向：产业生态合作、科创成果转化；胡宇（1995.02—），男，汉族，四川德阳人，校聘副教授，博士研究生，研究方向：无监督机器学习、高维数据挖掘、图神经网络、域自适应、生物信息数据分析；通信作者：姜思羽（1992.04—），女，满族，广东广州人，副教授，硕士研究生导师，博士研究生，研究方向：迁移学习、机器学习、智能软件工程、软件缺陷预测。