VulGNN:一种高保真度的图神经网络框架,用于可靠地检测智能合约中的漏洞

《Advanced Engineering Informatics》:VulGNN: A high-fidelity graph neural network framework for robust smart contract vulnerability detection

【字体: 大 中 小 】 时间:2026年04月26日 来源:Advanced Engineering Informatics 9.9

编辑推荐:

  智能合约漏洞检测研究提出VulGNN-SG框架,通过自动化数据预处理构建高质量数据集,并采用双通道图神经网络模型融合拓扑信息与路径语义,在标准数据集上达到92.69% F1分数,集成版本VulGNN-SG+提升鲁棒性。

  
Xinyi Chen|Weihua Bai|Jialing Zhao|Tao Huang|Huibing Zhang|Teng Zhou|Keqin Li
肇庆大学计算机科学与软件学院,中国广东省肇庆市526061

摘要

智能合约是区块链系统的基本组成部分,用于执行数字资产转移和协议逻辑。它们的安全性直接影响区块链生态系统的可靠性和稳定性。最近,基于图神经网络(GNN)的方法在漏洞检测方面显示出潜力,因为它们能够对结构化代码进行建模。然而,进展往往受到噪声较大且结构不一致的公共数据集以及实现复杂性的限制,这些因素阻碍了结果的可重复性。本文提出了一种高保真度且可扩展的智能合约漏洞检测流程。该流程整合了自动化的数据整理程序,从经过验证的Etherscan源代码中构建出干净、平衡且结构一致的数据集。在整理好的图的基础上,我们开发了一种双通道架构,该架构能够并行建模拓扑信息传递和遍历衍生的边路径语义,从而生成表达性强的代码表示,称为VulGNN-SG。在PyTorch Geometric上实现后,VulGNN-SG在一致的评估协议下,在基准数据集上的F1分数达到了92.69%。广泛的实验提供了受控的实证证据,表明图遍历策略与漏洞模式的语义复杂性之间存在强烈关联。为了提高鲁棒性和泛化能力,我们进一步采用了K倍集成变体(VulGNN-SG+),在四种代表性漏洞类型上均实现了性能提升,最大增幅为3.06%。总体而言,本文提供了一种可重复的端到端智能合约漏洞检测流程,并提供了关于数据保真度和遍历诱导语义如何影响检测鲁棒性的受控实证证据。除了智能合约安全领域外,我们的贡献还被视为一种以工件为中心的保障工作流程组件,它通过提供可重复的编译验证整理、保留依赖关系的表示以及可追溯的筛查证据,自动化了对可执行数字工件的知识密集型检查。

部分摘录

引言和动机

智能合约是可执行的软件工件,用于在基于区块链的系统中实现预定义的逻辑并管理数字资产,从而支持去中心化金融(DeFi)和各种数据驱动的应用程序。然而,一旦部署,智能合约实际上是不可变的:由编码错误引起的漏洞无法在现场修复,可能会导致不可逆的财务损失。例如DAO攻击事件就凸显了部署前漏洞检测的高风险。

相关工作

智能合约漏洞检测的基本原理和关键技术涵盖了多种范式,包括基于程序分析的工具(如符号执行、静态分析和基于规则的检查器)、形式化验证,以及将代码建模为序列或结构化图的学习方法。因此,基于图的学习并不是唯一可行的方法;相反,它是一种特别适合处理非局部问题的代表性方法。

方法论

本文提出了VulGNN,这是一种用于智能合约漏洞检测的高保真图神经网络框架。该框架侧重于高质量的数据整理、语义图特征建模和双通道GNN架构,旨在建立一种可重复、可扩展且鲁棒的智能合约漏洞分析范式。
本节首先对漏洞检测任务进行了正式定义,然后介绍了框架的三阶段工作流程:
  • 1.
    数据整理

实验描述

在智能合约漏洞检测中,对合约控制流图的遍历策略分为两类:广度优先搜索(BFS)和深度优先搜索(DFS)。BFS擅长捕捉局部结构特征,但在建模全局依赖关系方面存在局限性。相比之下,DFS能够建模深层控制流依赖关系,更适合检测分布在跨函数调用链和执行路径上的漏洞。结合这两种策略可以获得更全面的结构信息。

实验结果与分析

为了验证VulGNN框架相对于现有检测器的优势,我们对每个任务进行了十次独立运行。我们在多种漏洞类型和图遍历策略下评估了模型。实验结果揭示了将GNN应用于智能合约漏洞检测时的三个层次见解。

结论

我们解决了智能合约漏洞检测中的数据质量和实现保真度问题,并扩展了一种基于图神经网络(GNN)的方法。主要贡献如下:
(1) 我们提出了VulGNN,这是一个高保真度的实验框架。利用Etherscan提供的经过验证的合约,我们构建了一个整理过的数据流程,生成了高质量、类别平衡且可重复的数据集,用于严格的评估。
(2) 我们实现了VulGNN-SG,这是一种高性能的双通道基线模型。

CRediT作者贡献声明

Xinyi Chen: 方法论设计。Weihua Bai: 原始草稿撰写。Jialing Zhao: 软件开发。Tao Huang: 软件实现。Huibing Zhang: 数据验证。Teng Zhou: 项目管理。Keqin Li: 监督指导。

利益冲突声明

作者声明没有利益冲突。

致谢

本工作得到了广西自然科学基金(编号:2026GXNSFAA00641306)、国家自然科学基金(编号:62462021、62267003、62177012)、广西可信软件重点实验室(编号:KX202319)、广东省高校重点领域专项基金(编号:2023ZDZX3041)、浙江省哲学与社会科学规划项目(编号:25JCXK006YB)、海南省自然科学基金(编号:625RC716)等项目的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号