通过丰富的异构图语义和双重注意力保护机制来强化智能合约的安全性

《Engineering Applications of Artificial Intelligence》：Fortifying smart contracts through rich heterogeneous graph semantics and dual attention guards

　　摘要
智能合约漏洞在区块链应用中存在重大的安全风险，常常导致严重的财务损失。现有的基于图的检测方法，特别是那些基于异构图神经网络的方法，仍然存在语义建模能力有限和未能充分利用图异构性的问题。为了解决这些问题，我们提出了一种新的框架，该框架基于丰富的异构图表示和双注意力机制。具体而言，我们的方法通过整合控制流、数据依赖关系、函数调用和合约继承来构建一个全面的异构图，从而实现更富有表现力的语义建模。此外，双注意力机制被设计用来捕捉同类型节点和不同类型节点的重要性，允许在异构结构中进行细粒度的特征学习。在基准数据集上的实验结果表明，我们的方法在七种常见的漏洞类型中始终优于十二种最先进的方法。特别是，我们的方法在合约级别和行级别检测任务上获得了最佳的F1分数，与基线方法相比性能提升了多达34.02%。此外，在大多数漏洞类型中，该方法的F1分数始终保持在95%以上。我们方法的计算复杂性与图的大小大致呈线性关系，使其适用于大规模的智能合约分析。这些结果验证了所提出方法在智能合约漏洞检测中的有效性和通用性。

引言
智能合约（Buterin等人，2013年）是在区块链上部署的自执行程序，使用户能够在不依赖可信第三方的情况下执行预定义的合约逻辑。这一功能促进了各种应用的发展，包括自动化交易、去中心化金融（DeFi）和供应链管理。然而，一旦智能合约被部署，其内容就变得不可更改。这意味着如果合约中存在漏洞，就无法及时修复，可能会导致严重的财务损失（Bresil等人，2025年）。由于区块链交易的不可逆性和其财务影响，这些漏洞的影响远远超过了传统软件漏洞。因此，在智能合约部署之前进行漏洞检测至关重要，以减轻这些风险（Liang等人，2025年）。

现有的智能合约漏洞检测方法可以分为两种主要类型：传统方法（Feist等人，2019年；Jiang等人，2018年；Grieco等人，2020年；Tikhomirov等人，2018年）和基于神经网络的方法（Tann等人，2018年；Nguyen等人，2022年；Nguyen等人，2023年；Chen等人，2023年；Liu等人，2023年；Xu等人，2024年）。传统方法主要依赖于静态分析、动态分析和形式化验证技术（Jiang等人，2018年）。这些方法依赖于预定义的规则或模式，需要大量的领域知识和人工干预（Tann等人，2018年）。此外，随着智能合约规模和复杂性的增加，动态分析和形式化验证变得不太实用（Zhang和Liu，2022年）。为了解决这些局限性，提出了基于神经网络的方法，这些方法可以大致分为基于序列的模型和基于图的模型。基于序列的模型将智能合约的字节码或源代码转换为序列数据，并应用LSTM（Gers等人，2000年）或Transformer（Vaswani等人，2017年）等模型来捕捉语义和上下文信息。然而，它们忽略了代码中的结构关系，并且在处理长序列时常常丢失关键信息（Chen等人，2023年）。相比之下，基于图的模型将智能合约表示为各种图结构，如控制流图（CFGs）、数据流图（DFGs）和程序依赖图（PDGs）（Sun等人，2023年）。然后使用图神经网络（GNNs）处理这些表示，以学习节点级别的特征（Wang等人，2025年），有效地保留了合约的结构信息。
不幸的是，现有的基于GNN的方法仍然存在几个局限性（Ren等人，2025年）。同构图模型只考虑单一类型的节点和边，难以捕捉智能合约中的多样实体和复杂交互，因此难以有效识别复杂的漏洞模式（Li等人，2026年）。一些基于异构图的方法试图通过引入多种节点和边类型来解决这个问题；然而，它们通常只关注一部分关系，如控制流或函数调用，而忽略了其他关键依赖关系，如数据流和合约继承。此外，大多数现有方法在特征提取过程中将所有节点视为同等重要，忽略了类型间差异和类型内变化，这限制了学习到的表示的表现力和泛化能力。总之，当前方法在三个关键方面没有得到充分解决：它们对异构实体和关系的表示有限，未能完全捕捉重要的语义依赖关系，且缺乏区分不同节点类型贡献的机制。解决这些差距对于提高智能合约漏洞检测的准确性和全面性至关重要。

为了解决这些缺点，我们提出了RHDA，这是一种基于丰富的异构图表示和双注意力机制的智能合约漏洞检测方法。RHDA旨在构建一个更全面的智能合约异构图表示，并在特征提取过程中充分利用不同节点类型的结构信息。通过这样做，它增强了模型有效识别漏洞模式的能力。

总体而言，RHDA做出了以下关键贡献：
•我们提出了RHDA，一种用于智能合约漏洞检测的新颖异构图建模框架，它同时捕捉了多种语义关系，包括控制流、数据依赖关系、函数调用和合约继承。与依赖于同构图表示或有限结构信息的现有方法不同，RHDA提供了更全面和细粒度的合约语义建模。
•我们设计了一种双注意力机制，该机制在相同类型内和不同类型之间均起作用，使模型能够适应性地学习节点的重要性。这种层次化的注意力设计有效地增强了模型在复杂异构结构中识别关键漏洞模式的能力。
•在七种代表性漏洞类型上的广泛实验表明，RHDA始终优于十二种最先进的方法。特别是在合约级别和行级别检测任务上，其性能提升了高达34.02%。此外，RHDA在大多数漏洞类型中的F1分数始终保持在95%以上，并在不同图规模上保持稳定的性能，显示了其鲁棒性和泛化能力。

本文的结构如下。第2节介绍初步知识。第3节详细描述了所提出的RHDA方法及其核心技术。第4节通过广泛的实验评估了所提出方法的有效性和优越性。第5节回顾了该领域的相关工作。最后，第7节总结了本文。

智能合约
智能合约是基于区块链技术构建的自执行协议。随着以太坊的出现，它们获得了广泛关注和实际应用，以太坊提供了一个专门设计用于促进和执行智能合约的去中心化平台。智能合约的核心特点在于它们能够通过去中心化自主执行协议条款，从而消除了对可信第三方的需求（Szabo，1996年）。现代智能合约的