Нейросети научились надежнее находить опасные уязвимости в блокчейн-контрактах
Уязвимости смарт-контрактов создают значительные риски для безопасности систем блокчейна, что потенциально может привести к серьезным финансовым потерям. Существующие методы сталкиваются с рядом ограничений: (1) подходы, основанные на программном анализе, в значительной степени полагаются на заранее определенные шаблоны, им не хватает гибкости и адаптивности к новым типам уязвимостей; (2) Методам глубокого обучения не хватает объяснений результатов их обнаружения; (3) Подходы, основанные на больших языковых моделях, страдают от высокого уровня ложных срабатываний. Для решения этих проблем мы предлагаем MOS, систему обнаружения уязвимостей смарт-контрактов, основанную на настройке больших языковых моделей с участием экспертов (MOE-Tuning). Во-первых, мы проводим постоянное предварительное обучение на крупномасштабном наборе данных смарт-контракта, чтобы обеспечить расширенную доменную инициализацию для последующего процесса MOE-Tuning. Во-вторых, чтобы предоставить надежные объяснения обнаруженным уязвимостям, мы создаем высококачественный набор данных MOE-Tuning с помощью многоэтапного конвейера, сочетающего генерацию большой языковой модели и экспертную проверку. В-третьих, мы разрабатываем механизм маршрутизации с учетом уязвимостей, который активирует наиболее важные экспертные сети путем анализа функций кода и степени их соответствия экспертам, устраняя ограничение предопределенных шаблонов в подходах к анализу программ. Наконец, мы расширяем уровни прямой связи LLM после непрерывного предварительного обучения на несколько параллельных экспертных сетей, каждая из которых специализируется на определенных шаблонах уязвимостей. Мы также используем функцию потерь с двумя целями: одну для оптимизации производительности обнаружения и объяснения уязвимостей, а другую для балансировки использования экспертов за счет вспомогательных потерь на основе масштабированного скалярного произведения частот назначения экспертов и средних вероятностей маршрутизации, тем самым улучшая производительность модели в сложных сценариях уязвимостей. Обширные эксперименты показывают, что MOS постоянно превосходит существующие современные методы в четырех основных и исторически значимых типах уязвимостей (повторный вход, временная метка, целочисленное переполнение/недополнение, делегатный вызов) со средним улучшением 6.38% по показателю F1 и 4.84% по точности. Объяснения уязвимостей, созданные MOS, также демонстрируют высокое качество, получив положительные оценки (оценки 3 и 4 по
## В чем суть открытия Почему LLM наводняют проверки смарт-контрактов ложными срабатываниями и может ли маршрутизация MoE с учетом уязвимостей дать аудиторам точное и объяснимое? ## Как это устроено: принцип работы Существующие методы сталкиваются с рядом ограничений: (1) подходы, основанные на программном анализе, в значительной степени полагаются на заранее определенные шаблоны, им не хватает гибкости и адаптивности к новым типам уязвимостей; (2) Методам глубокого обучения не хватает объяснений результатов их обнаружения; (3) Подходы, основанные на моделях большого языка, страдают от высокого уровня ложных срабатываний. Для решения этих проблем мы предлагаем MOS, систему обнаружения уязвимостей смарт-контрактов, основанную на настройке больших языковых моделей с участием экспертов (MOE-Tuning). ## Что это меняет на практике Обеспечивает автоматизированный, объяснимый аудит безопасности смарт-контрактов для платформ Web3, уменьшая ложноположительный шум и достигая краткости до 94.58% в автоматических отчетах об ошибках для аудиторов безопасности. ## Границы метода и риски Оценка опирается на наборы эталонных данных, охватывающие конкретные категории уязвимостей, требующие постоянных обновлений наборов данных, проверенных экспертами, для адаптации к появляющимся моделям эксплойтов смарт-контрактов нулевого дня. ## Результаты и доказательства - **Комплексный скор значимости:** 9.6 / 10.0 - **Уровень доказательности:** Теоретическое обоснование