[논문 리뷰] Smart Contract Vulnerability Detection: From Pure Neural Network to Interpretable Graph Feature and Expert Pattern Fusion

Zhenguang Liu, Peng Qian외 4명|arXiv (Cornell University)|2021. 06. 17.

Blockchain Technology Applications and Security참고 문헌 20인용 수 8

한 줄 요약

이 논문은 해석 가능한 전문가 패턴과 깊이 있는 그래프 신경망 특징을 융합하는 새로운 설명 가능한 스마트 계약 취약점 탐지 시스템을 제안한다. 취약점 전용 패턴을 자동으로 추출하고 의미적 코드 그래프를 구축함으로써, 주의 메커니즘을 적용한 다중 인코더 네트워크를 사용해 전역적이고 국소적인 특징을 동시에 학습하고 해석 가능하게 만든다. 이로 인해 최신 기술 수준의 정확도(최대 90%)를 달성하며, 예측 결과에 대해 세밀하고 인간이 읽을 수 있는 설명을 제공한다.

ABSTRACT

Smart contracts hold digital coins worth billions of dollars, their security issues have drawn extensive attention in the past years. Towards smart contract vulnerability detection, conventional methods heavily rely on fixed expert rules, leading to low accuracy and poor scalability. Recent deep learning approaches alleviate this issue but fail to encode useful expert knowledge. In this paper, we explore combining deep learning with expert patterns in an explainable fashion. Specifically, we develop automatic tools to extract expert patterns from the source code. We then cast the code into a semantic graph to extract deep graph features. Thereafter, the global graph feature and local expert patterns are fused to cooperate and approach the final prediction, while yielding their interpretable weights. Experiments are conducted on all available smart contracts with source code in two platforms, Ethereum and VNT Chain. Empirically, our system significantly outperforms state-of-the-art methods. Our code is released.

연구 동기 및 목표

• 순수한 딥 러닝 모델이 스마트 계약 취약점 탐지에서 설명 불가능하고 전문 지식을 통합하지 못하는 한계를 해결하기 위해.
• 수동으로 정의된 패턴에 의존하는 규칙 기반 방법의 고정성과 낮은 확장성 문제를 극복하기 위해.
• 그래프 신경망의 표현 능력과 전문가가 정의한 패턴의 정밀성을 통합한 유일한 해석 가능한 프레임워크에서 하이브리드 접근법을 개발하기 위해.
• 각 예측에 대해 전역 그래프 특징과 국소 전문가 패턴에 대한 가중 기여도를 부여하여 모델의 해석 가능성을 보장하기 위해.
• 탐지 정확도에서 새로운 최신 기술 수준을 확립하면서도, 탐지 추론 과정에 대한 실질적인 통찰을 제공하기 위해.

제안 방법

• 맞춤형 분석 도구를 사용해 스마트 계약 소스 코드에서 취약점 전용 전문가 패턴을 자동으로 추출한다.
• 각 함수의 제어 흐름 및 데이터 흐름 의미를 의미적 그래프 표현으로 변환하여 풍부한 프로그램 구조를 포착한다.
• 의미적 그래프에서 깊이 있는 전역 표현을 학습하기 위해 그래프 신경망(GNN)을 적용한다.
• 학습 가능한 주의 가중치를 사용해 전역 GNN 특징과 국소 전문가 패턴 특징을 융합하는 주의 메커니즘을 적용한 다중 인코더 네트워크를 설계한다.
• 탐지 정확도와 특징의 해석 가능성을 동시에 최적화하기 위해 엔드 투 엔드 모델을 훈련시키며, 각 입력 특징에 대한 가중 기여도를 생성한다.
• 주의 가중치를 활용해 예측을 설명하며, 최종 취약점 분류에 가장 영향을 준 패턴이나 그래프 구조를 강조한다.

실험 결과

연구 질문

• RQ1 전문가 패턴과 깊이 있는 그래프 특징을 융합하면 순수한 신경망 모델을 초월해 스마트 계약 취약점 탐지 정확도를 향상시킬 수 있는가?
• RQ2 전역 그래프 특징과 국소 전문가 패턴의 기여도는 예측 중요성 측면에서 어떻게 비교되는가?
• RQ3 다양한 특징에 의미 있는 가중치를 할당함으로써 모델이 예측에 대해 설명 가능하고 인간이 읽을 수 있는 설명을 제공할 수 있는가?
• RQ4 전문 지식과 딥 러닝의 융합은 탐지 성능의 일반화 능력과 회피 공격에 대한 강건성 향상에 기여하는가?
• RQ5 핵심 구성 요소(그래프 또는 패턴)를 제거했을 때 모델의 성능은 어떻게 변하는가?

주요 결과

• 제안된 방법은 재진입 취약점에서 84%에서 90%로, 타임스탬프 의존성에서 83%에서 87%로, 정수 오버플로우에서 75%에서 80%로 정확도를 향상시켜 최신 기술 수준의 성능을 달성했다.
• 모델의 주의 메커니즘은 전역 그래프 특징과 국소 전문가 패턴 양쪽에 대해 해석 가능한 가중치를 할당하여 탐지 결정의 명확한 설명을 가능하게 했다.
• 그래프 특징을 제거했을 때의 성능 저하가 전문가 패턴을 제거했을 때보다 더 크며, 이는 전역 의미적 구조가 고립된 패턴보다 더 중요하다는 것을 시사한다.
• 모델는 모든 에포크 동안 변형된 모델(AME-RG 및 AME-RP)을 항상 앞서며, 양쪽 구성 요소를 통합하는 것이 필수적임을 확인했다.
• 시스템은 'enoughBalance', 'callValueInvocation', 'balanceDeduction'과 같은 핵심 패턴을 높은 주의 가중치(0.23–0.26)로 강조함으로써 The DAO 유사 계약에서 재진입 취약점을 성공적으로 식별했다.
• 이 방법은 세밀한 패턴 수준의 설명과 특징 중요도의 전반적 개요를 모두 제공하여 개발자와 감사원에게 실질적인 통찰을 제공한다.