[논문 리뷰] Vulnerability Detection in Smart Contracts: A Comprehensive Survey

Christopher De Baets, Basem Suleiman외 2명|arXiv (Cornell University)|2024. 07. 08.

Blockchain Technology Applications and Security인용 수 5

한 줄 요약

본 체계적 문헌고찰은 머신러닝(ML)과 딥러닝(DL) 기법이 스마트 계약의 취약점 탐지 성능을 어떻게 향상시키는지 분석하고, ML 모델을 기존의 정적 도구와 비교하며 하이브리드 접근법을 조명한다.

ABSTRACT

In the growing field of blockchain technology, smart contracts exist as transformative digital agreements that execute transactions autonomously in decentralised networks. However, these contracts face challenges in the form of security vulnerabilities, posing significant financial and operational risks. While traditional methods to detect and mitigate vulnerabilities in smart contracts are limited due to a lack of comprehensiveness and effectiveness, integrating advanced machine learning technologies presents an attractive approach to increasing effective vulnerability countermeasures. We endeavour to fill an important gap in the existing literature by conducting a rigorous systematic review, exploring the intersection between machine learning and smart contracts. Specifically, the study examines the potential of machine learning techniques to improve the detection and mitigation of vulnerabilities in smart contracts. We analysed 88 articles published between 2018 and 2023 from the following databases: IEEE, ACM, ScienceDirect, Scopus, and Google Scholar. The findings reveal that classical machine learning techniques, including KNN, RF, DT, XG-Boost, and SVM, outperform static tools in vulnerability detection. Moreover, multi-model approaches integrating deep learning and classical machine learning show significant improvements in precision and recall, while hybrid models employing various techniques achieve near-perfect performance in vulnerability detection accuracy. By integrating state-of-the-art solutions, this work synthesises current methods, thoroughly investigates research gaps, and suggests directions for future studies. The insights gathered from this study are intended to serve as a seminal reference for academics, industry experts, and bodies interested in leveraging machine learning to enhance smart contract security.

연구 동기 및 목표

• ML 기반 스마트 계약 취약점 탐지 연구의 포괄적 저장소를 작성한다.
• 스마트 계약의 취약점 탐지 및 완화 개선에 있어 ML 모델의 기여를 분석하고 종합한다.
• 연구 격차를 식별하고 스마트 계약에서 ML 기반 보안 연구의 향후 방향을 제안한다.

제안 방법

• IEEE, ACM, ScienceDirect, Scopus, 및 Google Scholar에서 2018–2023년 사이의 88편 논문에 대한 체계적 문헌고찰.
• 논문을 머신러닝 계열 및 취약점 유형별로 분류한다.
• 공헌, ML 기법, 대상 취약점, 한계 및 향후 연구를 다루는 표준 매트릭스를 통한 데이터 추출.

실험 결과

연구 질문

• RQ1 스마트 계약의 특정 취약점을 식별하고 완화하는 데 현대 최첨단 ML 기법은 무엇인가?
• RQ2 스마트 계약 취약점 탐지에 어떤 ML 알고리즘이 적용되었으며, 효과 및 한계에서 어떻게 차이가 나타나는가?
• RQ3 스마트 계약 취약점 탐지에 ML을 적용할 때의 현재 연구 격차와 향후 연구 기회는 무엇인가?

주요 결과

• 전통적인 정적 분석 도구를 능가하는 고전 ML 기법들(KNN, RF, DT, XGBoost, SVM).
• 딥러닝과 고전 ML을 결합한 다중 모델 접근법이 정밀도와 재현율을 향상시킨다.
• 여러 기법을 활용하는 하이브리드 모델은 취약점 탐지 정확도에서 거의 완벽한 성능을 달성한다(조사에 보고된 바와 같이).