[论文解读] Smart Contract Vulnerability Detection: From Pure Neural Network to Interpretable Graph Feature and Expert Pattern Fusion

Zhenguang Liu, Peng Qian+4 more|arXiv (Cornell University)|Jun 17, 2021

Blockchain Technology Applications and Security参考文献 20被引用 8

一句话总结

该论文提出了一种新颖的、可解释的智能合约漏洞检测系统，通过融合可解释的专家模式与深度图神经网络特征，实现高精度检测。通过自动提取漏洞特异性模式并构建语义代码图，该方法采用注意力多编码器网络联合学习全局与局部特征，实现最先进的准确率（高达90%），并为预测结果提供细粒度、人类可读的解释。

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.

研究动机与目标

• 为解决纯深度学习模型在智能合约漏洞检测中的局限性，即缺乏可解释性且未能融入专家知识。
• 克服依赖手工定义模式的规则方法的僵化性与低可扩展性。
• 开发一种混合方法，将图神经网络的表达能力与专家定义模式的精确性统一于一个可解释的框架中。
• 通过为每个预测结果分配全局图特征与局部专家模式的加权贡献，实现模型可解释性。
• 在实现漏洞检测准确率新 SOTA 的同时，提供关于检测推理过程的可操作洞察。

提出的方法

• 使用定制化分析工具从智能合约源代码中自动提取漏洞特异性专家模式。
• 将每个函数的控制流与数据流语义转换为语义图表示，以捕获丰富的程序结构信息。
• 应用图神经网络（GNN）从语义图中学习深层、全局的表征。
• 设计一种注意力多编码器网络，通过可学习的注意力权重将全局 GNN 特征与局部专家模式特征进行融合。
• 端到端训练模型，联合优化检测准确率与特征可解释性，生成每个输入特征的加权贡献。
• 利用注意力权重通过突出显示最影响最终漏洞分类的模式或图结构，实现对预测结果的解释。

实验结果

研究问题

• RQ1 将专家模式与深度图特征结合，是否能超越纯神经网络模型，在智能合约漏洞检测中实现更高的准确率？
• RQ2 全局图特征与局部专家模式在预测重要性方面的贡献如何比较？
• RQ3 该模型能否通过为不同特征分配有意义的权重，提供可解释的、人类可读的预测解释？
• RQ4 融合专家知识与深度学习是否能提升模型的泛化能力与抗规避攻击的鲁棒性？
• RQ5 当移除关键组件（图结构或专家模式）时，模型性能如何变化？

主要发现

• 所提方法实现了最先进的准确率，对重入漏洞的准确率从84%提升至90%，对时间戳依赖漏洞从83%提升至87%，对整数溢出漏洞从75%提升至80%。
• 模型的注意力机制为全局图特征与局部专家模式均分配了可解释的权重，能够清晰解释检测决策的依据。
• 移除图特征导致的性能下降大于移除专家模式，表明全局语义结构比孤立模式更为关键。
• 该模型在所有训练周期中均持续优于其变体（AME-RG 与 AME-RP），证实了两种组件联合使用的必要性。
• 系统成功识别出类似 The DAO 的合约中的重入漏洞，通过高注意力权重（0.23–0.26）突出显示关键模式，如 'enoughBalance'、'callValueInvocation' 和 'balanceDeduction'。
• 该方法同时提供细粒度的模式级解释与特征重要性的全局概览，为开发者与审计人员提供实用洞察。