Ricerca
BugSweeper: rilevamento delle vulnerabilità degli smart contract a livello di funzione mediante reti neurali a grafo
La rapida crescita di Ethereum ha reso sempre più importante individuare le vulnerabilità degli smart contract in modo rapido e accurato. Sebbene i metodi basati sul machine learning abbiano mostrato…

- arXiv
- 2512.09385
- Pubblicato
- 2025-12-10
- Autori
- Uisang Lee, Changhoon Chung, Junmo Lee, Soo-Mook Moon
Abstract degli autori
La rapida crescita di Ethereum ha reso sempre più importante individuare le vulnerabilità degli smart contract in modo rapido e accurato. Sebbene i metodi basati sul machine learning abbiano mostrato un certo potenziale, molti si affidano ancora a una preelaborazione basata su regole progettate da esperti del settore. Questi metodi spesso scartano informazioni di contesto cruciali presenti nel codice sorgente, con il rischio di non rilevare alcune vulnerabilità e di limitare la capacità di adattarsi alle nuove minacce. Presentiamo BugSweeper, un framework di deep learning end-to-end che rileva le vulnerabilità direttamente dal codice sorgente, senza progettazione manuale. BugSweeper rappresenta ogni funzione Solidity come un Function-Level Abstract Syntax Graph (FLAG), un nuovo tipo di grafo che combina il suo albero sintattico astratto (AST) con una semantica arricchita del flusso di controllo e del flusso di dati. Una rete neurale a grafo (GNN) in due fasi analizza poi questi grafi. Nella prima fase, la GNN filtra il rumore dai grafi sintattici; nella seconda, svolge un’analisi di livello superiore per rilevare diverse vulnerabilità. Ampi esperimenti su contratti reali mostrano che BugSweeper supera nettamente tutti i metodi di rilevamento più avanzati. Eliminando la necessità di regole definite manualmente, il nostro approccio offre una soluzione robusta, automatizzata e scalabile per rendere sicuri gli smart contract, senza dipendere in alcun modo da esperti di sicurezza.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv