Vai al contenuto
Crypto.world

Ricerca

LiquiLM: colmare il divario semantico nell’analisi dei difetti legati alla liquidità con DCN e LLM

I meccanismi di consenso tradizionali, come il Proof of Stake (PoS), mostrano sempre più un’eccessiva dipendenza dai grandi fornitori di liquidità. Sebbene il meccanismo Proof of Liquidity (PoL)…

LiquiLM: colmare il divario semantico nell’analisi dei difetti legati alla liquidità con DCN e LLM
arXiv
2604.03860
Pubblicato
2026-04-04
Autori
Zekai Liu, Xiaoqi Li, Wenkai Li, Zongwei Li

Abstract degli autori

I meccanismi di consenso tradizionali, come il Proof of Stake (PoS), mostrano sempre più un’eccessiva dipendenza dai grandi fornitori di liquidità. Sebbene il meccanismo Proof of Liquidity (PoL) rappresenti un paradigma fondamentale per incentivare la fornitura continuativa di liquidità e garantire la stabilità del mercato, il passaggio dallo staking degli asset alla gestione attiva della liquidità aumenta notevolmente la complessità dei modelli economici e della logica di interazione degli smart contract sottostanti. Di conseguenza, i difetti nascosti nella logica della liquidità sono difficili da rilevare con i metodi tradizionali e mettono seriamente a rischio la stabilità dei principali ecosistemi DeFi e degli ecosistemi PoL emergenti, nonché la sicurezza degli asset degli utenti. Per affrontare questo problema proponiamo il framework LiquiLM, che integra modelli linguistici di grandi dimensioni (LLM) con una Dynamic Co-Attention Network (DCN). Stabilendo un’interazione dinamica tra i contratti cruciali per la liquidità e le descrizioni dei difetti, il framework colma efficacemente il divario semantico tra le implementazioni del codice sottostante e gli obiettivi di alto livello relativi alla liquidità. Valutiamo le prestazioni di LiquiLM su 1.490 contratti di validazione, misurando precisione, richiamo, specificità e punteggio F1. I risultati mostrano una notevole efficacia nell’analisi e nella spiegazione dei difetti legati alla liquidità: negli esperimenti che usano rispettivamente Gemini 3 Pro e GPT-4o come modelli alla base del sistema, i punteggi F1 superano in entrambi i casi il 90%. Inoltre, attraverso un’analisi approfondita di 1.380 contratti economici reali di PoL ed Ethereum, LiquiLM individua 238 contratti ad alto rischio e contribuisce alla scoperta di 10 vulnerabilità che hanno ottenuto la certificazione CVE.

Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.

Leggi il paper originale su arXiv