Ricerca
LogicScan: un framework basato su LLM per rilevare le vulnerabilità della logica di business negli smart contract
Le vulnerabilità della logica di business sono diventate una delle categorie di vulnerabilità degli smart contract più dannose e, al tempo stesso, meno comprese.

- arXiv
- 2602.03271
- Pubblicato
- 2026-02-03
- Autori
- Jiaqi Gao, Zijian Zhang, Yuqiang Sun, Ye Liu, Chengwei Liu, Han Liu, Yi Li, Yang Liu
Abstract degli autori
Le vulnerabilità della logica di business sono diventate una delle categorie di vulnerabilità degli smart contract più dannose e, al tempo stesso, meno comprese. A differenza dei bug tradizionali, come la rientranza o gli errori aritmetici, derivano da invarianti di business assenti o applicate in modo scorretto e sono strettamente legate alla semantica del protocollo. Le tecniche di analisi statica esistenti faticano a cogliere una logica di così alto livello, mentre i recenti approcci basati su modelli linguistici di grandi dimensioni producono spesso risultati instabili e poco accurati a causa delle allucinazioni e delle limitate possibilità di verifica. In questo studio proponiamo LogicScan, un framework automatizzato di audit comparativo per rilevare le vulnerabilità della logica di business negli smart contract. L’idea alla base di LogicScan è che i protocolli on-chain maturi e ampiamente utilizzati incorporino implicitamente invarianti di business ben collaudate e fondate sul consenso. LogicScan ricava sistematicamente queste invarianti da contratti on-chain su larga scala e le riutilizza come vincoli di riferimento per sottoporre ad audit i contratti esaminati. A questo scopo, LogicScan introduce Business Specification Language (BSL), che riconduce diversi schemi di implementazione a rappresentazioni logiche strutturate e verificabili. Combina inoltre un’aggregazione delle logiche che tiene conto del rumore con l’audit comparativo, per individuare invarianti assenti o applicate in modo insufficiente, riducendo al contempo i falsi positivi causati dagli LLM. Valutiamo LogicScan su tre dataset reali, tra cui DeFiHacks, Web3Bugs e un insieme di contratti sottoposti ad audit tra i primi 200. I risultati mostrano che LogicScan raggiunge un punteggio F1 dell’85,2%, superando nettamente gli strumenti più avanzati e mantenendo un basso tasso di falsi positivi sui contratti pronti per la produzione. Ulteriori esperimenti dimostrano che LogicScan mantiene prestazioni costanti con diversi LLM ed è efficiente in termini di costi, e che i suoi meccanismi di riduzione dei falsi positivi ne migliorano sensibilmente la robustezza.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv