Ricerca
ParaVul: un framework parallelo con modelli linguistici di grandi dimensioni e recupero aumentato per rilevare le vulnerabilità degli smart contract
Gli smart contract svolgono un ruolo importante nell’automazione dei servizi blockchain. Le loro vulnerabilità, tuttavia, rappresentano una seria minaccia per la sicurezza delle blockchain.

- arXiv
- 2510.17919
- Pubblicato
- 2025-10-20
- Autori
- Tenghui Huang, Jinbo Wen, Jiawen Kang, Siyong Chen, Zhengtao Li, Tao Zhang, Dongning Liu, Jiacheng Wang, Chengjun Cai, Yinqiu Liu, Dusit Niyato
Abstract degli autori
Gli smart contract svolgono un ruolo importante nell’automazione dei servizi blockchain. Le loro vulnerabilità, tuttavia, rappresentano una seria minaccia per la sicurezza delle blockchain. Attualmente, i metodi di rilevamento tradizionali si basano soprattutto sull’analisi statica e sulla verifica formale, con il rischio di produrre molti falsi positivi e di offrire una scarsa scalabilità. Di recente, i modelli linguistici di grandi dimensioni (LLM) hanno compiuto notevoli progressi nel rilevamento delle vulnerabilità degli smart contract. Devono però ancora affrontare difficoltà, tra cui gli elevati costi di inferenza e il notevole carico computazionale. In questo studio proponiamo ParaVul, un framework parallelo che combina LLM e recupero aumentato per migliorare l’affidabilità e l’accuratezza del rilevamento delle vulnerabilità degli smart contract. Per prima cosa sviluppiamo Sparse Low-Rank Adaptation (SLoRA) per la messa a punto degli LLM. SLoRA introduce la sparsificazione incorporando una matrice sparsa negli LLM quantizzati basati su LoRA: riduce così il carico computazionale e le risorse necessarie, migliorando al contempo la capacità dei modelli di comprendere le questioni relative alle vulnerabilità. Costruiamo poi un dataset di smart contract vulnerabili e sviluppiamo un sistema ibrido di generazione aumentata dal recupero (RAG) che integra il recupero denso con Best Matching 25 (BM25), contribuendo a verificare i risultati generati dall’LLM. Proponiamo inoltre un modello di meta-apprendimento che combina gli output del sistema RAG e dell’LLM per produrre i risultati finali del rilevamento. Una volta completato il rilevamento delle vulnerabilità, elaboriamo prompt basati sulla catena di pensiero per guidare gli LLM nella produzione di rapporti completi sulle vulnerabilità rilevate. I risultati delle simulazioni dimostrano la superiorità di ParaVul, soprattutto in termini di punteggi F1: 0,9398 nel rilevamento a etichetta singola e 0,9330 nel rilevamento multietichetta.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv