Vai al contenuto
Crypto.world

Ricerca

Prompt engineering e fine-tuning per il rilevamento delle vulnerabilità negli smart contract di Solana e Algorand basato su LLM

Gli smart contract sono diventati componenti fondamentali degli ambienti decentralizzati, perché consentono di automatizzare le transazioni attraverso programmi che si eseguono autonomamente.

Prompt engineering e fine-tuning per il rilevamento delle vulnerabilità negli smart contract di Solana e Algorand basato su LLM
arXiv
2511.11250
Pubblicato
2025-11-14
Autori
Biagio Boi, Christian Esposito

Abstract degli autori

Gli smart contract sono diventati componenti fondamentali degli ambienti decentralizzati, perché consentono di automatizzare le transazioni attraverso programmi che si eseguono autonomamente. Pur offrendo vantaggi significativi, queste innovazioni possono presentare anche inconvenienti se il codice degli smart contract non viene progettato e implementato con cura. Questo studio esamina la capacità dei modelli linguistici di grandi dimensioni (LLM) di rilevare vulnerabilità ispirate a OWASP negli smart contract al di fuori dell’ecosistema della Ethereum Virtual Machine (EVM), concentrandosi in particolare su Solana e Algorand. Data la mancanza di dataset etichettati per le piattaforme non EVM, creiamo un dataset sintetico di frammenti annotati di smart contract in Rust (per Solana) e PyTeal (per Algorand), organizzato secondo una tassonomia delle vulnerabilità derivata da OWASP. Valutiamo gli LLM in tre configurazioni — prompt engineering, fine-tuning e una combinazione dei due — confrontandone le prestazioni rispetto a diverse categorie di vulnerabilità. I risultati sperimentali mostrano che il prompt engineering offre una robustezza generale, mentre il fine-tuning migliora precisione e recall nei linguaggi semanticamente meno ricchi, come TEAL. Analizziamo inoltre come le differenze architetturali tra Solana e Algorand influenzino il manifestarsi delle vulnerabilità e la possibilità di rilevarle, proponendo mappature specifiche per ciascuna piattaforma che mettono in luce i limiti degli strumenti di sicurezza esistenti. I nostri risultati suggeriscono che gli approcci basati su LLM sono praticabili per il rilevamento statico delle vulnerabilità negli smart contract, purché nei processi di addestramento vengano integrati dati e categorie specifici per il dominio.

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

Leggi il paper originale su arXiv