Ricerca
Il rilevamento della rientranza nell’era degli LLM
La rientranza resta una delle classi di vulnerabilità più critiche negli smart contract di Ethereum, eppure strumenti e dataset ampiamente utilizzati per rilevarla continuano a rispecchiare schemi…

- arXiv
- 2603.26497
- Pubblicato
- 2026-03-27
- Autori
- Dalila Ressi, Alvise Spanò, Matteo Rizzo, Lorenzo Benetollo, Sabina Rossi
Abstract degli autori
La rientranza resta una delle classi di vulnerabilità più critiche negli smart contract di Ethereum, eppure strumenti e dataset ampiamente utilizzati per rilevarla continuano a rispecchiare schemi ormai superati e versioni obsolete di Solidity. Questo studio esamina il rilevamento della rientranza in Solidity 0.8+ dal punto di vista dell’affidabilità: per valutare quanto siano affidabili gli analizzatori statici più avanzati e le tecniche basate sull’intelligenza artificiale quando operano su codice moderno, li mette alla prova su due fronti. Costruiamo due benchmark verificati manualmente: un Aggregated Benchmark di 432 contratti reali, riuniti da dataset precedenti e rietichettati, e un Reentrancy Scenarios Dataset (RSD) di \chadded{143} esempi minimi funzionanti, creati appositamente per isolare e mettere alla prova singoli schemi di rientranza. Valutiamo quindi 12 strumenti basati su metodi formali, 10 modelli di apprendimento automatico e 9 modelli linguistici di grandi dimensioni. Nell’Aggregated Benchmark, gli strumenti tradizionali e i modelli ML raggiungono un punteggio F1 fino a 0,87, mentre i migliori LLM arrivano a 0,96 in modalità zero-shot. Nell’RSD, la maggior parte degli strumenti fallisce in più scenari: il migliore ottiene un punteggio F1 di 0,76, mentre il modello più efficace raggiunge 0,82. Nel complesso, i nostri risultati indicano che gli LLM più avanzati superano la maggior parte dei rilevatori esistenti, mettendo in luce lacune preoccupanti nella robustezza e nella manutenibilità degli attuali strumenti di analisi della rientranza.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv