Ricerca
Smart contract NFT su Ethereum: rilevamento delle vulnerabilità guidato dalla conoscenza con LLM e slicing del codice
I token non fungibili (NFT) su Ethereum gestiscono proprietà, trasferimenti, autorizzazioni e metadati tramite smart contract: le vulnerabilità di questi contratti rappresentano quindi un rischio…

- arXiv
- 2607.21983
- Pubblicato
- 2026-07-24
- Autori
- Deyu Yang, Rundong Wei, Xiaoqi Li
Abstract degli autori
I token non fungibili (NFT) su Ethereum gestiscono proprietà, trasferimenti, autorizzazioni e metadati tramite smart contract: le vulnerabilità di questi contratti rappresentano quindi un rischio diretto per i beni digitali. Gli strumenti di analisi statica esistenti consentono controlli efficienti basati su regole, ma possono avere difficoltà con la logica specifica delle applicazioni; un’analisi non vincolata condotta con modelli linguistici di grandi dimensioni può invece essere distratta da codice irrilevante o produrre risultati incoerenti. Presentiamo un metodo di rilevamento delle vulnerabilità che combina lo slicing del codice mirato alle vulnerabilità, una base di conoscenze orientata a ERC-721 e un’analisi vincolata condotta con DeepSeek. Pattern basati su espressioni regolari individuano istruzioni potenzialmente interessate da reentrancy, overflow o underflow di interi e dipendenza dal timestamp. Un algoritmo per finestre di contesto che tiene conto della struttura estrae poi porzioni di codice con numeri di riga. DeepSeek analizza ciascuna porzione seguendo regole decisionali esplicite e uno schema di output fisso; i record ottenuti consentono l’elaborazione automatizzata in batch. Su 450 campioni di smart contract NFT, la configurazione completa ha prodotto 437 etichette positive, pari a un tasso dichiarato di etichette positive del 97,1%. Senza la base di conoscenze esterna, il tasso è sceso all’87,11%; analizzando i contratti completi senza la base di conoscenze, è sceso al 73,78%. Questi risultati indicano che un contesto di codice mirato e vincoli legati al dominio incidono in misura significativa sull’output del rilevatore così come riportato.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv