Ricerca
Vulnerabilità nella verifica dei bridge cross-chain: uno studio empirico
Con il rapido sviluppo della tecnologia blockchain sono emerse numerose blockchain eterogenee, ciascuna con architetture, meccanismi di consenso ed ecosistemi applicativi distinti.

- arXiv
- 2610.13170
- Pubblicato
- 2026-10-09
- Autori
- Yuying Wang, Yi Guo, Jiachi Chen, Hanwen Zhang, Yi Sun
Abstract degli autori
Con il rapido sviluppo della tecnologia blockchain sono emerse numerose blockchain eterogenee, ciascuna con architetture, meccanismi di consenso ed ecosistemi applicativi distinti. I bridge cross-chain sono quindi diventati una componente fondamentale dell’infrastruttura e, in genere, si affidano agli smart contract per consentire la trasmissione di messaggi e il trasferimento di asset tra blockchain eterogenee. A differenza dei contratti che operano su una sola blockchain, quelli dei bridge introducono ulteriori meccanismi di verifica per convalidare dati provenienti da blockchain esterne, come le prove di stato, le identità dei mittenti dei messaggi e le firme. Implementare correttamente questi meccanismi, tuttavia, è difficile. Chiamiamo Cross-chain Verification Vulnerabilities (CVVs) le vulnerabilità che violano le garanzie di sicurezza della verifica cross-chain. Per caratterizzare le CVV, conduciamo il primo studio empirico sistematico su questa classe di vulnerabilità. Analizzando 588 rapporti di audit di sicurezza relativi a 36 progetti di bridge cross-chain reali, individuiamo 11 pattern di CVV e li organizziamo in 5 categorie generali in base alle proprietà di verifica interessate. Seguendo questa classificazione, creiamo un dataset di CVV che contiene 830 casi di vulnerabilità in 786 file di contratti. Il dataset mette in relazione i rapporti di audit, le versioni del codice sorgente sottoposte ad audit, i file sorgente interessati e le etichette dei pattern di CVV. Valutiamo poi gli approcci di rilevamento esistenti. Gli strumenti attuali offrono una copertura documentata limitata dei pattern di CVV, mentre solo due dei quattro LLM valutati superano una baseline costante per tutti i pattern, pari al 29,3% di Macro-F1; il migliore raggiunge il 51,2%. Nel complesso, la copertura limitata degli strumenti e i miglioramenti disomogenei degli LLM indicano la necessità di metodi di rilevamento specifici per la semantica della verifica cross-chain.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv