ORACAL：一种基于因果图增强的鲁棒且可解释的智能合约漏洞检测多模态框架
机器学习
2026-05-26 v2 密码学与安全
摘要
尽管图神经网络(GNN)在智能合约漏洞检测方面显示出潜力，但它们仍然面临显著的局限性。同质图模型无法捕捉控制流和数据依赖之间的相互作用，而异构图方法往往缺乏深层的语义理解，使其容易受到对抗性攻击。此外，大多数黑盒模型无法提供可解释的证据，阻碍了专业审计中的信任。为了应对这些挑战，我们提出了ORACAL（可观测的RAG增强因果推理分析），一个异质多模态图学习框架，集成了控制流图(CFG)、数据流图(DFG)和调用图(CG)。ORACAL选择性地利用来自检索增强生成(RAG)和大语言模型(LLM)的专家级安全上下文来丰富关键子图，并采用因果注意力机制来从虚假相关性中分离出真正的漏洞指示器。为了提高透明度，该框架采用PGExplainer生成子图级解释，以识别漏洞触发路径。在大型数据集上的实验表明，ORACAL达到了最先进的性能，在主要基准测试中，其Macro F1峰值达到91.28%，比MANDO-HGT、MTVHunter、GNN-SC和SCVHunter高出多达39.6个百分点。ORACAL在分布外数据集上保持了强大的泛化能力，在CGT Weakness上达到91.8%，在DAppScan上达到77.1%。在可解释性评估中，PGExplainer与手动标注的漏洞触发路径相比，实现了32.51%的平均交并比(MIoU)。在对抗性攻击下，ORACAL将性能下降限制在约2.35%的F1下降，攻击成功率(ASR)仅为3%，优于ASR在10.91%至18.73%之间的SCVHunter和MANDO-HGT。
引用
@article{arxiv.2603.28128,
title = {ORACAL: A Robust and Explainable Multimodal Framework for Smart Contract Vulnerability Detection with Causal Graph Enrichment},
author = {Tran Duong Minh Dai and Triet Huynh Minh Le and M. Ali Babar and Van-Hau Pham and Phan The Duy},
journal= {arXiv preprint arXiv:2603.28128},
year = {2026}
}
备注
21 pages, version 2