LLM 时代的重入检测
密码学与安全
2026-03-30 v1 软件工程
摘要
重入仍然是以太坊智能合约中最关键的漏洞类别之一，但广泛使用的检测工具和数据集持续反映过时的模式和过时的 Solidity 版本。本文采用可靠性导向的视角审视 Solidity 0.8+ 中的重入检测，通过从两个维度对最先进的静态分析器和 AI 技术进行测试，评估它们在现代代码上的可靠性。我们构建了两个手动验证的基准测试：一个聚合基准测试，包含来自先前数据集整合和重新标注的 432 个真实合约，以及一个重入场景数据集（RSD），包含 \chadded{143} 个手工设计的最小可运行示例，旨在隔离并压力测试单个重入模式。然后我们评估了 12 个基于形式化方法的工具、10 个机器学习模型和 9 个大型语言模型。在聚合基准测试上，传统工具和机器学习模型达到最高 0.87 的 F1，而最佳 LLM 在零样本设置下达到 0.96。在 RSD 上，大多数工具在多个场景上失败，表现最好的达到 F1 0.76，而最强的模型达到 0.82。总体而言，我们的结果表明领先的 LLM 超越了大多数现有检测器，凸显了当前重入分析工具在鲁棒性和可维护性方面的显著差距。
引用
@article{arxiv.2603.26497,
title = {Reentrancy Detection in the Age of LLMs},
author = {Dalila Ressi and Alvise Spanò and Matteo Rizzo and Lorenzo Benetollo and Sabina Rossi},
journal= {arXiv preprint arXiv:2603.26497},
year = {2026}
}