面向智能合约的 LLM 类 Few-Shot 学习安全程序分区
软件工程
2025-02-21 v1 人工智能
摘要
智能合约因敏感信息泄露而高度易受操纵攻击。由于操纵漏洞源于固有的保密性问题而非直接的实现错误，针对操纵漏洞的防御尤为具有挑战性。为防止敏感信息泄露，本文提出 PartitionGPT——首个结合静态分析与大语言模型(LLM)类 few-shot 学习能力的 LLM 驱动方法，用于根据少量标注的敏感数据变量，将智能合约划分为特权代码库和普通代码库。我们在包含 99 个敏感函数的 18 个标注智能合约上对 PartitionGPT 进行评估。结果表明，PartitionGPT 成功生成 78% 敏感函数的可编译且经验证的分区代码，相较于函数级分区方法减少约 30% 代码。进一步在九起导致总损失 250 万美元的真实世界操纵攻击上评估 PartitionGPT，结果显示其有效阻止了八起攻击，凸显其广泛适用性以及在智能合约开发中实施安全程序分区以降低操纵漏洞的必要性。
引用
@article{arxiv.2502.14215,
title = {Towards Secure Program Partitioning for Smart Contracts with LLM's In-Context Learning},
author = {Ye Liu and Yuqing Niu and Chengyan Ma and Ruidong Han and Wei Ma and Yi Li and Debin Gao and David Lo},
journal= {arXiv preprint arXiv:2502.14215},
year = {2025}
}