Vulnerability-Hunter：一种用于智能合约漏洞的自适应特征感知注意力网络

智能合约漏洞检测（SCVD）对于保证基于区块链的系统的质量至关重要。图神经网络已被证明能有效学习智能合约代码的语义表示，并被现有的基于深度学习的SCVD普遍采用。然而，当前方法在使用基于预定义规则的图采样或子图池化从智能合约代码的结构图中提取关键组件方面仍存在局限性。这些基于预定义规则的策略通常使用静态规则或启发式方法设计，在智能合约代码的异构拓扑中，它们根据图的结构和内容动态调整提取策略的适应性有限。因此，这些策略可能不具备对所有智能合约的普适性，可能导致误报或漏报。为了解决这些问题，我们提出了AFPNet，一种新颖的漏洞检测模型，配备了一个具有动态权重的特征感知模块，用于全面扫描整个智能合约代码并自动提取关键代码片段（权重最大的$P$个片段）。随后，关系感知注意力模块采用注意力机制来学习这些代码片段之间的依赖关系并检测智能合约漏洞。AFPNet所做的努力能够持续捕获关键代码片段并提升SCVD优化的性能。我们在几个带有漏洞标签的大规模数据集上对AFPNet进行了评估。实验结果表明，我们的AFPNet在F1分数上显著优于最先进的方法6.38%-14.02%。结果证明了AFPNet在动态提取有价值信息和漏洞检测方面的有效性。