Zero-Shot Vulnerability Detection in Low-Resource Smart Contracts Through Solidity-Only Training
تقدم هذه الورقة البحثية Sol2Vy، وهو إطار عمل مبتكر يتيح الكشف عن الثغرات الأمنية بنمط "التعلم الصفري" (zero-shot) في عقود Vyper الذكية ذات الموارد المنخفضة، وذلك عبر نقل المعرفة من نماذج تم تدريبها حصرياً على لغة Solidity، مما يتغلب على ندرة مجموعات بيانات Vyper المصنفة ويتفوق على الأساليب الحالية الرائدة.
البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك مفتش أمني محترف لمدينة ما. لقد قضيت سنوات في دراسة مخططات مباني Solidity (وهي النوع الأكثر شيوعاً من العقود الذكية). أنت تعرف بالضبط أين تكمن الفخاخ المخفية، والأقفال الضعيفة، والعيوب الهيكلية لأن لديك مكتبة ضخمة من المخططات المصنفة كـ "آمنة" و"غير آمنة".
الآن، ظهر نوع جديد من مواد البناء يسمى Vyper. يبدو مختلفاً من الخارج (بنيته البرمجية تشبه لغة Python أكثر من الأسلوب القديم)، لكن الفيزياء التي تجعل هذه المباني قائمة وتعمل هي في الواقع متشابهة جداً. المشكلة هي أنه ليس لديك تقريباً أي مخططات لمباني Vyper، وبالتأكيد ليس لديك مخططات مصنفة توضح لك أين تكمن الفخاخ. إذا حاولت تعلم Vyper من الصفر، فستظل عالقاً لأن البيانات غير كافية.
إليك Sol2Vy: المفتش "المترجم العالمي".
يقدم هذا البحث إطار عمل ذكي يسمى Sol2Vy لحل هذه المشكلة. بدلاً من محاولة تعلم Vyper من الصفر، فإنه يعلم المفتش كيفية النظر إلى جوهر المبنى، متجاهلاً الاختلافات السطحية في الطلاء وأعمال الطوب.
إليك كيف يعمل، مقسماً إلى ثلاث خطوات بسيطة:
1. "المخطط العالمي" (SlithIR)
أولاً، يأخذ النظام كلا المخططين (Solidity و Vyper) ويترجمهما إلى لغة وسيطة عالمية تسمى SlithIR.
- التشبيه: فكر في Solidity و Vyper كلغتين مختلفتين (مثل الإنجليزية والفرنسية). SlithIR يشبه "كوداً عالمياً" أو "شفرة مورس" يجرد اللغتين من قواعد النحو والمفردات. إنه يختزل كلتا اللغتين إلى تعليماتهما المنطقية الخام: "انقل المال إلى هنا"، "تحقق مما إذا كان المستخدم مسموحاً له"، "انتظر إشارة".
- المشكلة: حتى في هذا الكود العالمي، ستظل النسخة الإنجليزية والنسخة الفرنسية تبدوان مختلفتين قليلاً بسبب كيفية بناء اللغتين الأصليتين.
2. "التدريب المتغير للشكل" (التعلم غير الخاضع للإشراف)
قبل أن يتمكن المفتش من القبض على المجرمين، يحتاج إلى أن يتعلم أن "الباب" (door) في الإنجليزية و"الporte" في الفرنسية هما الشيء نفسه.
- التشبيه: يأخذ النظام آلاف المخططات غير المصنفة من كلتا اللغتين ويجبر عقله على رؤيتها كشيء واحد. يستخدم خدعة رياضية (تسمى MMD Loss) لسحق الفروقات بين اللغتين ودمجهما معاً.
- النتيجة: يتعلم النظام رؤية "محايدة للغة". يتوقف عن رؤية "Solidity" أو "Vyper" ويبدأ في رؤية أنماط منطقية بحتة. يتعلم أن ثغرة "إعادة الدخول" (Reentrancy) - وهي نوع محدد من الفخاخ حيث يمكن للسارق استدعاء دالة مرتين قبل أن تنتهي الأولى - تبدو متشابهة في الكود العالمي، بغض النظر عن اللغة التي كُتب بها المبنى.
3. "المحقق ذو القدرة على التعرف الفوري" (التعلم الخاضع للإشراف والاختبار)
الآن يأتي السحر.
- الخطوة أ: يتم تدريب النظام على مكتبة Solidity (وهي ضخمة ومليئة بالفخاخ المصنفة). يتعلم النظام رصد الفخاخ باستخدام المنطق العالمي الذي أتقنه للتو.
- الخطوة ب: بعد ذلك، يتم تسليم النظام مبنى Vyper. لم يسبق له أبداً رؤية فخ مصنف في Vyper من قبل.
- السحر: بما أن النظام تعلم المنطق العالمي في الخطوة 2، فإنه ينظر إلى مبنى Vyper، ويرى نفس الفخ المنطقي الذي تعلمه في Solidity، ويقول: "آها! هذا هو فخ إعادة الدخول (Reentrancy)!"
- النتيجة: يقوم النظام باكتشاف الثغرات في Vyper دون الحاجة إلى مثال واحد مصنف لـ Vyper. هذا ما يسمى الكشف بنمط الصفر (Zero-Shot Detection).
لماذا يعد هذا أمراً مهماً؟
- الطريقة القديمة: الأدوات التقليدية (مثل Slither أو Mythril) تشبه المفتشين الذين يعرفون الإنجليزية فقط. عندما يرون مبنى فرنسياً، يصابون بالارتباك بسبب اختلاف الكلمات، أو يطلقون الكثير من "الإنذارات الكاذبة" (ظناً منهم أن باباً عادياً هو فخ) لدرجة تجعلهم عديمي الفائدة.
- الطالط الجديدة (Sol2Vy): إنها تشبه المفتش الذي يفهم فيزياء المبنى، وليس مجرد اللغة. إنه يتجاهل الكلمات "الفرنسية" ويرصد الخلل الهيكلي فوراً.
- الدليل: يظهر البحث أن Sol2Vy أفضل بكثير من الأدوات الموجودة. فهو يكتشف معظم الفخاخ الحقيقية (انخفاض في النتائج السلبية الكاذبة/False Negatives) ونادراً ما يطلق إنذارات خاطئة (انخفاض في النتائج الإيجابية الكاذبة/False Positives)، على الرغم من أنه تم تدريبه فقط على بيانات Solidity.
استعارة من العالم الحقيقي: ميكانيكي السيارات
تخيل أنك ميكانيكي قمت بإصلاح الملايين من سيارات تويوتا. أنت تعرف بالضبط صوت مضخة الوقود المعطلة في تويوتا.
فجأة، تظهر علامة تجارية جديدة للسيارات، Vyper. لها تصميم محرك مختلف وأزرار لوحة قيادة مختلفة. ليس لديك أي كتيبات لـ Vyper.
- النهج القديم: تحاول التخمين بناءً على أزرار لوحة القيادة. تفشل لأن الأزرار في أمابكن مختلفة.
- نهج Sol2Vy: تتعلم الاستماع إلى صوت المحرك (SlithIR). تدرك أن مضخة الوقود المعطلة تصدر نفس "الخشخشة" في سيارة Vyper كما تفعل في تويوتا. لذا، تستمع إلى محرك Vyper، تسمع تلك الخشخشة، وتقول: "هذه مضخة وقود معطلة"، رغم أنك لم ترَ كتيب تعليمات لـ Vyper من قبل.
الملخص
Sol2Vy هو جسر ذكي. يأخذ المعرفة الهائلة التي نملكها عن لغة واحدة (Solidity)، ويترجمها إلى منطق عالمي، ويطبقها على لغة جديدة تعاني من نقص البيانات (Vyper). إنه يسمح لنا بتأمين التقنيات الناشئة والجديدة دون الحاجة للانتظار لسنوات لجمع ما يكفي من البيانات لتدريب ذكاء اصطناعي جديد من الصفر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.