💻 computer science

Enhancing Smart Contract Vulnerability Detection in DApps Leveraging Fine-Tuned LLM

Dieses Paper schlägt einen neuartigen Ansatz vor, der auf fein abgestimmten Large Language Models (Llama3-8B und Qwen2-7B) basiert, die auf einem umfassenden Datensatz von 215 realen DApp-Projekten trainiert wurden, um die Erkennung von Smart-Contract-Schwachstellen, insbesondere komplexer Logikfehler wie Token-Preismanipulationen, die herkömmliche Tools oft übersehen, signifikant zu verbessern.

Ursprüngliche Autoren: Jiuyang Bu, Wenkai Li, Zongwei Li, Zeng Zhang, Xiaoqi Li

Veröffentlicht 2026-02-03

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jiuyang Bu, Wenkai Li, Zongwei Li, Zeng Zhang, Xiaoqi Li

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen Smart Contract als einen digitalen Verkaufsautomaten vor, der auf einer Blockchain lebt. Sobald Sie Geld hineinwerfen, gibt er automatisch eine Limonade (oder einen digitalen Token) aus, basierend auf den Regeln, die Sie in ihn programmiert haben. Das Problem ist: Wenn der Programmierer einen Fehler im Code gemacht hat, könnte der Automat Ihnen entweder kostenlos Limonade geben, Ihr Geld stehlen oder für immer stecken bleiben. Da diese Automaten „immutabel“ sind (man kann die Regeln nicht ändern, sobald sie gebaut wurden), ist es entscheidend, diese Fehler zu finden, bevor sie in Betrieb gehen.

Dieses Paper handelt vom Bau eines superintelligenten Sicherheitswachmanns, der diese Verkaufsautomaten auf Mängel prüft, bevor sie eröffnen.

Das Problem: Alte Wachleute vs. Neue Tricks

Traditionell nutzten Sicherheitswachleute „Regelbücher“ (statische Analyse-Tools). Sie suchten nach spezifischen, bekannten Fehlern, wie etwa: „Ist dort ein Loch im Boden?“ oder „Ist die Tür verschlossen?“

Das Problem: Hacker werden immer raffinierter. Sie brechen nicht nur Schlösser auf; sie finden seltsame, logische Schlupflöcher. Zum Beispiel: „Wenn ich um 9:00 Uhr einen Token kaufe und um 9:01 Uhr verkaufe, kann ich den Automaten austricksen, damit er denkt, der Preis sei höher, als er eigentlich ist?“
Die Einschränkung: Die alten Regelbücher können diese komplexen, logischen Tricks nicht erkennen. Sie sind wie ein Wachmann, der zwar weiß, wie man nach einem kaputten Fenster sucht, aber nicht versteht, wie ein Dieb ein Schloss knacken könnte.

Die Lösung: Ein „spezialisierter“ KI-Wachmann

Die Autoren entschieden sich dafür, ein Large Language Model (LLM) zu verwenden – eine Art von KI, die sehr gut darin ist, menschliche Sprache und Code zu lesen und zu verstehen. Betrachten Sie ein Standard-LLM als einen allgemein gebildeten Bibliothekar. Er weiß viel über alles, hat aber nicht speziell „Blockchain-Sicherheit“ studiert.

Wenn Sie einen allgemein gebildeten Bibliothekar fragen: „Ist dieser Code sicher?“, rät er vielleicht, aber er liegt oft falsch, weil er nicht genug spezifische Beispiele für schlechten Code gesehen hat.

Die Innovation der Autoren: Anstatt den Bibliothekarar nur raten zu lassen, haben sie ihn speziell auf eine riesige Bibliothek realer Blockchain-Katastrophen trainiert. Sie haben den Generalisten in einen spezialisierten Sicherheitsexperten verwandelt.

So bauten sie den Experten

Die Trainingsdaten (Die „Fallakten“):
Die meisten vorangegangenen Studien verwendeten winzige, einfache Codebeispiele (wie ein 40-zeiliges Skript). Das ist so, als würde man einen Sicherheitswachmann an einem Spielzeug-Verkaufsautomaten trainieren.

Was sie taten: Das Team sammelte 215 reale Projekte, die fast 5.000 Contracts enthielten. Sie bezogen sogar knifflige, schwer zu entdeckende „logische Fehler“ wie die Manipulation von Token-Preisen (bei der Hacker das System austricksen, um den Wert von Geld zu verändern).
Das Werkzeug: Sie bauten ein Roboter-Tool namens „SmartCollect“, um alle unordentlichen, miteinander vernetzten Dateien zu sammeln, die eine echte App ausmachen, um sicherzustellen, dass die KI das gesamte Bild sieht und nicht nur isolierte Schnipsel.

Das Ungleichgewicht korrigieren (Das „Seltene Krankheit“-Problem):
In der realen Welt ist die meiste Code sicher, und nur sehr wenig ist fehlerhaft. Das ist wie ein Arzt, der versucht zu lernen, eine seltene Krankheit zu diagnostizieren, wenn 99 % seiner Patienten gesund sind. Die KI wird verwirrt und sagt einfach „Alles ist in Ordnung“, um auf der sicheren Seite zu sein.

Die Lösung: Sie verwendeten eine Technik namens Random Over Sampling (ROS). Stellen Sie sich vor, Sie nehmen die wenigen Beispiele für „kaputte Maschinen“ und machen Fotokopien davon, damit die KI sie genauso oft sieht wie die „funktionierenden Maschinen“. Dies zwingt die KI, den Mängeln Aufmerksamkeit zu schenken.

Die Trainingsmethoden (Zwei Wege zu lehren):

Full-Parameter Fine-Tuning (FFT): Dies ist so, als würde man das gesamte Gehirn der KI umschreiben, um sie zu spezialisieren. Es ist aufwendig und verbraucht viel Energie, macht die KI aber zu einem wahren Experten.
LoRA (Low-Rank Adaptation): Dies ist so, als würde man der KI ein spezialisiertes Notizbuch hinzufügen. Es ist leichter und schneller, aber das Paper fand heraus, dass es nicht ganz so gut darin war, die kniffligen Bugs zu finden wie die vollständige Umschreibung.

Das „Dual-Audit“-System:
Die KI rät nicht einfach nur. Sie nimmt zwei Rollen ein:

Der Auditor: Schaut sich den Code an und sagt: „Ich glaube, hier gibt es ein Problem.“
Der Verifier: Überprüft die Arbeit des Auditors doppelt, um sicherzustellen, dass dieser nicht bloß halluziniert.

Die Ergebnisse: Hat es funktioniert?

Das Paper vergleicht ihre spezialisierte KI mit der „allgemein gebildeten“ KI (die nur Fragen stellt, ohne Training) und anderen Sicherheitstools.

Allgemein gebildete KI: Hat nur etwa 20 % der Fälle richtig erkannt. Sie hat hauptsächlich geraten.
Spezialisierte KI (mit Vollständigem Training): Hat etwa 83 % der Fälle richtig erkannt (F1-Score).
Den Wettbewerb schlagen: Ihre Methode war besser als andere Top-Tools (wie GPTLENS und GPTSCAN).
Die „Unprüfbaren“ Siege: Der größte Sieg war das Aufspüren von Preismanipulations-Fehlern. Dies sind die „logischen Fehler“, die Computer normalerweise übersehen. Ihre KI hat diese mit einer Präzision von 97 % erkannt (wenn sie sagte: „Dies ist fehlerhaft“, hatte sie fast immer recht).

Das Fazit

Das Paper argumentiert, dass man, um die klügsten Hacker zu fangen, nicht nur eine generische KI oder ein einfaches Regelbuch braucht. Man muss eine leistungsstarke KI nehmen, sie mit einer riesigen Menge an realer, unordentlicher, komplexer Code füttern und sie spezifisch darauf trainieren, die subtilen, logischen Tricks zu erkennen, die Menschen und alte Computer übersehen. Durch dies haben sie einen viel zuverlässigeren Sicherheitswachmann für die Welt der dezentralen Anwendungen (DApps) geschaffen.

Technische Zusammenfassung: Verbesserung der Erkennung von Schwachstellen in Smart Contracts in DApps durch feinabgestimmte LLMs

Problemstellung
Dezentrale Anwendungen (DApps) sind kritischen Sicherheitsrisiken durch Schwachstellen in ihren zugrunde liegenden Smart Contracts ausgesetzt. Während traditionelle Erkennungsmethoden wie die statische Analyse und die Zustandsübergangsverifizierung effektiv für bekannte Muster (z. B. Reentrancy, Arithmetikfehler) sind, haben sie Schwierigkeiten mit aufkommenden Bedrohungen und „maschinell nicht auditierbaren“ logischen Fehlern. Jüngste Statistiken zeigen, dass fast 80 % der Contract-Schwachstellen logische Fehler sind, einschließlich komplexer Probleme wie der Manipulation von Token-Preisen, die konventionelle Programmanalysen umgehen. Darüber hinaus verlassen sich bestehende Benchmarks oft auf vereinfachte Datensätze (Contracts mit weniger als 40 Zeilen), die die Komplexität realer DApp-Projekte nicht abbilden. Aktuelle Ansätze mit Large Language Models (LLMs), die auf Prompt Engineering oder Retrieval-Augmented Generation (RAG) basieren, zeigen ebenfalls Einschränkungen und erreichen lediglich eine Genauigkeit von 40–60 %, da es ihnen an einer domänenspezifischen Anpassung an die Programmiersprache Solidity mangelt.

Methodik
Das Paper schlägt ein neuartiges Framework vor, das feinabgestimmte LLMs nutzt, um die Erkennung von Schwachstellen in DApps zu verbessern. Die Methodik besteht aus vier Kernkomponenten:

Umfassende Datenerhebung:
Die Autoren haben einen neuen Datensatz erstellt, der 215 reale DApp-Projekte und 4.998 Smart Contracts umfasst. Im Gegensatz zu bisherigen Datensätzen wurde diese Sammlung mit einem maßgeschneiderten Python-Tool namens SmartCollect erstellt, das vollständige Projektabhängigkeiten, einschließlich öffentlicher Bibliotheken und externer Contracts, rekonstruiert. Der Datensatz adressiert gezielt den Mangel an Beispielen für logische Fehler, indem er 23 Contracts mit Schwachstellen in der Token-Preismanipulation sowie Standard-Schwachstellen wie Reentrancy, Arithmetikprobleme und Zeitstempelabhängigkeiten enthält.
Datenaugmentation (ROS):
Um das schwerwiegende Klassenungleichgewicht anzugehen, das bei der Erkennung von Schwachstellen inhärent ist (da vulnerable Fälle eine Minderheit darstellen), verwendet die Studie Random Over Sampling (ROS). Diese Technik dupliziert Stichproben aus der Minderheitenklasse, um den Datensatz auszubalancieren, wodurch die oft beobachtete Leistungsdegradation von Deep-Learning-Modellen, die auf unbalancierten Realdaten trainiert werden, gemildert wird.
Dual-Role LLM Architektur:
Das vorgeschlagene System nutzt einen zweistufigen Audit-Prozess, bei dem das LLM über Prompt Engineering zwei unterschiedliche Rollen einnimmt:

Smart Contract Auditor: Überprüft den Code, um potenzielle Schwachstellen zu identifizieren und die Begründung zu generieren.
Verifier: Validiert die identifizierten Schwachstellentypen weiter, um Genauigkeit und Stringenz zu gewährleisten.
Die Prompts sind mit Chain-of-Thought (CoT) Reasoning gestaltet, was das Modell dazu verpflichtet, den Workflow eines Auditors zu emulieren, indem es Kontext versteht, die Logik analysiert und strukturierte Ausgaben liefert.

Fine-Tuning Strategien:
Die Studie evaluiert zwei Fine-Tuning-Ansätze auf gängigen Open-Source-Modellen (Llama3-8B und Qwen2-7B):

Full-Parameter Fine-Tuning (FFT): Aktualisiert alle Modellparameter via Gradientenabstieg, um eine optimale aufgabenspezifische Leistung zu erzielen.
Low-Rank Adaptation (LoRA): Eine parametereffiziente Methode, die die Basisgewichte des Modells einfriert und Low-Rank-Matrizen ( $A$ und $B$ ) trainiert, um Gewichtsaktualisierungen zu approximieren, was den Rechenaufwand reduziert.

Wesentliche Beiträge

Real-World Datensatz: Erstellung eines groß angelegten, repräsentativen Datensatzes von 215 DApp-Projekten (4.998 Contracts), der komplexe logische Fehler und Token-Preismanipulations-Fehler enthält und damit die Lücke gelassener, vereinfachter Benchmarks schließt.
Fine-Tuning Framework: Demonstration, dass domänenspezifisches Fine-Tuning (FFT und LoRA) promptbasierte LLMs und State-of-the-Art Tools (GPTLENS, GPTSCAN) bei der Erkennung von Smart Contract Schwachstellen signifikant übertrifft.
Erkennung logischer Fehler: Ein spezifischer Fokus auf „maschinell nicht auditierbaren“ Schwachstellen beweist, dass feinabgestimmte LLMs in der Lage sind, logische Fehler wie Preismanipulationen effektiv zu erkennen, die traditionelle Tools übersehen.
Validierung der Datenaugmentation: Empirische Belege zeigen, dass ROS die Modellleistung auf unbalancierten Schwachstellen-Datensätzen signifikant verbessert.

Experimentelle Ergebnisse
Die Studie führte Vergleichsexperimente durch, um vier Forschungsfragen bezüglich Performance, dem Einfluss von Fine-Tuning, der Erkennung logischer Fehler und der Datenaugmentation zu beantworten:

Performance vs. Baselines: Feinabgestimmte Modelle übertrafen nicht-feinabgestimmte, promptbasierte Ansätze signifikant. Während ein Standard Qwen2-7B Prompt einen F1-Score von nur 0,20 erreichte, erzielte das feinabgestimmte Llama3-8B-FFT einen F1-Score von 0,73 (Precision: 0,78, Recall: 0,70).
Vergleich mit SOTA: Die feinabgestimmten Modelle (Llama3-8B-FFT und Qwen2-7B-FFT) erreichten eine Precision von 0,78 und übertrafen damit GPTLENS (0,64) und GPTSCAN (0,57).
Erkennung logischer Fehler: Der Ansatz zeigte eine außergewöhnliche Fähigkeit bei der Erkennung von Token-Preismanipulations-Schwachstellen (PMV). Das Llama3-8B-FFT Modell erreichte eine Precision von 0,97 und einen Recall von 0,68 für PMV, was seine Fähigkeit unterstreicht, mit nicht-maschinell auditierbaren Fehlern umzugehen.
Auswirkung der Datenaugmentation: Die Anwendung von ROS auf den Fine-Tuning-Prozess führte zu weiteren Verbesserungen. Das Llama3-8B-FFT-ROS Modell erreichte einen F1-Score von 0,83 (Precision: 0,84, Recall: 0,79), was eine Steigerung der Precision um 6–7 % und eine Steigerung des Recalls um 9–16 % im Vergleich zur nicht-augmentierten FFT-Baseline darstellt.

Bedeutung
Das Paper stellt fest, dass die domänenspezifische Feinabstimmung von LLMs in Kombination mit Datenaugmentationstechniken wie ROS eine robuste Lösung für die sich entwickelnden Sicherheitsherausforderungen im Blockchain-Ökosystem bietet. Durch den Übergang von vordefinierten Schwachstellenmustern und allgemeiner Prompting-Methoden adressiert dieser Ansatz effektiv die Erkennung komplexer, logischer und maschinell nicht auditierbarer Schwachstellen in realen DApps. Die Ergebnisse unterstreichen das Potenzial von feinabgestimmten LLMs, als kritische Schutzschicht für die Blockchain zu dienen, insbesondere bei der Identifizierung der anspruchsvollen logischen Fehler, die den Großteil der modernen Smart Contract Risiken ausmachen.