💻 computer science

Identifying and Characterizing Semantic Clones of Solidity Functions

Dieser Beitrag stellt eine skalierbare Methodik zur Identifizierung semantischer Klone in Solidity-Smart Contracts vor, die durch die Analyse von Code und Kommentaten hohe Präzision und Recall erzielt, strukturelle Designalternativen untersucht und Large Language Models nutzt, um Dokumentationslücken in kommentlosem Code zu überbrücken.

Ursprüngliche Autoren: Ermanno Francesco Sannini, Francesco Salzano, Simone Scalabrino, Rocco Oliveto, Remo Pareschi, Corrado Aaron Visaggio, Andrea Di Sorbo

Veröffentlicht 2026-04-30

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ermanno Francesco Sannini, Francesco Salzano, Simone Scalabrino, Rocco Oliveto, Remo Pareschi, Corrado Aaron Visaggio, Andrea Di Sorbo

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 die Welt der Smart Contracts (die digitalen Vereinbarungen, die auf Blockchains wie Ethereum laufen) als eine riesige, öffentliche Bibliothek vor. Sobald ein Buch (ein Vertrag) geschrieben und ins Regal gestellt wurde, kann es niemals gelöscht oder verändert werden. Da die Bücher öffentlich sind, kopieren Autoren oft Abschnitte aus anderen Büchern, um Zeit zu sparen. Dies wird als „Klonen" bezeichnet.

Meistens ist das Kopieren leicht zu erkennen. Wenn Sie einen Absatz wortwörtlich kopieren, ist es offensichtlich. Aber was, wenn jemand einen Absatz mit völlig anderen Worten umschreibt, die Satzstruktur ändert und ein paar Synonyme austauscht, aber die Bedeutung genau gleich bleibt? In der Welt der Programmierung nennt man dies einen semantischen Klon (oder einen Typ-4-Klon).

Diese Arbeit handelt davon, einen besseren „Bibliothekar" zu entwickeln, um diese versteckten, umformulierten Kopien in Solidity (der Sprache, mit der diese Verträge geschrieben werden) zu finden, denn das Kopieren schlechter Logik kann Sicherheitslücken genauso leicht verbreiten wie das Kopieren guter Logik.

Hier ist eine Aufschlüsselung ihrer Arbeit mit einfachen Analogien:

1. Das Problem: Die Falle des „umschriebenen Rezepts"

Stellen Sie sich zwei Köche vor, die Rezepte für „Schokoladenkuchen" schreiben.

Koch A schreibt: „Mehl, Zucker und Eier mischen. Bei 175 °C backen."
Koch B schreibt: „Trockene Zutaten mit feuchten Zutaten vermengen. Im Ofen bei 175 °C backen."

Für einen Computer, der nach exakten Übereinstimmungen sucht, sehen diese völlig unterschiedlich aus. Für einen Menschen sind es jedoch dasselbe Rezept. In der Blockchain-Welt, wenn das Rezept von Koch A einen versteckten Fehler hat (wie das Vergessen zu prüfen, ob der Ofen heiß ist) und Koch B die Idee kopiert, ohne den Fehler zu bemerken, ist die ganze Küche in Gefahr.

Die Autoren stellten fest, dass bestehende Tools wie Roboter sind, die nur nach exakten Wortübereinstimmungen suchen. Sie verpassen diese „umschriebenen Rezepte".

2. Die Lösung: Die „Notizen des Kochs" lesen

Die Forscher erkannten, dass, während der Code (die Zutaten und Schritte) anders aussehen mag, die Kommentare (die Notizen, die der Koch über das Rezept geschrieben hat) die Absicht oft auf sehr ähnliche Weise erklären.

Die Analogie: Denken Sie an den Code als die Handlungen und die Kommentare als den Voice-over, der erklärt, was die Handlungen tun.
Die Methode: Sie entwickelten ein System, das zwei Dinge vergleicht:
1. Der Code: Sie prüfen, ob der Code anders ist (geringe Ähnlichkeit).
2. Die Kommentare: Sie prüfen, ob die geschriebenen Beschreibungen sehr ähnlich sind (hohe Ähnlichkeit).

Wenn der Code anders aussieht, aber der Voice-over gleich klingt, markieren sie ihn als „semantischen Klon".

3. Die Ergebnisse: Ein hochpräziser Detektiv

Sie testeten diese Methode an einem riesigen Datensatz von fast 300.000 modernen Smart Contracts.

Die Erfolgsquote: Als sie eine Stichprobe von 1.155 Paaren manuell überprüften, lag ihre Methode insgesamt in 59 % der Fälle richtig.
Der Bonus „gleicher Name": Wenn die Funktionen denselben Namen hatten (beide beispielsweise transfer genannt), stieg die Genauigkeit auf 84 %.
Das Sicherheitsnetz: Sie überprüften auch, ob sie welche übersehen hatten. Sie stellten fest, dass sie nur etwa 3 % der echten Klone übersehen hatten (eine „Recall"-Rate von 97 %).

Sie entdeckten, dass diese „umschriebenen Rezepte" nicht nur Zufälle sind; sie sind oft Designentscheidungen. Entwickler schreiben sie um, um den Code sicherer zu machen, „Gas" zu sparen (die Gebühr, die für die Ausführung des Vertrags gezahlt wird), oder um den Code besser zu organisieren.

4. Die Herausforderung: Die „stille" Bibliothek

Ein großes Problem, das sie fanden, ist, dass 75 % dieser Funktionen überhaupt keine Kommentare haben. Es ist wie eine Bibliothek, in der drei Viertel der Bücher keine Titel oder Zusammenfassungen haben. Ohne Kommentare kann ihre „Voice-over"-Methode nicht funktionieren.

5. Die Lösung: Der „KI-Schreiber" (LLMs)

Um das Problem der „stille Bibliothek" zu lösen, setzten sie Large Language Models (KI) ein, um als Schreiber zu fungieren.

Die Analogie: Wenn ein Buch keine Zusammenfassung hat, baten sie die KI, den Code zu lesen und eine Zusammenfassung dafür zu schreiben.
Das Experiment: Sie gaben der KI den Code, baten sie, eine Beschreibung zu schreiben, und nutzten dann ihr System, um die von der KI geschriebenen Beschreibungen zu vergleichen.
Das Ergebnis: Selbst ohne von Menschen geschriebene Notizen ermöglichten die von der KI generierten Zusammenfassungen ihnen, 75 % der versteckten Klone korrekt zu finden.

Sie testeten auch verschiedene „Prompts" (Anweisungen an die KI). Sie stellten fest, dass die Aufforderung an die KI nach einer einfachen, direkten Zusammenfassung besser funktionierte als die Aufforderung nach einem komplexen, strukturierten Bericht. Die komplexen Berichte fügten zu viel „Füllmaterial" hinzu, das das System verwirrte, während einfache Zusammenfassungen den Fokus auf die Kernbedeutung behielten.

6. Warum dies wichtig ist

Die Autoren kommen zu dem Schluss, dass es hier nicht nur darum geht, Duplikate zu finden, sondern Alternativen zu finden.

Wenn Sie ein Entwickler sind, der einen sicheren Vertrag erstellt, wollen Sie nicht nur eine Möglichkeit, etwas zu tun. Sie wollen alle verschiedenen Wege sehen, wie andere Menschen dasselbe Problem gelöst haben.
Durch das Finden dieser semantischen Klone können Entwickler verschiedene „umschriebene Rezepte" vergleichen, um zu sehen, welches sicherer, günstiger oder effizienter ist, bevor sie ihren eigenen erstellen.

Kurz gesagt: Die Arbeit präsentiert einen neuen Weg, „versteckte Zwillinge" im Code zu finden, indem sie die Absicht (Kommentare) vergleichen und nicht nur die Syntax (Code). Wenn Kommentare fehlen, verwenden sie KI, um sie zu schreiben, und decken erfolgreich versteckte Designalternativen auf, die dazu beitragen könnten, Blockchain-Verträge sicherer und effizienter zu machen.

1. Problemstellung

Smart Contracts (SCs) auf Blockchains wie Ethereum sind unveränderlich und öffentlich, was zu hohen Wiederverwendungsraten von Code führt. Während syntaktische Code-Clones (Typ 1 bis 3) gut untersucht sind, bleiben Typ-4-Clones (semantische Clones) – Funktionen, die dieselbe logische Aufgabe erfüllen, sich jedoch erheblich in Syntax und Struktur unterscheiden – eine große Herausforderung.

Das Risiko: Die unbedachte Vervielfältigung semantischer Clones kann versteckte Schwachstellen (z. B. Reentrancy, fehlende Rückgabewertprüfungen) im gesamten Ökosystem verbreiten.
Die Lücke: Bestehende Tools (wie EClone) leiden unter geringer Präzision, hohem Overhead und Inkompatibilität mit modernen Solidity-Versionen (0.8+). Darüber hinaus fehlt es an aktuellen, kuratierten Datensätzen zur Evaluierung dieser Techniken.
Die Dokumentationsherausforderung: Ungefähr 75,57 % der Solidity-Funktionen verfügen über keine vom Entwickler verfassten Kommentare, was eine semantische Analyse mittels natürlicher Sprache erschwert.

2. Methodik

Die Autoren schlagen eine skalierbare, leichte Methodik vor, die Code-Analyse mit Natural Language Processing (NLP) von Kommentaren kombiniert, um Typ-4-Clones zu erkennen.

A. Datensatzkonstruktion

Quelle: Abruf über die Ethereum-Blockchain via Google BigQuery und Etherscan.
Umfang: Ca. 300.000 aktive Smart Contracts (82,07 % konform mit Solidity 0.8+).
Filterung: Extraktion von 2,7 Millionen Funktionen, Filterung nach public/external Sichtbarkeit und Entfernung von Funktionen mit trivialen oder fehlenden Kommentaren.
Endgültiger Datensatz: 216.429 hochwertige Funktionspaare mit sowohl Code als auch aussagekräftigen Kommentaren.

B. Erkennungsstrategie

Die Kernhypothese besagt, dass Funktionen mit geringer Code-Ähnlichkeit, aber hoher Kommentarähnlichkeit wahrscheinlich semantische Clones sind.

Embedding-Generierung:
- Code: Verwendung von SmartEmbed (AST + FastText) zur Generierung von Vektordarstellungen des Quellcodes.
- Kommentare: Verwendung von SBERT (all-MiniLM-L6-v2) zur Generierung semantischer Embeddings der Entwicklerkommentare.
Ähnlichkeitsberechnung:
- Berechnung der normalisierten euklidischen Distanz für Code und der kosinussähnlichkeit für Kommentare.
- Kandidatenauswahl: Auswahl von Paaren, bei denen die Code-Ähnlichkeit ( $cd\_s$ ) $\le 0,8$ UND die Kommentar-Ähnlichkeit ( $cm\_s$ ) $> 0,8$ beträgt.
Validierung:
- Durchführung einer manuellen Validierung an einer statistisch signifikanten Stichprobe von 1.155 Funktionspaaren (geschichtet über Basis-, Kandidaten- und Ergänzungssets).
- Zwei Domänenexperten (Promovierende mit 5+ Jahren Erfahrung) bewerteten die Paare unabhängig voneinander und erreichten einen Cohen's Kappa von 0,83.

C. Adressierung der Dokumentationslücke (Forschungsfrage 3)

Für die 75 % der Funktionen ohne Kommentare integrierten die Autoren Large Language Models (LLMs):

Strategie: Einsatz von ChatGPT-4o zur Generierung von Zusammenfassungen für kommentarlose Funktionen.
Prompt-Engineering: Vergleich eines „Base Prompt" (direkte Zusammenfassung) mit einer „Strukturierten Vorlage" (die spezifische Abschnitte wie Parameter und Rückgabewerte erfordert).
Evaluierung: Test, ob von LLMs generierte Zusammenfassungen echte Kommentare ersetzen können, wenn sie mit Embedding-Modellen (SBERT, BERT-base, CodeBERT-base) kombiniert werden.

3. Hauptbeiträge

Neuartige Methodik: Ein skalierbarer Ansatz zur Erkennung von Typ-4-Clones in Solidity durch Nutzung der Korrelation zwischen Code-Dissimilarität und Kommentarähnlichkeit.
Moderner Datensatz: Erstellung eines kuratierten Datensatzes mit ca. 300.000 aktiven Ethereum-Verträgen, die überwiegend Solidity 0.8 verwenden, wodurch die Lücke an aktuellen Ressourcen in diesem Bereich geschlossen wird.
LLM-Integration: Eine Demonstration der Nutzung von LLMs als „Dokumentations-Engines", um die Lücke bei schlecht dokumentiertem Code zu schließen und die Erkennung semantischer Clones in kommentarlosen Funktionen zu ermöglichen.
Charakterisierung von Clones: Eine qualitative Analyse, die zeigt, dass semantische Clones oft Designalternativen darstellen, die sich auf Sicherheit, Modularität und Gas-Optimierung konzentrieren, anstatt auf einfache Redundanz.

4. Hauptergebnisse

Leistungsmetriken (Forschungsfrage 1)

Präzision: 59 % insgesamt für den Kandidatensatz.
- 84 % Präzision bei Fokussierung auf homonyme Funktionen (Funktionen mit demselben Namen).
Recall: 97 % (was darauf hindeutet, dass die Methode sehr wenige wahre semantische Clones übersieht).
F1-Score: 74 %.
Baseline-Vergleich: Ein Baseline-Ansatz, der nur die Code-Ähnlichkeit verwendet (unter Ignorierung von Kommentaren), ergab eine Validierungsrate von <1 %, was den kritischen Wert der Kommentaranalyse beweist.

Charakterisierung der Clones (Forschungsfrage 2)

Die manuelle Analyse validierter Clones ergab gängige strukturelle Muster:

call_internal (22 %): Zerlegung der Logik in interne Hilfsfunktionen für Modularität.
diff_algo (16 %): Unterschiedliche Algorithmen, die dasselbe Ergebnis erzielen (z. B. unterschiedliche Reihenfolge von Operationen in transferFrom).
add_check (10 %): Hinzufügung von Validierungslogik (z. B. zusätzliche require-Anweisungen) ohne Änderung des Kernzustands.
safemath & modifier: Variationen im arithmetischen Schutz und bei der Zugriffskontrolle.
Erkenntnis: Semantische Clones sind oft beabsichtigte Designentscheidungen zur Verbesserung der Sicherheit oder Gas-Effizienz und nicht nur zufällige Duplikate.

Wirksamkeit von LLMs (Forschungsfrage 3)

Direkte Klassifizierung: LLMs versagten als direkte Clone-Erkennungssysteme (11 % Präzision).
Zusammenfassungsansatz: Verwendung von LLMs zur Generierung von Kommentaren, gefolgt von der Anwendung von SBERT:
- BERT-base erreichte 85 % True Positives bei LLM-generierten Kommentaren.
- Kommentarlose Funktionen: Anwendung auf 153 Paare homonymer, kommentarloser Funktionen; 75 % wurden unter Verwendung von LLM-generierten Zusammenfassungen als semantische Clones bestätigt.
- Prompt-Engineering: „Base Prompts" schnitten besser ab als „Strukturierte Vorlagen". Strukturierte Vorlagen führten zu Ähnlichkeitssättigung (zu viel Boilerplate-Text), was die Erkennungsgenauigkeit verringerte.

5. Bedeutung und Implikationen

Sicherheit und Risikominderung: Die Methodik ermöglicht es Entwicklern, funktional äquivalente Implementierungen zu identifizieren. Wenn eine Implementierung als anfällig befunden wird, können Entwickler nach allen semantischen Clones suchen und diese prüfen, um ökosystemweite Ausnutzungen zu verhindern.
Designalternativen: Sie bietet einen „Katalog" von Designmustern, der Entwicklern hilft, Implementierungen zu wählen, die eine bessere Gas-Optimierung oder Sicherheit bieten (z. B. die Wahl einer Version mit expliziten require-Prüfungen gegenüber einer ohne).
Benchmarking: Etabliert einen neuen, modernen Benchmark für die Solidity-Clone-Erkennung und geht über veraltete Tools wie EClone hinaus, die auf veraltete Bytecode-Analysen angewiesen sind.
Dokumentationslücke: Zeigt, dass LLMs effektiv als Stellvertreter für fehlende Dokumentation fungieren können, wodurch eine semantische Analyse auch in Legacy- oder schlecht dokumentierten Codebasen machbar wird.

Fazit

Das Papier validiert erfolgreich, dass die Kombination von Code-Embeddings mit natürlicher Sprachanalyse (sowohl von Menschen verfasst als auch von LLMs generiert) eine hochwirksame Strategie zur Erkennung semantischer Clones in Solidity ist. Obwohl es keine perfekte Lösung darstellt, bietet es eine robuste Grundlage für die automatisierte Entdeckung sicherer und effizienter Codealternativen im Blockchain-Ökosystem.