Smart Learning to Find Dumb Contracts (Extended Version)

Resumen Técnico: DLVA - Analizador de Vulnerabilidades de Aprendizaje Profundo

1. El Problema

Los contratos inteligentes de Ethereum son propensos a errores y vulnerabilidades que han provocado pérdidas financieras masivas (cientos de millones de dólares). El análisis de estos contratos enfrenta dos desafíos principales:

• Disponibilidad del Código: Aproximadamente dos tercios de los contratos en Ethereum no tienen el código fuente (Solidity) disponible públicamente; solo existe el bytecode (código máquina). La mayoría de las herramientas de análisis existentes (como Slither) requieren código fuente, lo que deja una gran parte de los contratos sin analizar.
• Eficiencia y Escalabilidad: Las herramientas tradicionales basadas en métodos formales o ejecución simbólica son extremadamente lentas (segundos o minutos por contrato) y a menudo fallan (tiempos de espera o errores) al analizar contratos grandes o complejos. Esto impide el escaneo masivo en tiempo real de la cadena de bloques.

2. Metodología: DLVA (Deep Learning Vulnerability Analyzer)

DLVA es una herramienta que utiliza técnicas de aprendizaje profundo (Deep Learning) para detectar 29 tipos de vulnerabilidades directamente en el bytecode, sin necesidad de reglas expertas manuales ni ingeniería de características predefinidas.

El sistema se compone de tres módulos principales:

• A. Extracción de Características (SC2V - Smart Contract to Vector):

  • Entrada: Bytecode del contrato.
  • Proceso:
    1. Se desensambla el bytecode en una secuencia de opcodes.
    2. Se construye un Gráfico de Flujo de Control (CFG) utilizando la herramienta EtherSolve.
    3. Cada bloque básico (nodo del CFG) se trata como una "oración" de instrucciones y se convierte en un vector de 512 dimensiones utilizando el Universal Sentence Encoder (USE) entrenado de forma no supervisada.
    4. Se utiliza una Red Neuronal de Grafos (GCN) modificada combinada con una capa de SortPooling (de DGCNN) para agregar la información de los nodos vecinos y generar una representación vectorial única del contrato completo (4,128 dimensiones).
  • Innovación: Trata el programa como un grafo en lugar de una simple secuencia lineal, capturando estructuras semánticas críticas.

• B. Detector de Hermanos (SD - Sibling Detector):

  • Función: Clasifica contratos "fáciles" comparando el vector del contrato de prueba con los vectores del conjunto de entrenamiento.
  • Mecanismo: Calcula la distancia euclidiana. Si un contrato de prueba está muy cerca (distancia < 0.1) de un contrato etiquetado en el entrenamiento, se le asigna la misma etiqueta.
  • Ventaja: Proporciona una precisión extremadamente alta (97.4%) para contratos que son similares a los conocidos, con una tasa de falsos positivos casi nula (0.1%).

• C. Clasificador Central (CC - Core Classifier):

  • Función: Clasifica los contratos "difíciles" (aquellos que no tienen "hermanos" cercanos en el espacio vectorial).
  • Mecanismo: Utiliza una Red Neuronal Feed-Forward (FFN) que toma el vector del contrato generado por SC2V y predice la presencia de vulnerabilidades.
  • Entrenamiento: Entrenado de forma supervisada utilizando las etiquetas generadas por Slither (un analizador estático de código fuente) como "oráculo", permitiendo que DLVA aprenda a juzgar bytecode basándose en el conocimiento de Slither sobre código fuente.

3. Contribuciones Clave

1. Extensión de Análisis de Código Fuente a Bytecode: DLVA logra "enseñar" a un modelo de aprendizaje profundo a juzgar bytecode utilizando las etiquetas de Slither (que solo ve código fuente), superando la barrera de la falta de código fuente en el 67% de los contratos.
2. Arquitectura Híbrida (SD + CC): Combina un detector basado en similitud (SD) para casos obvios y un clasificador neuronal (CC) para casos complejos, logrando un rendimiento superior al de sus componentes individuales.
3. Velocidad Sin Precedentes: DLVA analiza un contrato promedio en 0.2 segundos, lo que representa una aceleración de 10 a 1,000 veces en comparación con las herramientas tradicionales.
4. Robustez ante Errores de Etiquetado: El algoritmo de entrenamiento demostró ser robusto, tolerando una tasa de error de etiquetado del 1.25% en los datos de Slither e incluso corrigiendo etiquetas erróneas de Slither en algunos casos.
5. Generalización: El sistema no utiliza reglas manuales; aprende patrones directamente de los datos, lo que facilita la adaptación a nuevas vulnerabilidades en el futuro.

4. Resultados y Evaluación

Los autores evaluaron DLVA utilizando múltiples conjuntos de datos (EthereumSC, Elysium, Reentrancy, SolidiFI) y lo compararon con 9 herramientas de vanguardia (Oyente, Mythril, Slither, eThor, etc.).

• Precisión Global: DLVA alcanzó una precisión promedio del 99.7% en los benchmarks, superando a Slither (97.2%) y a todas las demás herramientas.
• Tasa de Completitud: DLVA completó el 100% de las consultas, mientras que otras herramientas fallaron o se agotaron en tiempo (timeout) en muchos casos.
• Tasa de Verdaderos Positivos (TPR): 98.7% (3ª mejor, detrás de eThor y Slither).
• Tasa de Falsos Positivos (FPR): 0.6% (2ª mejor, solo superada por SAILFISH con 0.1%, pero SAILFISH tiene una TPR mucho menor).
• Rendimiento en Contratos Pequeños: En contratos pequeños (<750 opcodes), DLVA alcanzó una precisión del 97.6% con un FPR de solo 2.3%.
• Comparación con el Oráculo (Slither): DLVA predice las etiquetas de Slither con una precisión del 92.7% general, demostrando que puede replicar y superar el análisis de código fuente aplicado al bytecode.

5. Significado e Impacto

• Seguridad a Escala: La velocidad de DLVA permite el escaneo continuo y en tiempo real de nuevos contratos desplegados en Ethereum, algo imposible con herramientas lentas.
• Cobertura Total: Al funcionar sobre bytecode, DLVA puede auditar contratos que de otro modo serían "cajas negras" para los analistas, protegiendo activos que suman millones de dólares.
• Paradigma de Aprendizaje: Demuestra que el aprendizaje profundo, cuando se combina con representaciones de grafos (CFG) y técnicas de embeddings de texto (USE), puede superar a los métodos de análisis estático tradicionales en velocidad y precisión, sin requerir la creación manual de reglas complejas.
• Herramienta de Depuración: DLVA ha sido capaz de identificar contradicciones en las etiquetas de Slither, sugiriendo que las técnicas de aprendizaje automático pueden ayudar a mejorar y depurar los propios analistas estáticos.

En conclusión, DLVA representa un avance significativo en la seguridad de los contratos inteligentes, ofreciendo una solución rápida, precisa y escalable que democratiza la auditoría de seguridad para todos los contratos de Ethereum, independientemente de si su código fuente está disponible o no.