💻 computer science

Identifying and Characterizing Semantic Clones of Solidity Functions

Este artículo presenta una metodología escalable para identificar clones semánticos en contratos inteligentes de Solidity mediante el análisis de código y comentarios, logrando alta precisión y exhaustividad mientras explora alternativas de diseño estructural y aprovecha los Modelos de Lenguaje Grandes para cerrar las brechas de documentación en el código sin comentarios.

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

Publicado 2026-04-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

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

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el mundo de los Contratos Inteligentes (los acuerdos digitales que se ejecutan en blockchains como Ethereum) como una biblioteca pública masiva. Una vez que un libro (un contrato) se escribe y se coloca en la estantería, nunca puede ser borrado ni modificado. Como los libros son públicos, los escritores a menudo copian y pegan secciones de otros libros para ahorrar tiempo. Esto se llama "clonación".

La mayoría de las veces, copiar es fácil de detectar. Si copias un párrafo palabra por palabra, es obvio. Pero, ¿qué pasa si alguien reescribe un párrafo usando palabras completamente diferentes, cambia la estructura de la oración y sustituye algunos sinónimos, pero el significado permanece exactamente igual? En el mundo de la programación, esto se llama un Clon Semántico (o un clon de Tipo-4).

Este artículo trata sobre construir un mejor "bibliotecario" para encontrar estas copias ocultas y reescritas en Solidity (el lenguaje utilizado para escribir estos contratos), porque copiar una lógica defectuosa puede propagar vulnerabilidades de seguridad tan fácilmente como copiar una lógica correcta.

Aquí tienes un desglose de su trabajo utilizando analogías simples:

1. El Problema: La Trampa de la "Receta Reescrita"

Imagina a dos chefs escribiendo recetas para un "Pastel de Chocolate".

Chef A escribe: "Mezcla harina, azúcar y huevos. Hornea a 350°F."
Chef B escribe: "Combina los ingredientes secos con los húmedos. Coloca en el horno a 175°C."

Para una computadora que busca coincidencias exactas, estas parecen totalmente diferentes. Pero para un humano, son la misma receta. En el mundo de la blockchain, si la receta del Chef A tiene un defecto oculto (como olvidar verificar si el horno está caliente), y el Chef B copia la idea sin notar el defecto, toda la cocina está en peligro.

Los autores descubrieron que las herramientas existentes son como robots que solo buscan coincidencias exactas de palabras. Ellos pasan por alto estas "recetas reescritas".

2. La Solución: Leyendo las "Notas del Chef"

Los investigadores se dieron cuenta de que, aunque el código (los ingredientes y los pasos) pueda parecer diferente, los comentarios (las notas que el chef escribió sobre la receta) a menudo explican la intención de maneras muy similares.

La Analogía: Piensa en el código como las acciones y en los comentarios como la voz en off que explica qué están haciendo las acciones.
El Método: Construyeron un sistema que compara dos cosas:
1. El Código: Verifican si el código es diferente (baja similitud).
2. Los Comentarios: Verifican si las descripciones escritas son muy similares (alta similitud).

Si el código parece diferente pero la voz en off suena igual, lo marcan como un "Clon Semántico".

3. Los Resultados: Un Detective de Alta Precisión

Probaron este método en un conjunto masivo de datos de casi 300,000 contratos inteligentes modernos.

La Tasa de Éxito: Cuando verificaron manualmente una muestra de 1,155 pares, su método fue correcto el 59% de las veces en general.
El Bonus del "Mismo Nombre": Si las funciones tenían el mismo nombre (como que ambas se llamaran transfer), la precisión saltó al 84%.
La Red de Seguridad: También verificaron si se les había escapado alguno. Descubrieron que solo se les escapó aproximadamente el 3% de los clones reales (una tasa de "recall" del 97%).

Descubrieron que estas "recetas reescritas" no son solo accidentes; a menudo son decisiones de diseño. Los desarrolladores las reescriben para hacer el código más seguro, para ahorrar "gas" (la tarifa pagada para ejecutar el contrato) o para organizar mejor el código.

4. El Desafío: La Biblioteca "Silenciosa"

Un problema importante que encontraron es que el 75% de estas funciones no tiene comentarios en absoluto. Es como tener una biblioteca donde tres cuartas partes de los libros no tienen títulos ni resúmenes. Sin comentarios, su método de "voz en off" no puede funcionar.

5. La Solución: El "Escriba IA" (LLMs)

Para resolver el problema de la "biblioteca silenciosa", utilizaron Modelos de Lenguaje Grandes (IA) para actuar como un escriba.

La Analogía: Si un libro no tiene resumen, pidieron a la IA que leyera el código y escribiera un resumen para él.
El Experimento: Alimentaron a la IA con el código, le pidieron que escribiera una descripción y luego usaron su sistema para comparar las descripciones escritas por la IA.
El Resultado: Incluso sin notas escritas por humanos, los resúmenes generados por la IA les permitieron encontrar correctamente el 75% de los clones ocultos.

También probaron diferentes "prompts" (instrucciones para la IA). Descubrieron que pedirle a la IA un resumen simple y directo funcionaba mejor que pedir un informe complejo y estructurado. Los informes complejos añadían demasiada "relleno" que confundía al sistema, mientras que los resúmenes simples mantenían el enfoque en el significado central.

6. Por Qué Esto Importa

Los autores concluyen que esto no se trata solo de encontrar duplicados; se trata de encontrar alternativas.

Si eres un desarrollador que construye un contrato seguro, no solo quieres una forma de hacer algo. Quieres ver todas las diferentes formas en que otras personas han resuelto el mismo problema.
Al encontrar estos clones semánticos, los desarrolladores pueden comparar diferentes "recetas reescritas" para ver cuál es más segura, más barata o más eficiente antes de construir la suya propia.

En resumen: El artículo presenta una nueva forma de encontrar "gemelos ocultos" en el código comparando la intención (comentarios) en lugar de solo la sintaxis (código). Cuando faltan comentarios, utilizan la IA para escribirlos, descubriendo con éxito alternativas de diseño ocultas que podrían ayudar a hacer los contratos de blockchain más seguros y eficientes.

A continuación se presenta un resumen técnico detallado del artículo "Identificación y caracterización de clones semánticos de funciones en Solidity".

1. Planteamiento del Problema

Los contratos inteligentes (CI) en blockchains como Ethereum son inmutables y públicos, lo que conduce a altas tasas de reutilización de código. Aunque los clones de código sintácticos (Tipo-1 a Tipo-3) están bien estudiados, los clones de Tipo-4 (clones semánticos) —funciones que realizan la misma tarea lógica pero difieren significativamente en sintaxis y estructura— siguen siendo un desafío mayor.

El Riesgo: La clonación indiscriminada de clones semánticos puede propagar vulnerabilidades ocultas (por ejemplo, reentrancia, falta de verificación de valores de retorno) a través de todo el ecosistema.
La Brecha: Las herramientas existentes (como EClone) sufren de baja precisión, alto sobrecosto e incompatibilidad con versiones modernas de Solidity (0.8+). Además, existe una falta de conjuntos de datos actualizados y curados para evaluar estas técnicas.
El Desafío de la Documentación: Aproximadamente el 75.57% de las funciones en Solidity carecen de comentarios escritos por desarrolladores, lo que dificulta el análisis semántico mediante lenguaje natural.

2. Metodología

Los autores proponen una metodología escalable y ligera que combina el análisis de código con el procesamiento del lenguaje natural (PLN) de los comentarios para detectar clones de Tipo-4.

A. Construcción del Conjunto de Datos

Fuente: Recuperado de la blockchain de Ethereum mediante Google BigQuery y Etherscan.
Escala: ~300,000 contratos inteligentes activos (82.07% compatibles con Solidity 0.8+).
Filtrado: Se extrajeron 2.7 millones de funciones, filtrando por visibilidad public/external y eliminando funciones con comentarios triviales o ausentes.
Conjunto de Datos Final: 216,429 pares de funciones de alta calidad con tanto código como comentarios significativos.

B. Estrategia de Detección

La hipótesis central es que las funciones con baja similitud de código pero alta similitud de comentarios son probablemente clones semánticos.

Generación de Embeddings:
- Código: Se utilizó SmartEmbed (AST + FastText) para generar representaciones vectoriales del código fuente.
- Comentarios: Se utilizó SBERT (all-MiniLM-L6-v2) para generar embeddings semánticos de los comentarios de los desarrolladores.
Cálculo de Similitud:
- Se calculó la distancia euclidiana normalizada para el código y la similitud coseno para los comentarios.
- Selección de Candidatos: Se seleccionaron pares donde la Similitud de Código ( $cd\_s$ ) $\le 0.8$ Y la Similitud de Comentarios ( $cm\_s$ ) $> 0.8$ .
Validación:
- Se realizó una validación manual en una muestra estadísticamente significativa de 1,155 pares de funciones (estratificada en conjuntos base, candidatos y suplementarios).
- Dos expertos en el dominio (estudiantes de doctorado con más de 5 años de experiencia) etiquetaron los pares de forma independiente, logrando un Kappa de Cohen de 0.83.

C. Abordando la Brecha de Documentación (RQ3)

Para el 75% de las funciones sin comentarios, los autores integraron Modelos de Lenguaje Grande (LLM):

Estrategia: Se utilizó ChatGPT-4o para generar resúmenes de funciones sin comentarios.
Ingeniería de Prompts: Se comparó un "Prompt Base" (resumen directo) contra una "Plantilla Estructurada" (que requería secciones específicas como parámetros y valores de retorno).
Evaluación: Se probó si los resúmenes generados por LLM podían sustituir los comentarios reales al combinarse con modelos de embeddings (SBERT, BERT-base, CodeBERT-base).

3. Contribuciones Clave

Metodología Novel: Un enfoque escalable para detectar clones de Tipo-4 en Solidity aprovechando la correlación entre la disimilitud del código y la similitud de los comentarios.
Conjunto de Datos Moderno: Creación de un conjunto de datos curado de ~300,000 contratos activos de Ethereum, predominantemente usando Solidity 0.8, abordando la falta de recursos actualizados en el campo.
Integración de LLM: Una demostración del uso de LLM como "motores de documentación" para cerrar la brecha en el código mal documentado, permitiendo la detección de clones semánticos en funciones sin comentarios.
Caracterización de Clones: Un análisis cualitativo que revela que los clones semánticos a menudo representan alternativas de diseño enfocadas en seguridad, modularidad y optimización de gas, en lugar de una simple redundancia.

4. Resultados Clave

Métricas de Rendimiento (RQ1)

Precisión: 59% en general para el conjunto de candidatos.
- 84% de precisión al centrarse en funciones homónimas (funciones con el mismo nombre).
Recall: 97% (lo que indica que el método pasa por alto muy pocos clones semánticos reales).
Puntuación F1: 74%.
Comparación con Línea Base: Un enfoque base que utilizaba solo similitud de código (ignorando comentarios) arrojó una tasa de validación de <1%, demostrando el valor crítico del análisis de comentarios.

Caracterización de Clones (RQ2)

El análisis manual de los clones validados reveló patrones estructurales comunes:

call_internal (22%): Descomposición de la lógica en funciones auxiliares internas para modularidad.
diff_algo (16%): Algoritmos diferentes que logran el mismo resultado (por ejemplo, diferente orden de operaciones en transferFrom).
add_check (10%): Adición de lógica de validación (por ejemplo, declaraciones require adicionales) sin cambiar el estado central.
safemath & modifier: Variaciones en la protección aritmética y el control de acceso.
Insight: Los clones semánticos a menudo son decisiones de diseño intencionales para mejorar la seguridad o la eficiencia del gas, no simplemente duplicados accidentales.

Efectividad de los LLM (RQ3)

Clasificación Directa: Los LLM fallaron como detectores de clones directos (11% de precisión).
Enfoque de Resumación: Usar LLM para generar comentarios y luego aplicar SBERT:
- BERT-base logró 85% de Verdaderos Positivos en comentarios generados por LLM.
- Funciones sin Comentarios: Aplicado a 153 pares de funciones homónimas sin comentarios; el 75% fue confirmado como clones semánticos usando resúmenes generados por LLM.
- Ingeniería de Prompts: Los "Prompts Base" superaron a las "Plantillas Estructuradas". Las plantillas estructuradas causaron saturación de similitud (demasiado texto de relleno), reduciendo la precisión de detección.

5. Significado e Implicaciones

Seguridad y Mitigación de Riesgos: La metodología permite a los desarrolladores identificar implementaciones funcionalmente equivalentes. Si una implementación se encuentra vulnerable, los desarrolladores pueden buscar y auditar todos los clones semánticos para prevenir explotaciones a nivel de ecosistema.
Alternativas de Diseño: Proporciona un "catálogo" de patrones de diseño, ayudando a los desarrolladores a elegir implementaciones que ofrezcan mejor optimización de gas o seguridad (por ejemplo, elegir una versión con verificaciones require explícitas sobre una sin ellas).
Puntos de Referencia (Benchmarking): Establece un nuevo punto de referencia moderno para la detección de clones en Solidity, superando herramientas obsoletas como EClone que dependen del análisis de bytecode desactualizado.
Brecha de Documentación: Demuestra que los LLM pueden actuar eficazmente como un proxy para la documentación faltante, haciendo factible el análisis semántico incluso en bases de código heredadas o mal documentadas.

Conclusión

El artículo valida exitosamente que combinar embeddings de código con análisis de lenguaje natural (tanto escrito por humanos como generado por LLM) es una estrategia altamente efectiva para detectar clones semánticos en Solidity. Aunque no es una solución perfecta, proporciona una base sólida para el descubrimiento automatizado de alternativas de código seguras y eficientes en el ecosistema blockchain.