Resumen Técnico: Auditorías de Contratos Inteligentes Desacopladas mediante LLMs Ligeros

Declaración del Problema

Los contratos inteligentes, al ser inmutables una vez desplegados en las cadenas de bloques, son altamente susceptibles a vulnerabilidades de seguridad que pueden derivar en pérdidas financieras catastróficas (por ejemplo, el hackeo de The DAO). Aunque los Modelos de Lenguaje de Gran Escala (LLMs) han mostrado potencial en la auditoría de seguridad automatizada, los enfoques actuales enfrentan tres limitaciones críticas:

1. Ineficiencia Computacional: Las soluciones actuales de vanguardia (SOTA) dependen de LLMs monolíticos masivos (de 7B a 34B de parámetros) que requieren una VRAM de GPU sustancial (a menudo superando los 12–24 GB), lo que los hace inaccesibles para desarrolladores independientes y equipos pequeños que utilizan hardware de consumo estándar.
2. Falta de Resultados Accionables: Muchos enfoques se centran principalmente en la detección binaria de vulnerabilidades, descuidando la necesidad crítica de la clasificación de severidad y las recomendaciones de remediación específicas y accionables.
3. Defectos Arquitectónicos: Las estrategias de prompting unificado obligan a un único modelo a realizar simultáneamente diversas tareas de razonamiento (detección, explicación, severidad, remediación), lo que conduce a la propagación de errores, alucinaciones de formato y alta latencia.

Metodología

Los autores proponen un marco de trabajo desacoplado de extremo a extremo y eficiente que utiliza LLMs ligeros y de código abierto (0.6B–4B de parámetros) para replicar el flujo de trabajo de los expertos en seguridad humanos. El marco divide el proceso de auditoría en cuatro módulos especializados y secuenciales:

1. Detector de Vulnerabilidades: Una tarea de clasificación para identificar si el código contiene vulnerabilidades.
2. Explicador de Vulnerabilidades: Una tarea generativa para explicar la naturaleza de la vulnerabilidad y cómo puede ser explotada.
3. Determinador de Severidad: Una tarea de clasificación para asignar un nivel de severidad (Baja, Media, Alta).
4. Recomendador: Una tarea generativa para proporcionar parches de código accionables para la remediación.

Componentes Técnicos Clave

• Adaptadores de Bajo Rango con Estabilización de Rango (rsLoRA): En lugar de un ajuste fino (fine-tuning) completo o un LoRA estándar, los autores emplean rsLoRA. Esta técnica modifica el factor de escala a $\gamma_r = \alpha / \sqrt{r}$, evitando el colapso del gradiente y permitiendo rangos más grandes sin sacrificar la eficiencia de los parámetros.
• Mecanismo de Votación de Multi-Prompt: Para las tareas de clasificación (Detección y Severidad), el modelo procesa cinco plantillas de prompts distintas. El resultado final se determina mediante votación por mayoría, calculando un puntaje de confianza basado en el consenso.
• Agregación de Cadena de Verificación (CoVe) Modificada: Para las tareas generativas (Explicación y Recomendación), el marco utiliza un "Generador de Candidatos" para producir múltiples respuestas preliminares independientes. Un "Agregador" personalizado emplea entonces una estrategia CoVe modificada para:
  1. Anclar el contexto en el código.
  2. Generar preguntas de verificación para cada candidato.
  3. Responder estas preguntas de forma independiente para verificar los hechos de las afirmaciones.
  4. Sintetizar un único informe verificado, descartando las alucinaciones.
• Destilación de Conocimiento: Para mejorar las capacidades de razonamiento de los modelos estudiantes (Qwen3-4B), los autores destilan el razonamiento de Cadena de Pensamiento (CoT) de un modelo profesor potente (Qwen3-30B-A3B). Los resultados de CoT del profesor se utilizan como parte de los datos de entrenamiento para enseñar al modelo estudiante el razonamiento paso a paso.

Construcción del Conjunto de Datos

El estudio utilizó dos conjuntos de datos distintos derivados de fuentes reputadas (Code4rena, Shieldify Security y proyectos con alto TVL):

• Conjunto de Datos de Detección: 930 muestras de código vulnerable y 969 muestras de código benigno. Las muestras benignas fueron procesadas mediante un algoritmo de Muestreo Estratificado Basado en Grafos para asegurar la paridad de longitud con los fragmentos vulnerables, evitando que el modelo aprenda sesgos superficiales de longitud.
• Conjunto de Datos de Vulnerabilidad: Más de 1,000 muestras que contienen código emparejado con metadatos de auditoría (explicaciones, severidad, recomendaciones). Este conjunto de datos fue dividido utilizando una estrategia de Estratificación Consciente del Proyecto para evitar la fuga de datos entre los conjuntos de entrenamiento y de prueba.

Resultados Experimentales

El marco fue evaluado contra modelos de codificación densos SOTA (por ejemplo, CodeLlama-34B, DeepSeek-Coder-33B, Qwen2.5-Coder-32B) bajo configuraciones tanto de Zero-Shot como de Fine-Tuning.

• Detección de Vulnerabilidades: El modelo de 0.6B propuesto alcanzó una precisión del 98.25% y un F1-score de 0.9824, superando a todos los modelos base, incluyendo los modelos de 34B con fine-tuning.
• Clasificación de Severidad: El marco alcanzó una precisión del 64.58% y un macro F1-score de 0.5877.
• Tareas Generativas (Explicación y Recomendación): Utilizando una métrica de LLM-como-Juez (LMUnit 70B), el marco obtuvo puntajes de alineación de 0.4375 para explicaciones y 0.7639 para recomendaciones, superando significativamente a los mejores modelos base (que puntuaron ~0.22 y ~0.37 respectivamente).
• Eficiencia de Recursos: El enfoque desacoplado opera dentro de ~3.11 GB de VRAM para clasificación y ~8.64 GB de VRAM para generación, ajustándose cómodamente al hardware de consumo (8–12 GB de VRAM), mientras que los modelos base SOTA requieren 21–24 GB.

Contribuciones Clave y Hallazgos

1. Arquitectura Desacoplada: El artículo demuestra que separar flujos de trabajo de auditoría complejos en módulos especializados supera significativamente al prompting monolítico unificado, reduciendo la propagación de errores y las alucinaciones.
2. Superioridad de lo Ligero: El estudio valida empíricamente que los modelos ligeros altamente optimizados (0.6B–4B) con estrategias de fine-tuning y agregación dirigidas pueden superar consistentemente a modelos densos mucho más grandes (7B–34B) en tareas de seguridad específicas.
3. Sesgo de Centralidad de Severidad (SCB): Un hallazgo empírico novedoso revela que los LLM actuales (tanto zero-shot como fine-tuned) exhiben un "Sesgo de Centralidad de Severidad", donde tienden desproporcionadamente a la severidad "Media" para minimizar la pérdida, fallando en distinguir con precisión los casos extremos de "Baja" y "Alta" severidad. El marco propuesto mitiga esto, pero no lo elimina por completo.
4. Optimización Sinérgica: Los estudios de ablación confirman que la combinación de rsLoRA, Destilación de Conocimiento y agregación CoVe modificada crea un efecto sinérgico, donde la eliminación de cualquier componente individual provoca una degradación significativa del rendimiento.

Significado

El artículo afirma establecer un benchmark crítico para la investigación futura en auditoría asistida por LLM al demostrar que la democratización de la seguridad de contratos inteligentes es factible en hardware de consumo estándar. Al alejarse de los modelos monolíticos pesados en recursos hacia un pipeline modular y ligero, los autores proporcionan una vía práctica para integrar la auditoría de seguridad continua, de tipo "shift-left", en los flujos de trabajo de desarrollo cotidianos sin requerir costosas instancias de GPU en la nube. La identificación del Sesgo de Centralidad de Severidad subraya además un desafío específico y no abordado en la evaluación de riesgos automatizada que la investigación futura debe enfrentar.