💻 computer science

Identifying and Characterizing Semantic Clones of Solidity Functions

Questo articolo presenta una metodologia scalabile per l'identificazione di cloni semantici negli smart contract Solidity attraverso l'analisi di codice e commenti, ottenendo elevata precisione e richiamo mentre esplora alternative di progettazione strutturale e sfrutta i Large Language Models per colmare le lacune documentali nel codice privo di commenti.

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

Pubblicato 2026-04-30

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

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

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina il mondo degli Smart Contract (gli accordi digitali che vengono eseguiti su blockchain come Ethereum) come una vasta biblioteca pubblica. Una volta che un libro (un contratto) è stato scritto e messo sullo scaffale, non può mai essere cancellato o modificato. Poiché i libri sono pubblici, gli scrittori spesso copiano e incollano sezioni da altri libri per risparmiare tempo. Questo è chiamato "clonazione".

Nella maggior parte dei casi, la copia è facile da individuare. Se copi un paragrafo parola per parola, è ovvio. Ma cosa succede se qualcuno riscrive un paragrafo usando parole completamente diverse, cambia la struttura della frase e sostituisce alcuni sinonimi, ma il significato rimane esattamente lo stesso? Nel mondo della programmazione, questo è chiamato Clonazione Semantica (o clonazione di Tipo-4).

Questo articolo riguarda la creazione di un "bibliotecario" migliore per trovare queste copie nascoste e riformulate in Solidity (il linguaggio utilizzato per scrivere questi contratti), perché copiare una logica errata può diffondere vulnerabilità di sicurezza tanto facilmente quanto copiare una logica corretta.

Ecco una panoramica del loro lavoro utilizzando semplici analogie:

1. Il Problema: La Trappola della "Ricetta Riscritta"

Immagina due chef che scrivono ricette per una "Torta al Cioccolato".

Chef A scrive: "Mescola farina, zucchero e uova. Inforna a 175°C."
Chef B scrive: "Unisci gli ingredienti secchi con quelli umidi. Metti in forno a 175°C."

Per un computer che cerca corrispondenze esatte, queste sembrano totalmente diverse. Ma per un umano, sono la stessa ricetta. Nel mondo della blockchain, se la ricetta dello Chef A ha un difetto nascosto (come dimenticare di verificare se il forno è caldo), e lo Chef B copia l'idea senza notare il difetto, l'intera cucina è in pericolo.

Gli autori hanno scoperto che gli strumenti esistenti sono come robot che cercano solo corrispondenze esatte di parole. Perdono queste "ricette riscritte".

2. La Soluzione: Leggere le "Note dello Chef"

I ricercatori hanno realizzato che mentre il codice (gli ingredienti e i passaggi) potrebbe sembrare diverso, i commenti (le note che lo chef ha scritto sopra la ricetta) spesso spiegano l'intento in modi molto simili.

L'Analogia: Pensa al codice come alle azioni e ai commenti come alla voce fuori campo che spiega cosa stanno facendo le azioni.
Il Metodo: Hanno costruito un sistema che confronta due cose:
1. Il Codice: Verificano se il codice è diverso (bassa similarità).
2. I Commenti: Verificano se le descrizioni scritte sono molto simili (alta similarità).

Se il codice sembra diverso ma la voce fuori campo suona uguale, lo segnalano come una "Clonazione Semantica".

3. I Risultati: Un Investigatore Altamente Preciso

Hanno testato questo metodo su un vasto dataset di quasi 300.000 smart contract moderni.

Il Tasso di Successo: Quando hanno controllato manualmente un campione di 1.155 coppie, il loro metodo è stato corretto nel 59% dei casi complessivamente.
Il Bonus "Stesso Nome": Se le funzioni avevano lo stesso nome (come essere entrambe chiamate transfer), l'accuratezza è salita all'84%.
La Rete di Sicurezza: Hanno anche verificato se ne avevano persi alcuni. Hanno scoperto di aver perso solo circa il 3% delle clonazioni reali (un tasso di "recall" del 97%).

Hanno scoperto che queste "ricette riscritte" non sono solo incidenti; sono spesso scelte di progettazione. Gli sviluppatori le riscrivono per rendere il codice più sicuro, per risparmiare "gas" (la tassa pagata per eseguire il contratto) o per organizzare meglio il codice.

4. La Sfida: La Biblioteca "Silenziosa"

Un problema maggiore che hanno riscontrato è che il 75% di queste funzioni non ha commenti. È come avere una biblioteca in cui tre quarti dei libri non hanno titoli o riassunti. Senza commenti, il loro metodo della "voce fuori campo" non può funzionare.

5. La Soluzione: Lo "Scrivano AI" (LLM)

Per risolvere il problema della "biblioteca silenziosa", hanno utilizzato i Modelli Linguistici di Grandi Dimensioni (AI) per agire come scrivani.

L'Analogia: Se un libro non ha un riassunto, hanno chiesto all'AI di leggere il codice e scrivere un riassunto per esso.
L'Esperimento: Hanno fornito all'AI il codice, gli hanno chiesto di scrivere una descrizione e poi hanno utilizzato il loro sistema per confrontare le descrizioni generate dall'AI.
Il Risultato: Anche senza note scritte da umani, i riassunti generati dall'AI hanno permesso loro di trovare correttamente il 75% delle clonazioni nascoste.

Hanno anche testato diversi "prompt" (istruzioni per l'AI). Hanno scoperto che chiedere all'AI un riassunto semplice e diretto funzionava meglio rispetto alla richiesta di un rapporto complesso e strutturato. I rapporti complessi aggiungevano troppi "fronzoli" che confondevano il sistema, mentre i riassunti semplici mantenevano il focus sul significato fondamentale.

6. Perché Questo È Importante

Gli autori concludono che non si tratta solo di trovare duplicati; si tratta di trovare alternative.

Se sei uno sviluppatore che costruisce un contratto sicuro, non vuoi solo un modo per fare qualcosa. Vuoi vedere tutti i modi diversi in cui altre persone hanno risolto lo stesso problema.
Trovando queste clonazioni semantiche, gli sviluppatori possono confrontare diverse "ricette riscritte" per vedere quale è più sicura, economica o efficiente prima di costruire la propria.

In sintesi: L'articolo presenta un nuovo modo per trovare "gemelli nascosti" nel codice confrontando l'intento (i commenti) piuttosto che solo la sintassi (il codice). Quando i commenti mancano, usano l'AI per scriverli, scoprendo con successo alternative di progettazione nascoste che potrebbero aiutare a rendere i contratti blockchain più sicuri ed efficienti.

1. Enunciazione del Problema

I contratti intelligenti (SC) su blockchain come Ethereum sono immutabili e pubblici, portando a tassi elevati di riutilizzo del codice. Sebbene i cloni di codice sintattici (Tipo-1 fino al Tipo-3) siano ben studiati, i cloni di Tipo-4 (cloni semantici)—funzioni che eseguono lo stesso compito logico ma differiscono significativamente nella sintassi e nella struttura—rimangono una sfida maggiore.

Il Rischio: La clonazione indiscriminata di cloni semantici può propagare vulnerabilità nascoste (ad esempio, reentrancy, mancanza di controlli sui valori di ritorno) in tutto l'ecosistema.
Il Divario: Gli strumenti esistenti (come EClone) soffrono di bassa precisione, elevato sovraccarico e incompatibilità con le versioni moderne di Solidity (0.8+). Inoltre, manca un insieme di dati aggiornato e curato per valutare queste tecniche.
La Sfida della Documentazione: Circa il 75,57% delle funzioni Solidity manca di commenti scritti dagli sviluppatori, rendendo difficile l'analisi semantica tramite linguaggio naturale.

2. Metodologia

Gli autori propongono una metodologia scalabile e leggera che combina l'analisi del codice con l'elaborazione del linguaggio naturale (NLP) dei commenti per rilevare i cloni di Tipo-4.

A. Costruzione del Dataset

Fonte: Recuperato dalla blockchain di Ethereum tramite Google BigQuery ed Etherscan.
Scala: ~300.000 contratti intelligenti attivi (82,07% conformi a Solidity 0.8+).
Filtraggio: Estratti 2,7 milioni di funzioni, filtrando per visibilità public/external ed eliminando le funzioni con commenti banali o mancanti.
Dataset Finale: 216.429 coppie di funzioni di alta qualità con sia codice che commenti significativi.

B. Strategia di Rilevamento

L'ipotesi di base è che le funzioni con bassa similarità di codice ma alta similarità dei commenti siano probabilmente cloni semantici.

Generazione di Embedding:
- Codice: Utilizzato SmartEmbed (AST + FastText) per generare rappresentazioni vettoriali del codice sorgente.
- Commenti: Utilizzato SBERT (all-MiniLM-L6-v2) per generare embedding semantici dei commenti degli sviluppatori.
Calcolo della Similarità:
- Calcolata la distanza euclidea normalizzata per il codice e la similarità del coseno per i commenti.
- Selezione dei Candidati: Selezionate coppie in cui la Similarità del Codice ( $cd\_s$ ) $\le 0,8$ E la Similarità dei Commenti ( $cm\_s$ ) $> 0,8$ .
Validazione:
- Condotta una validazione manuale su un campione statisticamente significativo di 1.155 coppie di funzioni (stratificato tra set di base, candidati e supplementari).
- Due esperti di dominio (studenti di dottorato con oltre 5 anni di esperienza) hanno etichettato le coppie in modo indipendente, ottenendo un Kappa di Cohen di 0,83.

C. Affrontare il Divario nella Documentazione (RQ3)

Per il 75% delle funzioni senza commenti, gli autori hanno integrato i Modelli Linguistici di Grande Dimensione (LLM):

Strategia: Utilizzato ChatGPT-4o per generare riassunti per le funzioni senza commenti.
Prompt Engineering: Confrontato un "Prompt Base" (riassunto diretto) con un "Modello Strutturato" (che richiede sezioni specifiche come parametri e valori di ritorno).
Valutazione: Testato se i riassunti generati dagli LLM potessero sostituire i commenti reali quando combinati con modelli di embedding (SBERT, BERT-base, CodeBERT-base).

3. Contributi Chiave

Nuova Metodologia: Un approccio scalabile per rilevare cloni di Tipo-4 in Solidity sfruttando la correlazione tra dissimilarità del codice e similarità dei commenti.
Dataset Moderno: Creazione di un dataset curato di ~300.000 contratti Ethereum attivi, prevalentemente in Solidity 0.8, affrontando la mancanza di risorse aggiornate nel settore.
Integrazione LLM: Una dimostrazione dell'uso degli LLM come "motori di documentazione" per colmare il divario nel codice scarsamente documentato, abilitando il rilevamento di cloni semantici nelle funzioni senza commenti.
Caratterizzazione dei Cloni: Un'analisi qualitativa che rivela che i cloni semantici rappresentano spesso alternative di progettazione focalizzate su sicurezza, modularità e ottimizzazione del gas piuttosto che su una semplice ridondanza.

4. Risultati Chiave

Metriche di Prestazione (RQ1)

Precisione: 59% complessiva per il set di candidati.
- 84% di precisione quando ci si concentra sulle funzioni omonime (funzioni con lo stesso nome).
Recall: 97% (indicando che il metodo manca pochissimi veri cloni semantici).
F1-Score: 74%.
Confronto con la Baseline: Un approccio di baseline che utilizzava solo la similarità del codice (ignorando i commenti) ha prodotto un tasso di validazione <1%, dimostrando il valore critico dell'analisi dei commenti.

Caratterizzazione dei Cloni (RQ2)

L'analisi manuale dei cloni validati ha rivelato pattern strutturali comuni:

call_internal (22%): Decomposizione della logica in funzioni helper interne per la modularità.
diff_algo (16%): Algoritmi diversi che raggiungono lo stesso risultato (ad esempio, ordine diverso delle operazioni in transferFrom).
add_check (10%): Aggiunta di logica di validazione (ad esempio, istruzioni require extra) senza cambiare lo stato fondamentale.
safemath & modifier: Variazioni nella protezione aritmetica e nel controllo degli accessi.
Insight: I cloni semantici sono spesso scelte di progettazione intenzionali per migliorare la sicurezza o l'efficienza del gas, non semplici duplicati accidentali.

Efficacia degli LLM (RQ3)

Classificazione Diretta: Gli LLM hanno fallito come rilevatori diretti di cloni (11% di precisione).
Approccio di Riassunto: Utilizzo degli LLM per generare commenti, quindi applicazione di SBERT:
- BERT-base ha raggiunto 85% di Vero Positivi sui commenti generati dagli LLM.
- Funzioni senza Commenti: Applicato a 153 coppie di funzioni omonime senza commenti; il 75% è stato confermato come cloni semantici utilizzando i riassunti generati dagli LLM.
- Prompt Engineering: I "Prompt Base" hanno superato i "Modelli Strutturati". I modelli strutturati hanno causato saturazione della similarità (troppo testo boilerplate), riducendo l'accuratezza del rilevamento.

5. Significato e Implicazioni

Sicurezza e Mitigazione del Rischio: La metodologia permette agli sviluppatori di identificare implementazioni funzionalmente equivalenti. Se un'implementazione risulta vulnerabile, gli sviluppatori possono cercare e auditare tutti i cloni semantici per prevenire exploit su scala dell'ecosistema.
Alternative di Progettazione: Fornisce un "catalogo" di pattern di progettazione, aiutando gli sviluppatori a scegliere implementazioni che offrono una migliore ottimizzazione del gas o sicurezza (ad esempio, scegliendo una versione con controlli require espliciti rispetto a una senza).
Benchmarking: Stabilisce un nuovo benchmark moderno per il rilevamento di cloni in Solidity, andando oltre strumenti obsoleti come EClone che si basano su analisi di bytecode deprecate.
Divario nella Documentazione: Dimostra che gli LLM possono agire efficacemente come proxy per la documentazione mancante, rendendo fattibile l'analisi semantica anche in codebase legacy o scarsamente documentati.

Conclusione

Il documento valida con successo che combinare gli embedding del codice con l'analisi del linguaggio naturale (sia scritta dall'uomo che generata dagli LLM) è una strategia altamente efficace per rilevare cloni semantici in Solidity. Sebbene non sia una soluzione perfetta, fornisce una base solida per la scoperta automatizzata di alternative di codice sicure ed efficienti nell'ecosistema blockchain.