LiquiLM: DCN と LLM を活用した流動性欠陥監査における意味的ギャップの解消

本論文は、DeFi（分散型金融）および Proof of Liquidity (PoL) エコシステムにおいて、スマートコントラクトの「流動性欠陥（Liquidity Flaws）」を検出・解説するための新しいフレームワーク**「LiquiLM」**を提案するものです。従来の手法では検出が困難だった、コード実装と高レベルな流動性意図の間の「意味的ギャップ」を埋めることに成功しています。

以下に、論文の技術的概要を問題定義、手法、主要な貢献、結果、意義の観点から詳細にまとめます。

---

1. 問題定義 (Problem)

DeFi および PoL メカニズムの普及に伴い、資産のステーキングから「能動的な流動性管理」へのパラダイムシフトが進んでいます。これにより、スマートコントラクトの経済モデルと相互作用ロジックが極めて複雑化し、以下の課題が発生しています。

• 流動性欠陥の検出難易度: 従来の脆弱性（再帰呼び出しや算術エラーなど）は明確な構文パターンを持つが、流動性欠陥は「低レベルなコード実装」と「高レベルな流動性意図」の間の意味的な不一致（Semantic Deviation）に起因する。
• 既存手法の限界:
  • 静的解析: 既知のパターンマッチングに依存するため、未知の論理欠陥を見逃す。
  • 動的解析（ファズテスト等）: 状態空間の爆発によりカバレッジが低く、計算コストが高い。
  • 形式検証: 複雑な流動性シナリオへのスケーラビリティが低い。
• LLM 適用の課題: 大規模言語モデル（LLM）を直接適用する場合、以下の「文脈的ジレンマ」に直面する。
  • 情報不足: ドメイン知識が不足すると、プロトコルのロジックを理解できず、的外れな回答を生成する。
  • 情報過多と幻覚: 生コードをそのまま入力すると、ノイズが多すぎてモデルの注意が散漫になり、誤検知（ハルシネーション）や高コストを招く。

2. 手法 (Methodology)

LiquiLM は、動的共注意ネットワーク（DCN）とLLMを統合し、3 つの主要モジュールで構成されるフレームワークです。

モジュール 1: 意味的特徴表現 (Semantic Feature Representation)

• 依存性感知スライシング: 対象コントラクトのソースコードを、グローバル変数、修飾子、関数に基づき、機能的なロジックフローに関連する部分のみを抽出（スライス）します。
• 正規化: 変数名や関数名のバイアスを除去するため、識別子を抽象的なプレースホルダーに変換し、構造的ロジックに焦点を当てます。
• 埋め込み生成: 前学習済みエンコーダー（BGE-M3）を用いて、スライスされたコードと流動性欠陥の説明（セマンティックコーパス）をベクトルに変換します。

モジュール 2: 双方向意味アライメント (Bidirectional Semantic Alignment)

• DCN モジュール: コードスライスと欠陥記述の間で深い意味的アライメントを行うために DCN を採用します。
  • クエリ誘導型共注意: コードをクエリ、欠陥記述をキー/バリューとして、多層の注意機構でセマンティックな相関を計算します。
  • 双チャネル集約: グローバル最大プーリング（局所的な欠陥トリガーの捕捉）と平均プーリング（全体の機能意図の把握）を組み合わせ、包括的な特徴ベクトルを生成します。
• コスト感応最適化: 欠陥サンプルが希薄（不均衡データ）であるため、偽陰性（見逃し）に対するペナルティを重くした重み付きバイナークロスエントロピー損失を用いて学習します。
• 出力: 監査に特化した「監査情報マニフェスト（Audit-Informed Manifest: AIM）」を生成します。これにより、LLM が処理するコードの 90% 以上を安全なスライスとしてフィルタリングし、検索空間を大幅に縮小します。

モジュール 3: AIM 誘導ヒューリスティック監査 (AIM-Guided Heuristic Audit)

• 2 段階の信頼度フィルタリング: DCN の出力確率に基づき、高リスク（絶対信頼区間）、低ノイズ（棄却区間）、曖昧（フジィ区間）に分類します。曖昧なケースはピーク・ノイズ比（PNR）を用いて再評価します。
• 4 段階協調プロンプトシステム: LLM の生成制御と精度向上のため、以下の 4 フェーズで構成される反復的な監査フローを設計しています。
  1. 識別・配信: AIM の情報を解析し、高信頼度ケースと曖昧ケースを分岐。
  2. 偽陽性排除 (2-1) & 偽陰性採掘 (2-2):
     • 2-1: 高信頼度候補の精査と誤検知の排除。
     • 2-2: 見逃された可能性のある欠陥の深掘り。
  3. 統合・仲裁: 2-1 と 2-2 の結果を統合し、矛盾がある場合はフィードバックループを通じて再評価を行う。
  4. レポート生成: 検証された欠陥を [Confirmed]、疑わしいものを [Suspicious] として構造化された監査レポートを出力。

3. 主要な貢献 (Key Contributions)

1. LiquiLM フレームワークの提案: PoL スマートコントラクトの流動性欠陥を分析・最適化するために、LLM と DCN を初めて組み合わせたフレームワークを提案。
2. 4 段階協調プロンプトシステム: 複雑なコントラクトを段階的に分析し、各段階で精度を検証することで、最終的な監査レポートの信頼性と品質を飛躍的に向上させる手法を設計。
3. 実証的検証と高信頼性: 1,490 の実世界コントラクトを用いた大規模評価により、既存ツールや単独の LLM 使用よりも優れた検出性能を実証。

4. 結果 (Results)

実験は 1,490 の検証用コントラクト（1,380 の実世界 PoL/Ethereum コントラクトを含む）で行われました。

• 検出性能:
  • F1 スコア: Gemini 3 Pro および GPT-4o をバックボーンとした場合、両モデルとも90% 超の F1 スコアを達成しました。
  • リコール: Gemini 3 Pro 使用時、リコールは86% 超、F1 スコアは84% 超を記録。
  • アブレーション研究: AIM（事前知識）なしの LLM 使用と比較し、LiquiLM はリコールを 8% 以上向上させ、トークン消費量を約 40% 削減しました。
• 実世界での発見:
  • 1,380 の実世界コントラクトをスキャンし、238 の高リスク契約を特定。
  • 専門家によるレビューと責任ある開示を経て、10 の CVE（共通脆弱性識別子）認定を取得しました。
• 既存ツールとの比較:
  • Slither, Oyente+, Aderyn などの従来の静的解析ツールや、GPTLens などの LLM ベースツールと比較し、特に複雑な論理欠陥（DoS, Unchecked Call など）において、精度とリコールのバランスが優れていることが示されました。

5. 意義と結論 (Significance & Conclusion)

LiquiLM は、DeFi と PoL エコシステムの安全性を確保するための重要な技術的進展です。

• 意味的ギャップの解消: 従来のパターンマッチングや単純な LLM 入力では捉えきれなかった、「コードと意図の不一致」を DCN による深い意味的アライメントで解決しました。
• コストと精度の両立: DCN を前処理フィルタとして活用することで、LLM の計算コスト（トークン数）を大幅に削減しつつ、高精度な監査を実現しました。
• 実用性: 単なる研究段階にとどまらず、実世界のプロジェクトで実際に脆弱性を発見し CVE 登録に至ったことは、このフレームワークが産業レベルのセキュリティ対策として実用可能であることを示しています。

今後は、より多様な契約シナリオへのデータセット拡張や、ドメイン知識に特化したモデルの微調整、および監査ワークフローのさらなる最適化が計画されています。