스마트 컨트랙트 내 악의적 의도 탐지를 위한 사전 학습 프로그래밍 언어 모델 기술 요약

이 논문은 탈중앙화 애플리케이션 (DApp) 의 보안 위협이 되는 스마트 컨트랙트 내 개발자의 **악의적 의도 (Malicious Intents)**를 탐지하기 위해 제안된 SmartIntentV2 모델에 대한 연구입니다. 이전 모델인 SmartIntentNN 의 성능 한계를 극복하고, 도메인 특화 사전 학습 언어 모델을 도입하여 탐지 정확도를 획기적으로 향상시켰습니다.

1. 문제 정의 (Problem)

스마트 컨트랙트는 블록체인 기반 DApp 의 핵심 인프라이나, 투명성과 불변성으로 인해 취약점뿐만 아니라 개발자가 의도적으로 삽입한 악의적 코드로 인해 심각한 경제적 손실이 발생할 수 있습니다.

• 기존 연구의 한계: 대부분의 연구는 실수로 발생한 취약점 (Vulnerability) 탐지에 집중했으나, 개발자의 고의적 악의 (예: 거래 금지, 수수료 조작, 허니팟 등) 탐지는 상대적으로 연구가 부족했습니다.
• 과거 모델의 제약: 선행 연구인 SmartIntentNN 은 Universal Sentence Encoder (USE) 와 BiLSTM 을 사용했으나, 데이터 불균형과 일반화된 코드 표현의 한계로 인해 소수 클래스 (Minority Class) 의 악의적 의도 탐지 성능이 낮았습니다 (F1 점수 0.8633).

2. 방법론 (Methodology)

SmartIntentV2 는 **도메인 적응형 사전 학습 (Domain-Adaptive Pre-training)**과 계층적 표현 학습을 결합한 새로운 아키텍처를 제시합니다.

2.1 SmartBERT (도메인 특화 사전 학습 모델)

• 기반 모델: CodeBERT 를 기반으로 합니다.
• 사전 학습 전략: 16,000 개의 실제 스마트 컨트랙트 (Solidity/Vyper) 데이터셋을 사용하여 마스킹 언어 모델링 (Masked Language Modeling, MLM) 목적 함수로 도메인 적응형 사전 학습을 수행했습니다.
• 특징: 일반 프로그래밍 언어가 아닌 스마트 컨트랙트 고유의 구문과 의미적 뉘앙스를 학습하도록 최적화되었습니다. 함수 (Function) 단위 토큰화를 통해 세분화된 의미 표현을 가능하게 합니다.

2.2 모델 아키텍처

1. 임베딩 생성: SmartBERT 를 통해 각 함수의 컨텍스트 임베딩을 생성하고, 평균 풀링 (Mean Pooling) 을 통해 함수 수준의 벡터로 압축합니다.
2. 계약 수준 표현: 모든 함수 임베딩을 행렬로 구성하여 스마트 컨트랙트 전체의 표현을 만듭니다.
3. 분류기 (BiLSTM): Bidirectional LSTM 을 사용하여 함수 간의 종속성을 포착하고, 다중 레이블 분류를 수행합니다.
4. 손실 함수 및 학습 전략:
   • Binary Focal Loss: 클래스 불균형 문제를 해결하기 위해 어려운 샘플에 가중치를 두는 포칼 손실 (Focal Loss) 을 적용했습니다.
   • 클래스 균형 학습 (Class-Balanced Training): 소수 클래스 의도 (예: Honeypot, Mint 등) 의 탐지 성능을 높이기 위해 학습 데이터의 클래스 분포를 균형 있게 재샘플링하는 2 단계 학습 전략을 도입했습니다.

3. 주요 기여 (Key Contributions)

1. SmartIntentV2 모델 제안: 스마트 컨트랙트 의도 탐지 분야에서 새로운 State-of-the-Art (SOTA) 성능을 달성한 모델입니다.
2. SmartBERT 공개: 스마트 컨트랙트 코드에 특화된 도메인 적응형 사전 학습 언어 모델 (SmartBERT-v2) 을 개발하고 오픈소스화했습니다.
3. 오픈 데이터셋 및 코드: 30,000 개의 스마트 컨트랙트 데이터셋, 코드, 문서, 모델을 공개하여 연구의 재현성과 확장성을 높였습니다.

4. 실험 결과 (Results)

10,000 개의 독립된 테스트 세트를 대상으로 한 평가에서 SmartIntentV2 는 모든 지표에서 기존 모델과 LLM 을 압도했습니다.

• 성능 지표:
  • 정확도 (Accuracy): 0.9789
  • 정밀도 (Precision): 0.9090
  • 재현율 (Recall): 0.9476
  • F1 점수: 0.9279
• 비교 분석:
  • SmartIntentNN (V1) 대비: F1 점수가 0.8633 에서 0.9279 로 7.48% 상대적 개선을 보였습니다.
  • 기존 LLM 대비: GPT-4.1 은 제로샷 (Zero-shot) 설정에서 F1 점수 0.5606 을 기록하여, SmartIntentV2 가 65.5% 더 높은 성능을 보였습니다.
  • 비용 효율성: 100 개의 컨트랙트 분석 시 SmartIntentV2 는 약 2.6 초 소요 및 negligible 비용인 반면, GPT-4.1 은 약 11 초 소요 및 약 $2.88 의 API 비용이 발생하여 효율성 면에서도 우월했습니다.
• 소수 클래스 성능: 불균형이 심한 'Honeypot', 'Mint', 'Rebase'와 같은 의도 카테고리에서도 경쟁력 있는 성능을 유지하며 클래스 불균형 문제를 효과적으로 해결함을 입증했습니다.

5. 의의 및 결론 (Significance)

이 연구는 스마트 컨트랙트 보안 분야에서 의도 (Intent) 기반 탐지의 중요성을 부각시켰습니다.

• 기술적 의의: 일반 목적의 대규모 언어 모델 (LLM) 이나 기존 취약점 탐지 도구가 놓칠 수 있는 개발자의 고의적 악의 행위를, 도메인 특화 사전 학습을 통해 정밀하게 탐지할 수 있음을 증명했습니다.
• 실용적 가치: 높은 정확도와 낮은 비용으로 실시간 스마트 컨트랙트 감사를 가능하게 하여, DApp 사용자의 자산을 보호하고 블록체인 생태계의 신뢰성을 높이는 데 기여합니다.
• 향후 방향: 소스 코드가 없는 바이트코드 (Bytecode) 기반 탐지, Few-shot 학습을 통한 LLM 성능 비교, 악의적 코드의 정확한 위치 특정 (Localization) 기능 추가 등을 향후 과제로 제시했습니다.

결론적으로, SmartIntentV2 는 스마트 컨트랙트 악의적 의도 탐지 분야에서 새로운 기준을 제시하며, 블록체인 보안 솔루션의 핵심 기술로 자리 잡을 것으로 기대됩니다.