기술 요약: Heimdallr – 이더리움 스마트 컨트랙트 감사를 위한 효과적이고 비용 효율적인 에이전트 프레임워크

1. 문제 정의

탈중앙화 금융(DeFi)의 급격한 확장은 보안 사고의 급증을 동반했으며, 단 1년 만에 약 7억 달러의 손실을 초래한 700건 이상의 공격이 발생했습니다. 기존의 스마트 컨트랙트 감사 솔루션은 다음과 같은 결정적인 한계에 직면해 있습니다:

• 수동 감사: 효과적이긴 하지만, 비용이 매우 높으며(종종 프로토콜당 $70,000–$150,000 이상) 확장성이 불가능합니다.
• 정적 분석 도구 (예: Slither, Mythril): 이러한 도구들은 높은 오탐률(False Positive)과 제한된 범위를 가지며, 복잡하고 문맥 의존적인 비즈니스 로직 취약점을 탐지하는 데 실패합니다.
• LLM 기반 감사: 대규모 언어 모델(LLM)은 추론 능력을 제공하지만, 현재의 구현 방식은 환각 현상(Hallucinations), 컨텍스트 윈도우 제약, 높은 운영 비용 문제로 고통받고 있습니다. 직접적인 LLM 적용은 종-종 무시할 만한 탐지 능력(F1 Score < 0.02)이나 관리 불가능한 노이즈(오탐율 > 97%)를 초래합니다.

핵리 핵심 과제는 정밀도를 저해하지 않으면서도 비용 효율성을 균형 있게 유지하며, LLM의 자동화 및 추론 능력을 활용하여 확장 가능하고 신뢰도 높은 컨트랙트 감사를 달성하는 것입니다.

2. 방법론: Heimdallr 프레임워크

Heimdallr는 세 가지 결합된 단계인 문맥 프로파일링(Contextual Profiling), 모델 불가지론적 감사(Model-Agnostic Auditing), **오탐 필터링(False Positive Filtration)**을 통해 인간 전문가의 엄격한 추론 과정을 모방하도록 설계된 모듈형, 모델 불가지론적(Model-agnostic) 에이전트 프레임워크입니다.

2.1 문맥 프로파일링 (Contextual Profiling)

확장성과 문맥 보존 사이의 트레이드오프를 해결하기 위해, Heimdallr는 코드를 임의로 분석하는 대신 의미론적으로 일관된 배치(Batch) 단위로 분할합니다.

• 그래프 구축: Slither를 사용하여 제어 흐름과 데이터 흐름(상태 변수 접근) 간의 관계를 포착하는 정적 유향 의존성 그래프($G$)를 구축합니다.
• 커뮤니티 탐지: Louvain 알고리즘을 사용하여 그래프를 밀집하게 연결된 서브그래프(커뮤니티)로 분할함으로써, 파일 위치와 상관없이 밀접하게 상호작용하는 함수들을 그룹화합니다.
• 중요도 분석: 각 배치 내에서 컨트랙트들은 Betweenness Centrality와 PageRank를 기준으로 점수가 매겨지며, 이를 통해 "앵커 컨트랙트(Anchor Contracts)"(핵심 비즈니스 로직)와 주변 구성 요소를 식별합니다.
• LLM 기반 정교화: LLM은 관련 의미론적 태그(예: "Swap")를 가진 배치들을 병합하고, 커스텀 비즈니스 로직을 보존하면서 토큰 제한에 맞게 표준 라이브러리 컨트랙트를 가지치기(Pruning)하여 배치를 정교화합니다.

2.2 모델 불가지론적 감사 (Model-Agnostic Auditing)

감사 엔진은 취약점 가설($V_{raw}$)을 생성하기 위해 "Plan-Remind-Solve" 워크플로우를 채택합니다.

• Plan (계획): 에이전트는 배치 내에서 잠재적으로 취약한 함수와 컨트랙트를 식별하고, 구조적 중요도와 잠재적 결과에 따라 우선순위를 지정합니다.
• Remind (상기): 시스템은 과거 공격 보고 및 패턴을 포함하는 계층적 지식 베이스($K$)로부터 관련 지식을 검색합니다. 또한, 파생 프로토콜 및 최근 사건에 대한 실시간 검색을 수행하는 모델 컨텍스트 프로토콜(MCP) 서버를 활용하여 라이브 데이터를 통해 문맥을 보강합니다.
• Solve (해결): 이 단계는 세 가지 별도의 전략을 통합하여 가설을 생성합니다:
  1. 적대적 상태 가정 분석 (Adversarial State Assumption Analysis): 에이전트는 극단적인 적대적 조건(예: 블록 변수에 대한 마이너의 통제, 인터랙션 하이재킹, 플래시 론을 통한 무한 자원 등)을 시뮬레이션하여, 스트레스 상황에서만 나타나는 취약점을 찾아냅니다.
  2. 표적 심볼릭 제약 해결 (Targeted Symbolic Constraint Solving): 민감한 산술 연산이 포함된 함수의 경우, 시스템은 Solidity 코드를 Z3 제약 조건으로 트랜스파일하여 정밀도 손실이나 경계 조건을 수학적으로 검증함으로써 형식적 엄밀함과 의미론적 추론을 결합합니다.
  3. 글로벌 합성 (Global Synthesis): 격리된 취약점들을 연결하여 다단계 익스플로잇 체인을 구축하는 반복적인 결합 프로세스로, 모델의 "인지적 터널링(Cognitive Tunneling)" 한계를 해결합니다.

2.3 오탐 필터링 (False Positive Filtration)

전용 검증 레이어($\Psi$)가 원시 가설을 처리하여 최종적으로 고정밀 보고서($V_{final}$)를 생성합니다.

• 문맥적 집계 (Contextual Aggregation): 에이전트는 로컬 리스크가 글로벌 안전장치(예: nonReentrant 수정자)에 의해 중화되지 않는지 확인하기 위해 글로벌 문맥 하에서 각 가설을 재평가합니다.
• 의미론적 중복 제거 (Semantic Deduplication): 임베딩과 클러스터링(DBSCAN)을 사용하여, 서로 다른 진입점에서 트리거되었으나 동일한 근본 원인을 공유하는 중복 보고를 병합하고 가장 신뢰도가 높은 버전을 유지합니다.
• 위협 모델 평가 (Threat Model Assessment): 기술적으로 실행 불가능한 외부 가정(예: 인프라 침해 또는 백도어를 가진 부정직한 개발자)에 의존하는 가설은 폐기됩니다.

3. 주요 기여

• 새로운 감사 방법론: Heimdallr는 그래프 이론 기반의 프로파일링과 신경-기호적(Neuro-symbolic) 추론을 결합합니다. "Plan-Remind-Solve" 워크플로우는 복잡한 로직 취약점을 탐지하며, 적대적 검증 모듈은 오탐을 엄격하게 억제합니다.
• 프로덕션 준비 완료 서비스: 본 프레임워크는 CI/CD 통합을 위한 표준화된 API 서비스로 출시되며, 에어갭(Air-gapped) 환경에서 오픈 소스 모델(예: GPT-oss-120B)을 사용한 개인정보 보호 중심의 로컬 배포를 지원합니다.
• 포괄적인 경험적 평가: 저자들은 Heimdallr를 산업용 도구 및 학술적 프로토타입을 포함한 4가지 최첨단 베이스라인과 비교 벤치마킹하여, 우수한 F1 점수와 비용 효율성을 입증했습니다.
• 고충실도 벤치마크: 본 논문은 ground-truth 데이터의 부족 문제를 해결하기 위해 고가치 제로 데이(Zero-day) 익스플로잇, 표준화된 벤치마크, 크라우드소싱 컨테스트 결과를 포함하는 세 가지 데이터셋을 구축하고 공개합니다.

4. 실험 결과

평가는 세 가지 데이터셋(실제 고가치 익스플로잇(D1), 독점 벤치마크(D2), 크라우드소싱 감사 프로젝트(D3))을 대상으로 수행되었습니다.

• 탐지 효과성: Claude-Sonnet-4.5를 기반으로 구동되는 Heimdallr는 고가치 익스플로잇(D1 & D2)에서 86.7%의 탐지율을 기록하며, Claude 베이스라인(51.1%)과 Hound와 같은 정적 도구(20.0%)를 크게 앞질렀습니다.
• 오탐 감소: 97% 이상의 오탐율을 보였던 학술적 도구들과 달리, Heimdallr는 다양한 모델에 걸쳐 31.27%에서 49.12% 사이의 오탐율을 유지했습니다.
• 비용 효율성: Heimdallr는 베이스라인 대비 분석 시간을 최대 97.59% 단축하고, 재무적 비용을 98.77% 절감했습니다. 평균 비용은 고정밀 설정 시 프로젝트당 $0.22 또는 10K LOC당 $2.31였습니다.
• 실제 세계 검증:
  • 제로 데이 발견: Heimdallr는 TVL $400M 규모의 라이브 프로토콜에서 3개의 치명적인 제로 데이 취약점을 식별했으며, 감사 기업과의 협업을 통해 4개의 중간 심각도 이슈를 찾아냈습니다.
  • 컨테스트 성과: Sherlock 감사 컨테스트에서 Heimdallr는 무시할 만한 비용으로 92.45%의 탐지율을 달 기록하며, **548명의 인간 감사자 중 19위(상위 4%)**를 차지했습니다.
  • 회고적 분석: 시스템은 학습 데이터에 포함되지 않은 20건의 실제 공격 중 17건을 성공적으로 재구성했습니다(총 $384M의 손실 발생, 2025년 6월 이후 발생 건).

5. 의의 및 주장

본 논문은 Heimdallr가 DeFi 보안의 확장성-정밀도 트레이드오프를 해결한다고 주장합니다. 낮은 오탐율과 최소한의 비용($0.22/프로젝트)으로 높은 탐지율(86.7%)을 달성함으로써, 보안의 패러다임을 주기적인 "일회성 감사"에서 지속적인 DevSecOps로 전환합니다.

결정적으로, 저자들은 프레임워크의 모델 불지론적 아키텍처 덕분에 소비자급 하드웨어에서도 경량 오픈 소스 모델(예: GPT-oss-120B)을 사용하여 효과적인 감사가 가능하다는 점을 강조합니다. 이러한 능력은 데이터 주권에 대한 중요한 기관적 요구를 충족하며, 독점 코드를 제3자 서버에 노출하지 않고도 엄격한 에어갭 보안 분석을 가능하게 합니다. 본 연구는 적절한 에이전트 오케스트레이션과 검증 레이어가 있다면, LLM이 전통적인 도구가 놓치는 복잡한 비즈니스 로직 취약점을 탐지하는 데 있어 신뢰할 수 있고 비용 효율적인 도구가 될 수 있음을 입증합니다.