Zero-Shot Vulnerability Detection in Low-Resource Smart Contracts Through Solidity-Only Training

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 스마트 계약은 탈중앙화 금융 (DeFi) 의 핵심이지만, 논리적 결함으로 인해 심각한 보안 위협과 재정적 손실을 초래합니다.
• 현재 상황:
  • 기존 취약점 탐지 기술은 주로 Solidity(이더리움의 주류 언어) 에 집중되어 있으며, 대규모 레이블 데이터와 정교한 분석 도구를 보유하고 있습니다.
  • 반면, Vyper(Python 기반, 보안 중심 설계) 와 같은 저자원 (Low-resource) 언어는 분석 도구가 부족하고 레이블된 취약점 데이터셋이 극히 부족하여 심층 학습 기반 탐지 모델 개발이 어렵습니다.
• 핵심 문제: Vyper 에 직접 강력한 탐지 모델을 훈련시키기 위해서는 방대하고 다양한 레이블 데이터가 필요하지만, 이를 수집하는 것이 현실적으로 매우 어렵습니다. 또한 Solidity 와 Vyper 는 문법과 시맨틱 구조가 상이하여 기존 Solidity 모델을 Vyper 에 직접 적용하는 것이 불가능합니다.

2. 제안 방법론: Sol2Vy (Methodology)

저자들은 Sol2Vy라는 새로운 프레임워크를 제안하여, Solidity 로만 훈련된 모델을 통해 Vyper 의 취약점을 탐지하는 Zero-Shot(제로샷) 접근법을 제시합니다.

A. 핵심 아이디어: 크로스-랭귀지 지식 전이 (Cross-Language Knowledge Transfer)

• SlithIR 활용: Solidity 와 Vyper 의 소스 코드 문법 차이를 중재하기 위해 언어 중립적인 중간 표현 (IR) 인 SlithIR(Slither 분석 도구 기반) 을 사용합니다.
• 3 단계 파이프라인:
  1. 비지도 지식 학습 (Unsupervised Transferable Knowledge Learning):
     • 레이블이 없는 Solidity 와 Vyper 의 일반 데이터셋을 사용합니다.
     • 멀티-뷰 아키텍처 (Multi-View Architecture) 를 도입합니다.
       • 순차 인코더 (Sequential Encoder): SlithIR 명령어 시퀀스를 처리하여 실행 흐름과 시간적 의존성을 학습 (Transformer 기반).
       • 계층적 인코더 (Hierarchical Encoder): SlithIR 에서 추출된 AST(추상 구문 트리) 그래프 구조를 처리하여 구조적 관계를 학습 (GAT 기반).
     • 최대 평균 불일치 (MMD) 손실 함수: Solidity 와 Vyper 의 특징 공간 분포 차이를 최소화하여 언어에 무관한 (Language-agnostic) 공통 표현을 학습합니다.
  2. 지도 학습 (Supervised Vulnerability Detection on Solidity):
     • 1 단계에서 학습된 인코더 가중치를 동결 (Freeze) 합니다.
     • 레이블이 있는 Solidity 취약점 데이터셋 (안전함/취약함) 만을 사용하여 분류기 (Classification Network) 를 훈련합니다.
  3. Vyper 테스트 (Zero-Shot Testing):
     • Vyper 레이블 데이터 없이, Solidity 로 훈련된 분류기를 Vyper 계약에 직접 적용하여 취약점을 탐지합니다.

B. 데이터 전처리

• SlithIR 추출 시 컴파일러 특유의 노이즈를 제거하고, 임시 변수명, 문자열 리터럴 등을 정규화하여 문법적 차이를 최소화합니다.

3. 주요 기여 (Key Contributions)

1. Vyper 취약점 탐지의 첫걸음: 레이블된 Vyper 데이터 없이 Solidity 데이터만으로 Vyper 취약점을 탐지하는 최초의 심층 학습 프레임워크 (Sol2Vy) 를 제안했습니다.
2. 혁신적인 3 단계 파이프라인: SlithIR 를 기반으로 언어 중립적인 의미 표현을 학습하는 멀티-뷰 인코더와 MMD 기반 정렬 모듈을 설계했습니다.
3. 높은 일반화 성능: Solidity 로만 훈련된 모델이 Vyper 에서도 높은 정확도를 보이며, 기존 최첨단 방법론들을 압도적으로 능가했습니다.
4. 실용성 입증: 레이블 데이터가 전혀 없는 환경에서도 정확한 탐지가 가능함을 보여주어, 저자원 스마트 계약 언어의 보안 격차를 해소할 수 있음을 증명했습니다.

4. 실험 결과 (Results)

연구진은 재진입 (Reentrancy, RE), 약한 난수 생성 (Weak Randomness, WR), 확인되지 않은 전송 (Unchecked Transfer, UT) 의 3 가지 주요 취약점 유형을 대상으로 실험을 수행했습니다.

• 성능 지표 (FPR/FNR - 위양성률/위음성률):
  • Solidity 자체 (상한선): RE(0.09/0.13), WR(0.08/0.12), UT(0.11/0.14).
  • Solidity 훈련 $\rightarrow$ Vyper 테스트 (Zero-Shot): RE(0.11/0.16), WR(0.10/0.15), UT(0.12/0.17).
  • 결과: Solidity 에서 Vyper 로 전이 시 성능 저하가 미미함 (FPR/FNR 증가폭 각각 0.02~0.03 수준) 을 보여, 강력한 크로스-랭귀지 전이 지식이 학습되었음을 입증했습니다.
• 비교 분석 (Baselines):
  • 정적 분석 도구 (Slither, Mythril): Vyper 에서는 문법 패턴 매칭의 한계로 인해 FPR/FNR 이 0.45~0.58 로 매우 낮았습니다. Sol2Vy 는 이를 크게 상회했습니다.
  • 기존 심층 학습 모델 (CodeT5+, GraphCodeBERT): Vyper 데이터로 직접 파인튜닝한 모델들은 데이터 부족으로 인해 Sol2Vy 보다 성능이 떨어졌습니다.
  • LLM 기반 방법 (GPT-4, CodeLlama 등): 프롬프트 기반 탐지는 구조적 모델링 부재로 인해 Sol2Vy 보다 정확도가 낮았습니다.
  • Joint Training Baseline: 인코더를 동결하지 않고 끝까지 훈련한 경우 (Joint Training) 오히려 성능이 급격히 하락하여, 동결 (Freezing) 전략이 언어 중립적 표현을 보존하는 데 필수적임을 확인했습니다.
• Few-Shot 분석: Vyper 데이터가 소량 (12~16 개) 추가될 경우 성능이 더욱 향상되지만, Zero-Shot 설정만으로도 이미 높은 성능을 달성함을 확인했습니다.
• 실행 시간: Sol2Vy 는 동적 분석 도구 (Mythril) 보다 수백 배 빠르며, 정적 도구 (Slither) 와 유사한 속도를 유지하면서 훨씬 높은 정확도를 제공합니다.

5. 의의 및 결론 (Significance)

• 보안 격차 해소: Vyper 와 같은 저자원 언어의 보안 도구 부재 문제를 해결하여, 블록체인 생태계 전반의 취약점 탐지 능력을 향상시킵니다.
• 데이터 효율성: 레이블 데이터가 부족한 환경에서도 대규모 레이블 데이터가 풍부한 소스 언어 (Solidity) 의 지식을 활용하여 효과적인 모델을 구축할 수 있음을 증명했습니다.
• 실용적 적용: 높은 정확도와 빠른 실행 속도를 동시에 만족하여, 실시간 감사 및 대규모 자동화 스캐닝 파이프라인에 즉시 적용 가능한 솔루션을 제시합니다.

이 논문은 Zero-Shot 학습과 언어 중립적 중간 표현 (IR) 을 결합하여 스마트 계약 보안의 새로운 패러다임을 제시했다는 점에서 의의가 큽니다.