LibScan: Smart Contract Library Misuse Detection with Iterative Feedback and Static Verification

1. 문제 정의 (Problem Definition)

• 배경: 이더리움 및 Web3 생태계의 성장과 함께 스마트 계약이 DeFi(탈중앙화 금융) 의 핵심 인프라로 자리 잡았으나, 코드의 완전한 공개성과 블록체인의 불변성으로 인해 사소한 논리 오류도 막대한 재정적 손실로 이어질 수 있습니다.
• 핵심 문제: 개발자들은 효율성과 보안 강화를 위해 SafeERC20, SafeMath 와 같은 서드파티 라이브러리를 광범위하게 사용합니다. 그러나 라이브러리의 부적절한 사용 (Misuse) 은 기존 정적 분석 도구로는 탐지하기 어려운 숨겨진 취약점을 유발합니다.
• 기존 도구의 한계:
  • 정적 분석 도구 (Slither 등): 하드코딩된 규칙, AST(추상 구문 트리), CFG(제어 흐름 그래프) 에 의존합니다. 이는 개발자의 의도, 복잡한 문맥적 의미, 그리고 라이브러리 기능에 대한 오해 (과대/과소 평가) 와 같은 심층적인 이해가 필요한 misuse 패턴을 탐지하는 데 한계가 있습니다.
  • 대형 언어 모델 (LLM) 기반 접근: 코드 의미 이해와 추론 능력이 뛰어나지만, 긴 스마트 계약 코드를 처리할 때 할루시네이션 (환각) 이 발생하고 오탐지 (False Positive) 비율이 매우 높습니다.
• 목표: 개발자의 의도와 코드 문맥을 이해하면서도 정밀한 코드 수준 검증을 수행할 수 있는 하이브리드 탐지 프레임워크의 부재가 주요 기술적 병목 현상이었습니다.

2. 방법론 (Methodology)

논문은 LibScan이라는 새로운 자동화 탐지 프레임워크를 제안하며, 이는 LLM 기반의 의미 추론과 규칙 기반의 정적 분석을 결합합니다.

가. 8 가지 라이브러리 오용 패턴 정의

실증 연구 (Huang et al., 2024) 를 기반으로 스마트 계약 라이브러리 오용의 8 가지 주요 패턴을 정의하고 데이터베이스화했습니다:

1. P1: 라이브러리 내 잘못된 래퍼 (Wrapper) 체크
2. P2: 라이브러리 내 예외 처리 누락
3. P3: 부적절한 라이브러리 확장
4. P4: 부적절한 using for 사용
5. P5: 불완전한 함수 교체
6. P6: 라이브러리 기능 과대 평가
7. P7: 라이브러리 기능 과소 평가
8. P8: 불필요한 라이브러리 사용

나. 하이브리드 아키텍처

LibScan 은 크게 두 가지 모듈과 통합 메커니즘으로 구성됩니다.

1. LLM 기반 의미 추론 모듈:

   • PTS (Pre-generated, Then Selected) 프롬프트 전략: Auto-CoT 와 Zero-shot-CoT 에서 영감을 받아, LLM 이 단계별 추론 (Chain-of-Thought) 을 수행하도록 유도합니다.
   • 반복적 피드백 최적화 (Iterative Feedback): LLM 의 초기 분석 결과를 다음 라운드의 프롬프트에 피드백으로 제공하여 오류를 수정하고 정확도를 점진적으로 높이는 루프 구조를 도입했습니다.
   • 모델: GPT-4 Turbo, DeepSeek-V3 등 고성능 모델을 사용하며, Temperature 를 0 으로 설정하여 결과의 일관성을 확보했습니다.

2. 정적 분석 모듈:

   • BCSSM (Code Similarity based Static Matching): TF-IDF 벡터와 코사인 유사도를 사용하여 코드 스니펫과 입력 코드의 구조적 유사성을 매칭합니다.
   • HCSA (Hybrid Context-Sensitive Static Analysis): Slither 를 기반으로 AST 와 CFG 를 생성하여 라이브러리 오버라이드 완전성, 연산 컨텍스트 검증 등 문맥적 의미를 분석합니다. P1-P3, P5 패턴에 특화되어 있습니다.

3. 결과 통합 (Ensemble Learning):

   • LLM 과 정적 분석 모듈의 출력 결과를 랜덤 포레스트 (Random Forest) 모델에 입력하여 통합합니다.
   • 두 모듈의 상호 보완적 강점을 활용하여 비선형 관계를 학습하고 최종 탐지 결과를 결정함으로써 오탐지를 줄이고 정확도를 극대화합니다.

3. 주요 기여 (Key Contributions)

1. 최초의 하이브리드 도구: 스마트 계약 라이브러리 오용 패턴을 탐지하기 위해 LLM 과 정적 분석을 결합한 최초의 도구 (LibScan) 를 제안했습니다.
2. 구체적인 패턴 매핑: 8 가지 오용 패턴에 대한 설명, 코드 레벨 시나리오, 속성 정보를 통합하여 LLM 이 라이브러리 오용을 효과적으로 탐지할 수 있는 표준을 마련했습니다.
3. 반복적 피드백 메커니즘: LLM 의 할루시네이션을 줄이고 오탐지율을 낮추기 위해 폐쇄 루프 (Closed-loop) 형태의 반복적 자기 수정 메커니즘을 도입했습니다.
4. 실증적 검증: 183 개의 실제 스마트 계약을 대상으로 한 초기 검증과 662 개의 대규모 테스트 세트를 통한 포괄적인 실험을 수행하여 도구의 유효성을 입증했습니다.

4. 실험 결과 (Results)

• 데이터셋: 1,018 개의 실제 스마트 계약 중 662 개를 테스트 세트로 사용했습니다.
• 성능 지표:
  • 전체 정확도 (Accuracy): 85.15%
  • 정밀도 (Precision): 86.19%
  • 재현율 (Recall): 82.22%
  • F1 점수: 83.75%
• 비교 분석:
  • 기존 도구인 Slither(정적 분석 전용) 와 GPTScan(LLM 전용) 보다 16% 이상 높은 정확도를 기록했습니다.
  • Ablation Study(성분 제거 실험): LLM 만 사용하거나 정적 분석만 사용할 때보다 두 방법을 결합했을 때 성능이 현저히 향상됨을 확인했습니다 (LLM 만: 73.56%, 정적 분석만: 70.66% vs 통합: 85.15%).
• 반복 최적화 효과: 3 회 반복 (Iteration) 을 거친 후 GPT-4 Turbo 와 DeepSeek V3 모델에서 성능이 정점에 도달함을 확인했습니다.

5. 의의 및 결론 (Significance)

• 보안 패러다임의 전환: 단순한 패턴 매칭을 넘어 개발자의 의도와 라이브러리 설계 의도를 이해하는 '의미 기반' 보안 감사의 중요성을 부각시켰습니다.
• 실용성: DeFi 생태계에서 발생할 수 있는 막대한 재정적 손실을 예방할 수 있는 실용적인 자동화 솔루션을 제공합니다.
• 지속 가능성: 오픈소스로 코드와 데이터를 공개하여 (Figshare) 향후 연구와 실무 적용의 기반을 마련했습니다.
• 한계 및 향후 과제: 매우 복잡한 코드 의미 처리 능력은 여전히 개선이 필요하며, 향후 모델 훈련 강화와 패턴 범위 확장을 통해 이를 해결할 계획입니다.

요약하자면, LibScan은 LLM 의 유연한 추론 능력과 정적 분석의 엄밀한 검증을 결합하여, 기존 도구들이 놓치기 쉬운 스마트 계약 라이브러리의 미묘한 오용 패턴을 고도로 정확하게 탐지하는 혁신적인 프레임워크입니다.