LiquiLM: Bridging the Semantic Gap in Liquidity Flaw Audit via DCN and LLMs
이 논문은 대규모 언어 모델 (LLM) 과 동적 공동 주시 네트워크 (DCN) 를 결합한 LiquiLM 프레임워크를 제안하여, 기존 방법으로는 발견하기 어려운 유동성 결함을 효과적으로 식별하고 CVE 인증 취약점 10 건을 발견함으로써 DeFi 및 PoL 생태계의 보안을 강화했다고 요약할 수 있습니다.
이 논문은 블록체인과 디파이 (DeFi) 세계의 가장 중요한 자원인 **'유동성 **(돈이 흐르는 흐름)을 지키기 위해 개발된 새로운 기술, LiquiLM에 대해 설명합니다.
기존의 방법으로는 찾기 힘들었던 숨겨진 결함을 찾아내기 위해, **인공지능 **(LLM)과 **정교한 필터 **(DCN)를 결합한 혁신적인 시스템을 제안했습니다.
🧐 왜 이 기술이 필요한가요? (배경)
블록체인 세계에서는 사람들이 자산을 예치하고 거래할 수 있도록 '유동성'을 만들어주는 것이 핵심입니다. 예전에는 단순히 자산을 묶어두기만 하면 되었지만 (PoS), 이제는 유동성을 적극적으로 관리해야 하는 새로운 방식 (PoL) 이 등장했습니다.
하지만 문제는 복잡해졌습니다.
비유: 예전에는 간단한 금고만 관리하면 됐다면, 이제는 거대한 은행의 복잡한 환전소와 대출 시스템을 실시간으로 운영해야 하는 것과 같습니다.
위험: 이 복잡한 시스템에 숨겨진 작은 실수 (결함) 하나만 있어도, 수천억 원의 자금이 순식간에 증발하거나 유동성이 마를 수 있습니다.
기존의 보안 도구들은 마치 **단순한 패턴 매칭 **(예: "이 문구가 있으면 해킹이다")만 하는 탐정이라, 복잡한 논리나 숨겨진 의도를 가진 새로운 유형의 결함은 찾아내지 못했습니다.
🛠️ LiquiLM 은 어떻게 작동하나요? (시스템 설명)
LiquiLM 은 두 가지 핵심 기술을 합쳐서 3 단계로 작동합니다.
1 단계: 정교한 필터 (DCN - 동적 공동 주의 네트워크)
비유: 수만 장의 문서 더미에서 '위험한 단어'가 포함된 페이지만 골라내는 초고속 정렬기입니다.
작동: 전체 계약 코드 (문서) 를 작은 조각 (슬라이스) 으로 잘라냅니다. 그리고 '유동성 결함'에 대한 설명 (예: "돈이 갑자기 사라지는 로직") 과 비교합니다.
효과: 안전하고 관련 없는 코드 90% 이상을 미리 걸러냅니다. 이렇게 하면 다음 단계의 인공지능이 불필요한 정보를 보지 않아도 되어 훨씬 빠르고 정확하게 집중할 수 있습니다.
2 단계: 지능형 분석가 (LLM - 대규모 언어 모델)
비유: 수석 변호사나 최고의 감식관입니다.
작동: 1 단계에서 걸러진 '위험한 의심스러운 코드 조각'만 받아서 분석합니다. 하지만 여기서 중요한 것은, 이 분석가가 혼자서 막연하게 분석하는 것이 아니라 1 단계가 준 '의심 리스트 (AIM)'를 보고 분석한다는 점입니다.
효과: 인공지능이 헛소리 (할루시네이션) 를 하거나 헛걸음을 하는 것을 막아줍니다.
3 단계: 4 단계 협업 심의 시스템 (Four-Phase Collaborative Prompt System)
비유: 법정에서의 심문과 재심 과정입니다.
작동:
식별: 의심스러운 부분을 찾아냅니다.
거짓 양성 제거: "이게 진짜 위험한가, 아니면 오해인가?"를 다시 한번 확인합니다.
숨은 결함 찾기: 처음에 놓친 아주 미세한 결함은 다시 찾아냅니다.
최종 판결: 모든 의견을 모아 최종 보고서를 작성합니다.
효과: 한 번에 결론을 내리는 것이 아니라, 여러 번 검증하고 토론하므로 실수가 거의 없습니다.
📊 결과는 어땠나요? (성과)
연구진은 1,490 개의 실제 스마트 계약을 테스트했습니다.
높은 정확도: 유동성 결함을 찾아내는 정확도 (F1 점수) 가 90% 이상으로, 기존 도구들보다 훨씬 뛰어났습니다.
실제 해킹 발견: 실제 블록체인 (이더리움, Berachain 등) 에서 1,380 개 계약을 스캔한 결과, **238 개의 고위험 계약을 찾아냈고, 그중 10 개는 실제 해킹 취약점 **(CVE).
비용 절감: 불필요한 코드를 미리 걸러내어 인공지능이 처리해야 할 데이터 양을 줄였기 때문에, 시간과 비용도 크게 절감되었습니다.
💡 핵심 요약 (한 줄 정리)
**LiquiLM 은 "현미경 **(DCN)
이 기술은 블록체인이 더 안전하고 신뢰할 수 있는 금융 시스템으로 발전하는 데 중요한 역할을 할 것으로 기대됩니다.
1. 연구 배경 및 문제 정의 (Problem)
PoL(Proof of Liquidity) 의 부상과 복잡성: 기존의 PoS(Proof of Stake) 는 자산 스테이킹에 의존하지만, 새로운 PoL 메커니즘은 자산 스테이킹을 넘어 '능동적인 유동성 관리'를 장려합니다. 이는 DeFi 및 PoL 생태계의 안정성을 높이지만, 스마트 계약의 경제적 모델과 상호작용 로직을 비약적으로 복잡하게 만듭니다.
유동성 결함 (Liquidity Flaws) 의 탐지 난이도:
기존 취약점 탐지 도구 (정적 분석, 동적 실행, 형식 검증) 는 재진입 (Reentrancy) 이나 산술 오류와 같은 구문적 패턴 (Syntactic Patterns) 기반의 취약점은 잘 탐지합니다.
그러나 유동성 결함은 저수준 코드 구현과 고수준 유동성 의도 간의 의미론적 불일치 (Semantic Deviation) 에서 비롯됩니다. 이는 고정된 코드 시그니처가 없으며, 복잡한 상태 전이 (State Transitions) 에 숨겨져 있어 기존 규칙 기반 도구로는 탐지가 거의 불가능합니다.
LLM 의 한계: 대규모 언어 모델 (LLM) 은 복잡한 논리를 이해할 잠재력이 있으나, 방대한 원시 코드를 직접 입력할 경우 할루시네이션 (Hallucination) 이 발생하거나, 도메인 문맥이 부족하여 정보 과부하 (Information Overload) 로 인해 정확한 감사를 수행하지 못합니다.
2. 제안 방법론: LiquiLM 프레임워크 (Methodology)
LiquiLM 은 동적 공동 어텐션 네트워크 (DCN, Dynamic Co-Attention Network) 와 LLM을 통합하여 코드 구현과 유동성 의도 간의 의미론적 간극을 해소하는 3 단계 모듈로 구성됩니다.
Module 1: 의미론적 특징 표현 (Semantic Feature Representation)
의존성 인식 슬라이싱 (Dependency-aware Slicing): 스마트 계약 소스 코드를 전처리하고, 함수별 의존성 (전역 변수, 수정자 등) 을 기반으로 슬라이스하여 불필요한 노이즈를 제거합니다.
정규화 및 임베딩: 변수/함수 이름을 추상화하여 의미론적 구조에 집중하도록 하며, BGE-M3 인코더를 사용하여 슬라이스된 코드와 유동성 결함 설명을 벡터로 변환합니다.
핵심 역할: DCN 은 코드 슬라이스 벡터와 유동성 결함 설명 벡터 간의 심층적인 의미 매핑을 수행합니다.
쿼리 가이드 공동 어텐션 (Query-Guided Co-Attention): 코드 슬라이스를 Query 로, 결함 설명을 Key/Value 로 사용하여 각 토큰 간의 의미적 상관관계를 동적으로 강화합니다.
이중 채널 집계 (Dual-Channel Aggregation):
전역 최대 풀링 (GMP): 결함 유발 지점과 같은 국소적 중요 특징 포착.
전역 평균 풀링 (GAP): 전체 코드 슬라이스의 기능적 의도 파악.
Audit-Informed Manifest (AIM) 생성: DCN 은 안전하지 않은 슬라이스를 필터링하고, 잠재적 결함 확률 벡터를 포함하는 AIM 을 생성하여 LLM 에게 고품질의 문맥 정보를 제공합니다. 이는 LLM 의 검색 공간을 90% 이상 축소합니다.
Module 3: AIM 기반 휴리스틱 감사 (AIM-Guided Heuristic Audit)
2 단계 신뢰도 필터링: AIM 의 확률 벡터를 기반으로 '절대 신뢰 구간 (고위험)', '노이즈 구간 (폐기)', '모호한 구간 (2 차 평가)'으로 분류합니다. 모호한 구간의 경우 Peak-to-Noise Ratio (PNR) 메커니즘을 적용하여 숨겨진 결함을 포착합니다.
4 단계 협업 프롬프트 시스템 (Four-Phase Collaborative Prompt System):
식별 및 배정: AIM 정보를 파싱하여 고신뢰/모호한 슬라이스를 분배.
거짓 양성 제거 (2-1) & 거짓 음성 발굴 (2-2): 고신뢰 결함은 정밀 검토, 모호한 결함은 광범위 탐색을 통해 숨겨진 결함을 발굴.
통합 및 중재 (3): 두 단계의 결과를 통합하고, 불일치가 있을 경우 피드백 루프를 통해 재검증.
보고서 생성: 검증된 결함에 대해 구조화된 감사 보고서와 수정 제안 생성.
3. 주요 기여 (Key Contributions)
최초의 LiquiLM 프레임워크: LLM 과 DCN 을 결합하여 PoL 스마트 계약의 유동성 결함을 분석하고 최적화하는 최초의 프레임워크 제안.
4 단계 협업 프롬프트 시스템: 복잡한 스마트 계약을 단계별로 분석하고 각 단계에서 정확성을 검증하여 최종 감사 보고서의 신뢰성을 극대화하는 새로운 아키텍처 설계.
실증적 검증 및 높은 신뢰도: 1,490 개의 검증용 계약에 대한 광범위한 평가를 통해 유동성 결함 및 전통적 취약점 모두에서 높은 성능을 입증.
4. 실험 결과 (Results)
데이터셋: 1,490 개의 검증용 계약 (PoL 및 이더리움 메인넷 기반) 과 1,380 개의 실제 PoL/이더리움 계약.
성능 지표 (Gemini 3 Pro 및 GPT-4o 백본 기준):
F1-Score: 90% 이상 달성 (정밀도 97% 이상, 재현율 84~86% 이상).
Ablation Study: AIM(사전 지식) 이 없으면 LLM 의 성능이 급격히 저하되며 (F1 0.4 수준), DCN 만으로는 재현율이 낮음 (76.4%). 두 요소의 시너지가 필수적임이 입증됨.
기존 도구 대비: Slither, Oyente, Aderyn 등 기존 정적 분석 도구 및 GPTLens, Smart-LLaMA-DPO 와 비교하여 정밀도와 재현율의 균형이 훨씬 우수함 (특히 복잡한 비즈니스 로직 관련 취약점).
실제 적용 성과:
1,380 개의 실제 계약 스캔 결과 238 개의 고위험 계약 식별 (경고율 약 17.2%).
전문가 검토 및 책임 있는 공개를 통해 10 개의 CVE 인증 획득.
5. 의의 및 결론 (Significance)
의미론적 간극 해소: 단순한 패턴 매칭을 넘어, 저수준 코드와 고수준 비즈니스 의도 간의 의미론적 불일치를 해결하여 기존에 탐지되지 않았던 숨겨진 유동성 결함을 찾아냅니다.
비용 효율성 및 확장성: DCN 을 통한 전처리로 LLM 의 토큰 소비량을 크게 줄이고 (약 140% 감소), 할루시네이션을 억제하여 대규모 계약 감사에 실용적입니다.
Web3 생태계 보안 강화: PoL 메커니즘과 같은 차세대 합의 알고리즘 및 DeFi 프로토콜의 안정성을 보장하고, 사용자 자산 보호를 위한 새로운 표준 감사 도구로 자리매김할 잠재력을 가집니다.
이 논문은 LLM 의 추론 능력과 DCN 의 정밀한 특징 추출 능력을 결합하여, 스마트 계약 보안 분야에서 새로운 패러다임을 제시했다는 점에서 중요한 의의를 가집니다.