A Human-in-the-Loop Framework for Detecting Logical Vulnerabilities in Smart Contracts
본 논문은 자동화된 분석과 표적화된 인간 검토를 결합하여 스마트 계약의 논리적 취약점을 탐지하는 Human-in-the-Loop 프레임워크를 제안하며, SmartBugs Curated 데이터셋에서 정밀도와 F1-스코어의 유의미한 향상을 입증하는 동시에 오탐률을 줄이는 것을 보여준다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
디지털 세계에서 블록체인은 많은 컴퓨터가 동기화하여 유지하는 공유된 기록부이며, 이를 통해 어느 한 사람도 과거를 변경할 수 없도록 보장합니다. 이 시스템의 핵심에는 중앙의 관리자 없이도 별개의 컴퓨터들이 무엇이 진실인지에 대해 합의할 수 있게 해주는 규칙의 집합인 합의 프로토콜이 자리 잡고 있습니다. 이러한 토대 위에 개발자들은 특정 조건이 충족되면 돈을 송금하거나 자산을 관리하는 것과 같은 계약을 자동으로 수행하는 자가 실행 프로그램인 스마트 계약을 작성합니다. 이러한 기술들이 신뢰와 자동화의 새로운 시대를 약속하지만, 이들이 실패로부터 자유로운 것은 아닙니다. 물리적인 자물쇠가 따이거나 건물에 구조적 결함이 있을 수 있는 것처럼, 이 시스템 뒤에 숨겨진 코드에도 오류가 포함될 수 있습니다. 이러한 오류 중 일부는 코드상의 명백한 실수이지만, 가장 위험한 것은 논리적 취약점입니다. 이것들은 오타나 깨진 구문이 아니라, 실제 계획이나 비즈니스 로직의 결함으로, 코드가 명령받은 대로 정확히 작동하지만 그 명령 자체가 잘못된 경우를 의미합니다. 이러한 오류는 프로그램의 구체적인 목적에 크게 의존하기 때문에, 컴퓨터가 스스로 찾아내기가 매우 어렵습니다.
알리레자 아사다제(Alireza Assadzadeh)가 이끄는 이슬람 아자드 대학교 타브리즈 분교의 연구팀은 인간을 다시 과정에 참여시킴으로써 이 특정한 문제를 해결하는 방법을 제안했습니다. 연구진은 자동화된 도구가 알려진 패턴을 찾아 코드를 스캔하는 데는 뛰어나지만, 논리적 취약점을 정의하는 미묘하고 맥락 의존적인 오류를 파악하는 데는 어려움을 겪는다고 주장합니다. 이를 해결하기 위해 그들은 빠른 자동 스캐너와 신중한 인간 전문가 사이의 파트너십 역할을 하는 '휴먼 인 더 루프(Human-in-the-Loop)'라는 프레임워크를 설계했습니다. 이 시스템은 단계별로 작동합니다. 먼저, 자동화 도구가 스마트 계약을 스캔하여 잠재적인 문제를 식별하고, 각 경고에 대해 해당 문제가 얼마나 확실한지를 나타내는 신뢰 점수를 부여합니다. 모든 경고를 인간에게 보여주어 과부하를 주는 대신, 시스템은 목록을 필터링합니다. 시스템은 높은 신뢰 점수를 가진 경고만을 최종 검토를 위해 인간 전문가에게 전달합니다. 그러면 전문가는 이 특정 사례들을 검토하여, 그것이 실제 위협인지 아니면 허위 경보인지를 결정합니다. 이 접근 방식은 기계의 속도를 유지하면서 인간의 미묘한 판단력을 더하는 것을 목표로 합니다.
이 방법이 실제로 효과가 있는지 테스트하기 위해, 연구진은 다양한 유형의 보안 결함이 이미 포함되어 있는 것으로 알려진 143개의 스마트 계약 모음을 사용하여 실험을 진행했습니다. 그들은 표준 자동 스캐너의 동작을 시뮬레이션한 다음, 새로운 필터링 및 검토 과정을 적용했습니다. 결과는 정확도의 명확한 향상을 보여주었습니다. 순수하게 자동화된 도구에만 의존했을 때, 시스템은 실제 문제를 올바르게 식별했지만 많은 허위 경보도 발생시켜 정밀도(precision) 점수가 약 0.71에 머물렀습니다. 여기서 정밀도란 플래그가 지정된 이슈 중 실제로 문제가 된 비율을 측정합니다. 인간의 검토 단계를 도입한 후, 정밀도는 약 0.84로 뛰어올랐습니다. 이는 허위 경보의 수가 절반 이상, 구체적으로 52.2% 감소했음을 의미하며, 동시에 시스템은 기계가 원래 찾아냈던 실제 취약점을 단 하나도 놓치지 않았습니다. 시스템의 전체적인 유효성 척도인 F1-score 또한 약 0.83에서 0.91로 상승했습니다.
이 연구는 이러한 하이브리드 접근 방식이 블록체인 보안의 지속적인 문제에 대한 실질적인 해결책을 제공한다고 시사합니다. 인간 전문가가 가장 가능성 높은 후보들만을 처리하게 함으로써, 시스템은 작업량을 줄이는 동시에 결과에 대한 신뢰도를 크게 높입니다. 연구진은 이것이 코드의 구조만을 확인하는 것이 아니라 의도된 비즈니스 규칙에 대한 이해를 필요로 하는 논리적 취약점에 특히 중요하다고 언급했습니다. 비록 이번 연구 결과가 주요 네트워크의 라이브 배포가 아닌 기존 데이터를 사용한 통제된 시뮬레이션에 기반하고 있지만, 결과는 인간의 전문성을 통합하는 것이 이러한 복잡한 오류를 탐지하는 신뢰성을 유의미하게 개선할 수 있음을 나타냅니다. 이 작업은 탈중앙화 애플리케이션을 보호하는 미래가 단순히 더 나은 소프트웨어뿐만 아니라, 자동화된 도구와 인간의 통찰력 사이의 구조화된 협업을 포함하게 될 것임을 가리키고 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.