💻 computer science

Identifying and Characterizing Semantic Clones of Solidity Functions

Dit artikel presenteert een schaalbare methodologie voor het identificeren van semantische klonen in Solidity-smartcontracts door code en commentaar te analyseren, waarbij hoge precisie en recall worden bereikt terwijl structurele ontwerpalternatieven worden verkend en Large Language Models worden ingezet om documentatiegaten in code zonder commentaar te overbruggen.

Oorspronkelijke auteurs: Ermanno Francesco Sannini, Francesco Salzano, Simone Scalabrino, Rocco Oliveto, Remo Pareschi, Corrado Aaron Visaggio, Andrea Di Sorbo

Gepubliceerd 2026-04-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ermanno Francesco Sannini, Francesco Salzano, Simone Scalabrino, Rocco Oliveto, Remo Pareschi, Corrado Aaron Visaggio, Andrea Di Sorbo

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de wereld van Slimme Contracten (de digitale overeenkomsten die draaien op blockchains zoals Ethereum) voor als een enorme, openbare bibliotheek. Zodra een boek (een contract) is geschreven en op de plank is gezet, kan het nooit worden gewist of gewijzigd. Omdat de boeken openbaar zijn, kopiëren schrijvers vaak secties uit andere boeken om tijd te besparen. Dit heet "klonen".

Meestal is kopiëren makkelijk te herkennen. Als je een alinea letterlijk overneemt, is het duidelijk. Maar wat als iemand een alinea herschrijft met volledig andere woorden, de zinsstructuur verandert en een paar synoniemen verwisselt, maar de betekenis precies hetzelfde blijft? In de programmeerwereld heet dit een Semantische Kloon (of een Type-4 kloon).

Dit artikel gaat over het bouwen van een betere "bibliothecaris" om deze verborgen, herschreven kopieën te vinden in Solidity (de taal die wordt gebruikt om deze contracten te schrijven), omdat het kopiëren van slechte logica even makkelijk beveiligingsgaten kan verspreiden als het kopiëren van goede logica.

Hier is een uiteenzetting van hun werk met behulp van eenvoudige analogieën:

1. Het Probleem: De Valstrik van het "Herschreven Recept"

Stel je twee chefs voor die recepten schrijven voor "Chocoladetaart".

Chef A schrijft: "Meng bloem, suiker en eieren. Bak op 175°C."
Chef B schrijft: "Combineer droge ingrediënten met natte ingrediënten. Plaats in de oven op 175°C."

Voor een computer die op exacte overeenkomsten zoekt, zien deze er totaal anders uit. Maar voor een mens zijn het hetzelfde recept. In de blockchainwereld, als het recept van Chef A een verborgen gebrek heeft (zoals vergeten te controleren of de oven heet is), en Chef B het idee kopieert zonder het gebrek op te merken, is de hele keuken in gevaar.

De auteurs ontdekten dat bestaande tools lijken op robots die alleen zoeken naar exacte woordovereenkomsten. Ze missen deze "herschreven recepten".

2. De Oplossing: De "Chef's Notities" Lezen

De onderzoekers realiseerden zich dat terwijl de code (de ingrediënten en stappen) er misschien anders uitziet, de commentaren (de notities die de chef boven het recept schreef) de intentie vaak op zeer vergelijkbare wijze uitleggen.

De Analogie: Denk aan de code als de handelingen en de commentaren als de voice-over die uitlegt wat de handelingen doen.
De Methode: Ze bouwden een systeem dat twee dingen vergelijkt:
1. De Code: Ze controleren of de code anders is (lage gelijkenis).
2. De Commentaren: Ze controleren of de geschreven beschrijvingen zeer vergelijkbaar zijn (hoge gelijkenis).

Als de code er anders uitziet maar de voice-over hetzelfde klinkt, markeren ze het als een "Semantische Kloon".

3. De Resultaten: Een Zeer Nauwkeurige Detective

Ze testten deze methode op een enorme dataset van bijna 300.000 moderne slimme contracten.

Het Succespercentage: Toen ze een steekproef van 1.155 paren handmatig controleerden, was hun methode in totaal 59% van de tijd correct.
De "Zelfde Naam" Bonus: Als de functies dezelfde naam hadden (zoals beide transfer heten), steeg de nauwkeurigheid naar 84%.
Het Veiligheidsnet: Ze controleerden ook of ze er geen hadden gemist. Ze ontdekten dat ze slechts ongeveer 3% van de echte klonen misten (een "recall"-percentage van 97%).

Ze ontdekten dat deze "herschreven recepten" niet zomaar ongelukken zijn; het zijn vaak ontwerpprocedures. Ontwikkelaars herschrijven ze om de code veiliger te maken, "gas" te besparen (de vergoeding die wordt betaald om het contract uit te voeren), of om de code beter te organiseren.

4. De Uitdaging: De "Stille" Bibliotheek

Een groot probleem dat ze ontdekten, is dat 75% van deze functies helemaal geen commentaren heeft. Het is alsof je een bibliotheek hebt waar drie kwart van de boeken geen titel of samenvatting heeft. Zonder commentaren kan hun "voice-over"-methode niet werken.

5. De Oplossing: De "AI-Schrijver" (LLM's)

Om het probleem van de "stille bibliotheek" op te lossen, gebruikten ze Grote Taalmodellen (AI) als schrijver.

De Analogie: Als een boek geen samenvatting heeft, vroegen ze de AI om de code te lezen en er een samenvatting voor te schrijven.
Het Experiment: Ze voerden de code aan de AI, vroegen het om een beschrijving te schrijven, en gebruikten vervolgens hun systeem om de door de AI geschreven beschrijvingen te vergelijken.
Het Resultaat: Zelfs zonder door mensen geschreven notities, stelden de door de AI gegenereerde samenvattingen hen in staat 75% van de verborgen klonen correct te vinden.

Ze testten ook verschillende "prompts" (instructies voor de AI). Ze ontdekten dat het vragen aan de AI om een simpele, directe samenvatting beter werkte dan het vragen om een complex, gestructureerd rapport. De complexe rapporten voegden te veel "flauwekul" toe die het systeem verwarde, terwijl simpele samenvattingen de focus hielden op de kernbetekenis.

6. Waarom Dit Belangrijk Is

De auteurs concluderen dat dit niet alleen gaat over het vinden van duplicaten; het gaat over het vinden van alternatieven.

Als je een ontwikkelaar bent die een veilig contract bouwt, wil je niet alleen één manier om iets te doen. Je wilt alle verschillende manieren zien waarop andere mensen hetzelfde probleem hebben opgelost.
Door deze semantische klonen te vinden, kunnen ontwikkelaars verschillende "herschreven recepten" vergelijken om te zien welke veiliger, goedkoper of efficiënter is voordat ze hun eigen bouwen.

Kortom: Het artikel presenteert een nieuwe manier om "verborgen tweeling" in code te vinden door de intentie (commentaren) te vergelijken in plaats van alleen de syntaxis (code). Wanneer commentaren ontbreken, gebruiken ze AI om ze te schrijven, waardoor ze succesvol verborgen ontwerpalternatieven blootleggen die kunnen helpen blockchain-contracten veiliger en efficiënter te maken.

1. Probleemstelling

Smart contracts (SC's) op blockchains zoals Ethereum zijn onveranderlijk en publiek, wat leidt tot hoge mate van codehergebruik. Hoewel syntactische codeclones (Type-1 tot Type-3) goed bestudeerd zijn, blijven Type-4 clones (semantische clones) – functies die dezelfde logische taak uitvoeren maar aanzienlijk verschillen in syntaxis en structuur – een grote uitdaging.

Het Risico: Indiscriminatie klonen van semantische clones kan verborgen kwetsbaarheden (bijvoorbeeld reentrancy, ontbrekende checks voor retourwaarden) door het hele ecosysteem verspreiden.
Het Gat: Bestaande tools (zoals EClone) lijden onder lage precisie, hoge overhead en incompatibiliteit met moderne Solidity-versies (0.8+). Bovendien ontbreekt het aan actuele, gecurateerde datasets voor het evalueren van deze technieken.
De Documentatie-uitdaging: Ongeveer 75,57% van de Solidity-functies mist door ontwikkelaars geschreven commentaar, wat semantische analyse via natuurlijke taal bemoeilijkt.

2. Methodologie

De auteurs stellen een schaalbare, lichtgewicht methodologie voor die codeanalyse combineert met natural language processing (NLP) van commentaar om Type-4 clones te detecteren.

A. Datasetconstructie

Bron: Ophaald uit de Ethereum-blockchain via Google BigQuery en Etherscan.
Schaal: ~300.000 actieve smart contracts (82,07% compliant met Solidity 0.8+).
Filtering: 2,7 miljoen functies geëxtraheerd, gefilterd op public/external zichtbaarheid en verwijdering van functies met triviaal of ontbrekend commentaar.
Finale Dataset: 216.429 hoogwaardige paren functies met zowel code als betekenisvol commentaar.

B. Detectiestrategie

De kernhypothese is dat functies met lage codgelijkenis maar hoge commentaargelijkenis waarschijnlijk semantische clones zijn.

Embedding Generatie:
- Code: Gebruik van SmartEmbed (AST + FastText) om vectorrepresentaties van de broncode te genereren.
- Commentaar: Gebruik van SBERT (all-MiniLM-L6-v2) om semantische embeddings van ontwikkelaarscommentaar te genereren.
Gelijkenisberekening:
- Genormaliseerde Euclidische afstand berekend voor code en cosinushgelijkenis voor commentaar.
- Kandidaatselectie: Paren geselecteerd waarbij Codgelijkenis ( $cd\_s$ ) $\le 0,8$ EN Commentaargelijkenis ( $cm\_s$ ) $> 0,8$ .
Validatie:
- Handmatige validatie uitgevoerd op een statistisch significant monster van 1.155 functparen (gestratificeerd over baseline-, kandidaat- en aanvullende sets).
- Twee domeinexperts (PhD-studenten met 5+ jaar ervaring) labelden paren onafhankelijk, met een Cohen's Kappa van 0,83.

C. Aanpak van de Documentatiekloof (RQ3)

Voor de 75% van de functies zonder commentaar integreerden de auteurs Large Language Models (LLM's):

Strategie: Gebruik van ChatGPT-4o om samenvattingen te genereren voor functies zonder commentaar.
Prompt Engineering: Vergelijking van een "Basis Prompt" (directe samenvatting) met een "Gestructureerd Sjabloon" (vereist specifieke secties zoals parameters en retourwaarden).
Evaluatie: Getest of door LLM's gegenereerde samenvattingen echte commentaar konden vervangen wanneer gecombineerd met embedding-modellen (SBERT, BERT-base, CodeBERT-base).

3. Belangrijkste Bijdragen

Nieuwe Methodologie: Een schaalbare aanpak voor het detecteren van Type-4 clones in Solidity door gebruik te maken van de correlatie tussen codedissimilariteit en commentaargelijkenis.
Moderne Dataset: Creatie van een gecurateerde dataset van ~300.000 actieve Ethereum-contracten, voornamelijk gebruikmakend van Solidity 0.8, wat het gebrek aan actuele middelen in het veld aanpakt.
LLM-integratie: Een demonstratie van het gebruik van LLM's als "documentatiemotoren" om de kloof in slecht gedocumenteerde code te overbruggen, waardoor semantische clone-detectie mogelijk wordt in functies zonder commentaar.
Karakterisering van Clones: Een kwalitatieve analyse die aantoont dat semantische clones vaak ontwerpalternatieven vertegenwoordigen die gericht zijn op beveiliging, modulariteit en gasoptimalisatie in plaats van simpele redundantie.

4. Belangrijkste Resultaten

Prestatiemetingen (RQ1)

Precisie: 59% overall voor de kandidaatset.
- 84% precisie wanneer gefocust op homonieme functies (functies met dezelfde naam).
Recall: 97% (wat aangeeft dat de methode zeer weinig echte semantische clones mist).
F1-score: 74%.
Baseline-vergelijking: Een baseline-aanpak die alleen codgelijkenis gebruikte (commentaar negerend) leverde een validatiepercentage op van <1%, wat de kritieke waarde van commentaaranalyse bewijst.

Karakterisering van Clones (RQ2)

Handmatige analyse van gevalideerde clones onthulde veelvoorkomende structurele patronen:

call_internal (22%): Decompositie van logica in interne helperfuncties voor modulariteit.
diff_algo (16%): Verschillende algoritmen die hetzelfde resultaat bereiken (bijvoorbeeld verschillende volgorde van bewerkingen in transferFrom).
add_check (10%): Toevoeging van validatielogica (bijvoorbeeld extra require-statements) zonder de kernstaat te veranderen.
safemath & modifier: Variaties in arithmetische bescherming en toegangscontrole.
Inzicht: Semantische clones zijn vaak bewuste ontwerpkeuzes om beveiliging of gas-efficiëntie te verbeteren, niet zomaar toevallige duplicaten.

Effectiviteit van LLM's (RQ3)

Directe Classificatie: LLM's faalden als directe clone-detectoren (11% precisie).
Samenvattingsbenadering: Gebruik van LLM's om commentaar te genereren, gevolgd door toepassing van SBERT:
- BERT-base behaalde 85% True Positives op door LLM's gegenereerde commentaar.
- Functies zonder commentaar: Toegepast op 153 paren homonieme functies zonder commentaar; 75% werd bevestigd als semantische clone met behulp van door LLM's gegenereerde samenvattingen.
- Prompt Engineering: "Basis Prompts" presteerden beter dan "Gestructureerde Sjablonen". Gestructureerde sjablonen veroorzaakten gelijkenissaturatie (te veel standaardtekst), wat de detectienauwkeurigheid verlaagde.

5. Betekenis en Implicaties

Beveiliging en Risicobeperking: De methodologie stelt ontwikkelaars in staat functioneel equivalente implementaties te identificeren. Als één implementatie kwetsbaar blijkt, kunnen ontwikkelaars zoeken en auditeren naar alle semantische clones om ecosysteem-brede exploits te voorkomen.
Ontwerpalternatieven: Het biedt een "catalogus" van ontwerppatronen, waardoor ontwikkelaars implementaties kunnen kiezen die betere gasoptimalisatie of beveiliging bieden (bijvoorbeeld het kiezen van een versie met expliciete require-checks boven een versie zonder).
Benchmarking: Vestigt een nieuwe, moderne benchmark voor Solidity clone-detectie, die voorbij gaat aan verouderde tools zoals EClone die vertrouwen op verouderde bytecode-analyse.
Documentatiekloof: Toont aan dat LLM's effectief kunnen fungeren als proxy voor ontbrekende documentatie, waardoor semantische analyse zelfs in legacy- of slecht gedocumenteerde codebases haalbaar wordt.

Conclusie

Het artikel valideert succesvol dat het combineren van code-embeddings met analyse van natuurlijke taal (zowel door mensen geschreven als door LLM's gegenereerd) een zeer effectieve strategie is voor het detecteren van semantische clones in Solidity. Hoewel het geen perfecte oplossing is, biedt het een robuuste basis voor geautomatiseerde ontdekking van veilige en efficiënte codealternatieven in het blockchain-ecosysteem.