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

1. O Problema

Os contratos inteligentes são fundamentais para a finança descentralizada (DeFi), mas suas falhas de lógica representam ameaças de segurança graves.

• Desigualdade de Recursos: A maioria das ferramentas de detecção de vulnerabilidades (baseadas em análise estática, dinâmica ou aprendizado profundo) foca na linguagem Solidity, que possui grandes conjuntos de dados rotulados e ecossistema maduro.
• Linguagens de Baixo Recurso: Linguagens alternativas como Vyper (que oferece sintaxe similar ao Python e foco em segurança) são severamente negligenciadas.
• O Desafio do Data Scarcity: Não existem conjuntos de dados suficientes de contratos Vyper vulneráveis rotulados para treinar modelos de aprendizado profundo robustos. Treinar um modelo diretamente em Vyper é impraticável devido à escassez de amostras.
• Limitação de Ferramentas Atuais: Ferramentas tradicionais (como Slither e Mythril) dependem de padrões manuais que não se generalizam bem entre linguagens devido a diferenças sintáticas e semânticas, resultando em altas taxas de falsos positivos/negativos em Vyper.

2. Metodologia: O Framework Sol2Vy

Os autores propõem o Sol2Vy, um framework inovador que permite a detecção de vulnerabilidades em contratos Vyper utilizando um modelo treinado exclusivamente em Solidity (abordagem Zero-Shot).

A. Representação Intermediária (IR) Comum

Para superar as diferenças sintáticas entre Solidity e Vyper, o framework utiliza o SlithIR (uma representação intermediária agnóstica à linguagem gerada pela ferramenta Slither).

• O SlithIR abstrai o código fonte para um formato de código de três endereços, capturando a semântica central e o fluxo de controle.
• Desafio Identificado: Mesmo no SlithIR, existem discrepâncias significativas entre as IRs geradas por Solidity e Vyper devido a otimizações específicas do compilador e estruturas de controle diferentes (ex: modificadores em Solidity vs. lógica inline em Vyper). Portanto, apenas usar SlithIR não é suficiente para alinhamento automático.

B. Arquitetura de Três Estágios

O Sol2Vy opera em três etapas distintas:

1. Aprendizado de Conhecimento Transferível (Não Supervisionado):

   • Utiliza um conjunto de dados geral (não rotulado) contendo contratos Solidity e Vyper.
   • Emprega uma Arquitetura Multi-View composta por dois codificadores em paralelo:
     • Codificador Sequencial: Baseado em Transformers, captura dependências temporais e padrões de fluxo de execução.
     • Codificador Hierárquico: Baseado em Graph Attention Networks (GATs), processa a estrutura da Árvore de Sintaxe Abstrata (AST) derivada do SlithIR para capturar relações estruturais e dependências de dados.
   • Alinhamento de Domínio: Utiliza a perda de Divergência de Média Máxima (MMD - Maximum Mean Discrepancy) para minimizar a distância de distribuição entre as representações de Solidity e Vyper no espaço de características. Isso força o modelo a aprender representações semânticas invariantes à linguagem, ignorando o ruído sintático específico.

2. Treinamento Supervisionado em Solidity:

   • Os pesos dos codificadores (sequencial e hierárquico) são congelados para preservar o conhecimento transferível aprendido.
   • Uma rede de classificação (MLP) é adicionada e treinada apenas com dados rotulados de Solidity (contratos seguros e vulneráveis).
   • O modelo aprende a mapear as representações invariantes para classes de vulnerabilidade (Reentrância, Randomização Fraca, Transferência Não Verificada).

3. Teste Zero-Shot em Vyper:

   • O modelo treinado (codificadores congelados + classificador) é aplicado diretamente em contratos Vyper.
   • Nenhum dado rotulado de Vyper é utilizado nesta etapa. O modelo generaliza o conhecimento aprendido em Solidity para Vyper.

3. Contribuições Principais

• Primeira Abordagem Zero-Shot para Vyper: O Sol2Vy é o primeiro framework a permitir detecção robusta de vulnerabilidades em Vyper sem necessidade de dados de treinamento rotulados específicos para essa linguagem.
• Pipeline de Transferência de Conhecimento: Propõe um pipeline de três estágios que utiliza SlithIR e aprendizado não supervisionado (MMD) para alinhar semanticamente duas linguagens distintas.
• Arquitetura Multi-View: Combina codificadores sequenciais e hierárquicos para capturar tanto o fluxo de instruções quanto a estrutura lógica, fornecendo uma cobertura semântica mais rica do que abordagens unidimensionais.
• Generalização Eficaz: Demonstra que um classificador treinado apenas em Solidity pode detectar vulnerabilidades em Vyper com alta precisão, superando métodos state-of-the-art.

4. Resultados Experimentais

Os autores avaliaram o Sol2Vy em três tipos de vulnerabilidades críticas: Reentrância (RE), Randomização Fraca (WR) e Transferência Não Verificada (UT).

• Desempenho Zero-Shot:

  • Ao treinar em Solidity e testar em Vyper, o Sol2Vy alcançou taxas de Falsos Positivos (FPR) e Falsos Negativos (FNR) muito baixas:
    • RE: FPR 0.11 / FNR 0.16
    • WR: FPR 0.10 / FNR 0.15
    • UT: FPR 0.12 / FNR 0.17
  • A degradação de desempenho ao migrar de Solidity para Vyper foi mínima (aumento de apenas ~0.02 a 0.03 nas taxas de erro), indicando forte transferência de conhecimento.

• Comparação com Baselines:

  • Ferramentas Tradicionais: Sol2Vy superou significativamente o Slither (FPR ~0.46) e o Mythril (FPR ~0.38) em Vyper.
  • Modelos de Deep Learning: Superou modelos pré-treinados como CodeT5+ e GraphCodeBERT, que tiveram desempenho inferior devido à falta de dados específicos de Vyper para fine-tuning.
  • LLMs: Superou abordagens baseadas em prompting com LLMs (GPT-4, CodeLlama), que falharam em capturar padrões estruturais complexos sem alinhamento explícito.
  • Aprendizado Conjunto (Joint Training): A estratégia de congelar os codificadores provou ser superior ao fine-tuning conjunto, que sobrescreveu as características invariantes à linguagem.

• Análise de Few-Shot:

  • Adicionar pequenas quantidades de dados rotulados de Vyper (ex: 12-16 amostras balanceadas) melhorou ainda mais o desempenho, atingindo saturação rapidamente, validando a eficácia do conhecimento transferido.

• Eficiência:

  • O Sol2Vy é extremamente rápido (0.28s a 0.65s por contrato), sendo ordens de magnitude mais rápido que ferramentas de execução simbólica como o Mythril (que leva centenas de segundos devido à explosão de caminhos), mantendo-se competitivo com ferramentas estáticas.

5. Significado e Impacto

• Preenchimento de Lacuna de Segurança: O trabalho resolve um problema crítico de segurança em linguagens emergentes de contratos inteligentes, onde a falta de ferramentas adequadas deixa os usuários expostos a riscos.
• Paradigma de Transferência de Linguagem: Estabelece um novo paradigma para análise de segurança em blockchain, demonstrando que é possível superar a escassez de dados em linguagens de baixo recurso através da transferência de conhecimento de linguagens dominantes, utilizando representações intermediárias e alinhamento de domínio.
• Viabilidade Prática: A abordagem é computacionalmente eficiente e não requer a coleta massiva e custosa de dados vulneráveis de Vyper, tornando-a viável para adoção imediata em pipelines de auditoria e ferramentas de desenvolvimento.

Em resumo, o Sol2Vy demonstra que, ao abstrair a sintaxe e focar na semântica compartilhada através de representações intermediárias e aprendizado não supervisionado, é possível construir detectores de vulnerabilidade robustos para linguagens de nicho utilizando apenas os vastos recursos disponíveis para a linguagem dominante.