Identifying and Characterizing Semantic Clones of Solidity Functions

1. Declaração do Problema

Os contratos inteligentes (CIs) em blockchains como a Ethereum são imutáveis e públicos, levando a altas taxas de reutilização de código. Embora clones de código sintáticos (Tipo-1 a Tipo-3) sejam bem estudados, os clones do Tipo-4 (clones semânticos) — funções que realizam a mesma tarefa lógica, mas diferem significativamente em sintaxe e estrutura — permanecem um grande desafio.

• O Risco: A clonagem indiscriminada de clones semânticos pode propagar vulnerabilidades ocultas (por exemplo, reentrância, falta de verificações de valor de retorno) em todo o ecossistema.
• A Lacuna: Ferramentas existentes (como EClone) sofrem com baixa precisão, alto custo computacional e incompatibilidade com versões modernas do Solidity (0.8+). Além disso, há uma falta de conjuntos de dados atualizados e curados para avaliar essas técnicas.
• O Desafio da Documentação: Aproximadamente 75,57% das funções Solidity não possuem comentários escritos pelos desenvolvedores, tornando a análise semântica via linguagem natural difícil.

2. Metodologia

Os autores propõem uma metodologia escalável e leve que combina análise de código com processamento de linguagem natural (PLN) de comentários para detectar clones do Tipo-4.

A. Construção do Conjunto de Dados

• Fonte: Recuperado da blockchain Ethereum via Google BigQuery e Etherscan.
• Escala: ~300.000 contratos inteligentes ativos (82,07% compatíveis com Solidity 0.8+).
• Filtragem: Extraídas 2,7 milhões de funções, filtrando por visibilidade public/external e removendo funções com comentários triviais ou ausentes.
• Conjunto de Dados Final: 216.429 pares de funções de alta qualidade com código e comentários significativos.

B. Estratégia de Detecção

A hipótese central é que funções com baixa similaridade de código, mas alta similaridade de comentários, são provavelmente clones semânticos.

1. Geração de Embeddings:
   • Código: Utilizado SmartEmbed (AST + FastText) para gerar representações vetoriais do código-fonte.
   • Comentários: Utilizado SBERT (all-MiniLM-L6-v2) para gerar embeddings semânticos dos comentários dos desenvolvedores.
2. Cálculo de Similaridade:
   • Calculada distância euclidiana normalizada para o código e similaridade de cosseno para os comentários.
   • Seleção de Candidatos: Selecionados pares onde Similaridade de Código ($cd\_s$) $\le 0,8$ E Similaridade de Comentários ($cm\_s$) $> 0,8$.
3. Validação:
   • Realizada validação manual em uma amostra estatisticamente significativa de 1.155 pares de funções (estratificada entre conjuntos de base, candidatos e suplementares).
   • Dois especialistas do domínio (doutorandos com mais de 5 anos de experiência) rotularam os pares independentemente, alcançando um Kappa de Cohen de 0,83.

C. Abordagem da Lacuna de Documentação (RQ3)

Para os 75% das funções sem comentários, os autores integraram Modelos de Linguagem de Grande Escala (LLMs):

• Estratégia: Utilizado ChatGPT-4o para gerar resumos para funções sem comentários.
• Engenharia de Prompt: Comparado um "Prompt Base" (resumo direto) contra um "Modelo Estruturado" (exigindo seções específicas como parâmetros e valores de retorno).
• Avaliação: Testado se resumos gerados por LLMs poderiam substituir comentários reais quando combinados com modelos de embedding (SBERT, BERT-base, CodeBERT-base).

3. Principais Contribuições

1. Metodologia Inovadora: Uma abordagem escalável para detectar clones do Tipo-4 em Solidity, aproveitando a correlação entre dissimilaridade de código e similaridade de comentários.
2. Conjunto de Dados Moderno: Criação de um conjunto de dados curado de ~300.000 contratos Ethereum ativos, predominantemente usando Solidity 0.8, abordando a falta de recursos atualizados no campo.
3. Integração de LLMs: Uma demonstração do uso de LLMs como "motores de documentação" para preencher a lacuna em código mal documentado, permitindo a detecção de clones semânticos em funções sem comentários.
4. Caracterização de Clones: Uma análise qualitativa revelando que clones semânticos frequentemente representam alternativas de design focadas em segurança, modularidade e otimização de gás, em vez de simples redundância.

4. Principais Resultados

Métricas de Desempenho (RQ1)

• Precisão: 59% no geral para o conjunto de candidatos.
  • 84% de precisão ao focar em funções homônimas (funções com o mesmo nome).
• Revocação (Recall): 97% (indicando que o método perde muito poucos clones semânticos verdadeiros).
• F1-Score: 74%.
• Comparação com Base: Uma abordagem de base usando apenas similaridade de código (ignorando comentários) resultou em uma taxa de validação de <1%, provando o valor crítico da análise de comentários.

Caracterização de Clones (RQ2)

A análise manual de clones validados revelou padrões estruturais comuns:

• call_internal (22%): Decomposição da lógica em funções auxiliares internas para modularidade.
• diff_algo (16%): Algoritmos diferentes alcançando o mesmo resultado (por exemplo, ordem diferente de operações em transferFrom).
• add_check (10%): Adição de lógica de validação (por exemplo, declarações require extras) sem alterar o estado central.
• safemath & modifier: Variações na proteção aritmética e controle de acesso.
• Insight: Clones semânticos são frequentemente escolhas de design intencionais para melhorar segurança ou eficiência de gás, não apenas duplicatas acidentais.

Eficácia do LLM (RQ3)

• Classificação Direta: LLMs falharam como detectores diretos de clones (11% de precisão).
• Abordagem de Resumização: Usando LLMs para gerar comentários e, em seguida, aplicando SBERT:
  • BERT-base alcançou 85% de Verdadeiros Positivos em comentários gerados por LLM.
  • Funções sem Comentários: Aplicado a 153 pares de funções homônimas sem comentários; 75% foram confirmados como clones semânticos usando resumos gerados por LLM.
  • Engenharia de Prompt: "Prompts Base" superaram "Modelos Estruturados". Modelos estruturados causaram saturação de similaridade (muito texto boilerplate), reduzindo a precisão da detecção.

5. Significado e Implicações

• Segurança e Mitigação de Riscos: A metodologia permite que desenvolvedores identifiquem implementações funcionalmente equivalentes. Se uma implementação for encontrada como vulnerável, os desenvolvedores podem pesquisar e auditar todos os clones semânticos para prevenir explorações em todo o ecossistema.
• Alternativas de Design: Fornece um "catálogo" de padrões de design, ajudando desenvolvedores a escolher implementações que oferecem melhor otimização de gás ou segurança (por exemplo, escolher uma versão com verificações require explícitas em vez de uma sem).
• Benchmarking: Estabelece um novo benchmark moderno para detecção de clones em Solidity, indo além de ferramentas desatualizadas como EClone, que dependem de análise de bytecode obsoleto.
• Lacuna de Documentação: Demonstra que LLMs podem atuar efetivamente como um proxy para documentação ausente, tornando a análise semântica viável mesmo em bases de código legadas ou mal documentadas.

Conclusão

O artigo valida com sucesso que a combinação de embeddings de código com análise de linguagem natural (tanto escrita por humanos quanto gerada por LLM) é uma estratégia altamente eficaz para detectar clones semânticos em Solidity. Embora não seja uma solução perfeita, fornece uma base robusta para a descoberta automatizada de alternativas de código seguras e eficientes no ecossistema blockchain.