技术摘要：通过模糊实现的不安全：封闭源代码合约中的隐蔽漏洞

1. 问题陈述

在以太坊等公共区块链上，智能合约的字节码是公开可访问的，但许多开发者选择保持其源代码封闭或采用字节码混淆，以保护专有业务逻辑并威慑攻击（例如抢跑/frontrunning）。虽然混淆旨在提供“通过模糊实现安全性”，但本文认为，这往往导致了“通过模糊实现的不安全”。混淆（特别是使用间接跳转的控制流混ک淆）阻碍了现有安全工具分析合约的能力，可能掩盖关键的资产管理漏洞。

本文识别了一个特定的差距：现有的工具难以扩展到大型、封闭源代码且经过混淆的合约，尤其是那些处理大量资产的极大可提取价值（MEV）机器人。这些机器人通常涉及交易、闪电贷和 DeFi 交互的复杂逻辑。当被混淆后，它们变成了“黑盒”，其中的漏洞（特别是允许对手方窃取资产的漏洞）在被利用之前无法被检测到。

2. 方法论：skanf 工具

为了应对这些挑战，作者提出了 skanf，一种专门为封闭源代码和混淆合约设计的创新型 EVM 字节码分析工具。skanf 的运行分为三个主要阶段：

A. 控制流去混淆

第一个挑战是混淆后的合约使用间接跳转（即目标地址为运行时值）来隐藏执行路径。现有工具经常将这些代码块误分类为不可达或无法对其进行分析。

• 方法： skanf 利用了以太坊虚拟机（EVM）的一个特定属性：有效的跳转目标必须被明确标记为 JUMPDEST 操作码。
• 技术： 该工具静态扫描字节码以收集所有合法的 JUMPDEST 地址。随后，它通过在较高的程序计数器（PC）地址（例如 0xe000）处插入一个分支表（一系列条件检查序列）来对字节码进行插桩。
• 转换： 间接跳转被重写为跳转到该分支表。该表会将运行时的跳转目标与所有已知的有效 JUMPDEST 地址进行比较。如果匹配成功，则执行跳转至目标；否则，继续进行下一次检查。这通过将不透明的间接跳转转换为显式的、可静态分析的直接跳转，在不改变合约逻辑的情况下恢复了控制流图（CFG）。

B. 交易引导的符号执行

第二个挑战是符号执行中的“路径爆炸”问题，这在复杂的 MEV 机器人中尤为严重。

• 方法： skanf 不仅仅依赖于随机输入或人工规范，而是使用历史交易作为高质量的具象种子（concrete seeds）。
• 技术：
  1. 种子提取： 工具从归档节点检索目标合约成功的历史交易。它提取触发外部调用的输入（调用者、来源、calldata、value），特别筛选涉及 ERC-20 转账的调用。
  2. 引导执行： 这些具象输入初始化符号执行引擎。引擎在这些种子的引导下探索路径，与纯符号执行相比，显著减少了搜索空间和约束求解的复杂度。
  3. 污点分析： 在路径探索期间，skanf 执行字节级污点传播。它追踪对抗性输入（受污染的 calldata）如何流向 CALL 指令的关键参数（目标地址、函数选择器、参数）。

C. 漏洞检测与漏洞利用生成

• 漏洞预言机（Oracle）： 如果满足以下条件，CALL 指令将被标记为潜在的资产管理漏洞：
  1. 它可以从公共入口点到达。
  2. 其参数要么是对抗者可控的（受污染的），要么是有风险的（固定的但危险的，例如固定的 ERC-20 代币地址或 transfer 函数选择器）。
  3. 具体而言，如果函数是 transfer 或 approve，工具会检查接收者和金额是否可以被对抗者操纵。
• 漏洞利用合成： 对于识别出的漏洞，skanf 构建一个交易来利用该缺陷。它通过求解约束来生成特定的 calldata，从而触发漏洞调用并将资产转移到对抗者控制的地址。
• 验证： 生成的漏洞利用会在本地区块链环境中（使用归档节点重建历史状态）进行验证，以确保它们能成功执行并转移资产。

3. 核心贡献

1. 去混淆方法： 一种通过重建跳转表来移除 EVM 字节码中控制流混淆的新技术，使静态分析工具能够对混淆合约发挥作用。
2. 交易引导的符号执行： 一种可扩展的方法，利用公开的历史交易作为具象种子来引导符号执行，缓解了路径爆炸问题并提高了漏洞检测效率。
3. skanf 实现： 一个集成了去混淆和引导执行的工具，用于检测封闭源代码合约中的资产管理漏洞并自动生成漏洞利用。
4. 实证评估： 对 6,554 个真实世界 MEV 机器人的大规模研究，证明了漏洞的普遍存在以及所提方法的有效性。
5. 发现 MEV 网络钓鱼攻击： 识别出一类新的攻击方式，即对抗者通过精心构造的机会，诱导 MEV 机器人与恶意合约进行交互，从而导致巨大的财务损失。

4. 结果

作者在包含 6,554 个 MEV 机器人的数据集上对 skanf 进行了评估：

• 去混淆有效性： skanf 成功提高了混淆合约的代码覆盖率。对于标准工具（如 Gigahorse）覆盖率低于 50% 的合约，skanf 在 90% 的案例中将其覆盖率恢复到了接近 100%。
• 漏洞检测：
  • skanf 识别出了 1,030 个易受攻击的合约。
  • 它成功生成并验证了其中 394 个合约的漏洞利用程序。
  • 根据编写时的代币余额和历史高点估算，这些合成漏洞利用程序的潜在经济损失估计为 1,060 万美元。
  • 与最先进的工具（Mythril, ETHBMC, JACKAL, Securify）相比，skanf 检测到了更多的漏洞，这主要归功于其处理混淆和使用引导执行的能力。
• 现实世界攻击：
  • 该研究发现了 2021 年至 2025 年间针对 37 个 MEV 机器人发生的 104 起 现实世界“MEV 网络钓鱼”攻击。
  • 这些攻击导致了总计 276 万美元 的损失。
  • skanf 能够重新发现其中 28 个被攻击合约的漏洞，表明这些攻击本可以被预防。
  • 在 104 起攻击中，仅有 3 起此前曾被公开报道。

5. 重要性与主张

论文声称，“通过模糊实现安全性”是智能合约生态系统中一个切实的风险。通过隐藏代码，开发者在无意中阻止了安全工具检测关键缺陷，尤其是涉及资产管理的缺陷。

• 安全含义： 混淆并不能增强安全性；相反，它创造了一种虚假的安全感，同时掩盖了会导致重大财务损失的漏洞。
• 实际效用： skanf 为开发者和审计人员提供了一种防御机制，使其能够在部署或交互前分析封闭源代码或混淆后的字节码，从而识别出原本会被隐藏的风险。
• MEV 背景： 研究强调，处理大量资产且通常是封闭源代码的 MEV 机器人，是此类漏洞的主要目标。对“MEV 网络钓鱼攻击”的发现揭示了一种复杂的攻击向量，即对抗者利用这些机器人的自动化特性进行攻击。
• 局限性说明： 作者承认了局限性，例如依赖底层工具（Gigahorse 和 Greed）进行初步分析，以及目前主要关注 CALL 指令（排除了 DELEGATECALL、CALLCODE 等）。他们还指出，虽然识别了许多攻击，但其检测方法是基于模式的，可能会错过不符合特定“网络钓鱼”标准的攻击。

总之，本文证明了在缺乏能够处理混淆的分析工具的情况下，智能合约中的“通过模糊实现安全性”策略是根本性错误的，这使得大量资产暴露在被利用的风险之下。