💻 computer science

Identifying and Characterizing Semantic Clones of Solidity Functions

本文提出了一种可扩展的方法，通过分析代码和注释来识别 Solidity 智能合约中的语义克隆，在探索结构设计替代方案并利用大语言模型填补无注释代码的文档空白时，实现了高精确率和召回率。

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

发布于 2026-04-30

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

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

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下智能合约（在以太坊等区块链上运行的数字协议）的世界就像一座巨大的公共图书馆。一旦一本书（合约）被写好并上架，它就永远无法被擦除或修改。由于书籍是公开的，作者们经常为了节省时间而从其他书中复制粘贴段落。这被称为“克隆”。

大多数时候，复制很容易被发现。如果你逐字复制一段文字，那显而易见。但如果有人用完全不同的词汇重写一段文字，改变句子结构，并替换掉几个同义词，但含义却完全相同呢？在编程世界中，这被称为语义克隆（或第 4 类克隆）。

本文旨在构建一位更优秀的“图书管理员”，以便在 Solidity（用于编写这些合约的语言）中发现这些隐藏的、经过改写的副本，因为复制糟糕的逻辑与复制良好的逻辑一样，都容易传播安全漏洞。

以下是他们工作的简要分解，使用了简单的类比：

1. 问题：“改写食谱”的陷阱

想象两位厨师在写“巧克力蛋糕”的食谱。

厨师 A 写道：“将面粉、糖和鸡蛋混合。在 350°F 下烘烤。”
厨师 B 写道：“将干性材料与湿性材料结合。放入 175°C 的烤箱中。”

对于寻找完全匹配项的计算机来说，这些看起来完全不同。但对于人类来说，它们是同一份食谱。在区块链世界中，如果厨师 A 的食谱存在隐藏缺陷（例如忘记检查烤箱是否预热），而厨师 B 在复制想法时没有注意到这个缺陷，那么整个厨房都将处于危险之中。

作者发现，现有的工具就像只寻找确切单词匹配的机器人。它们会错过这些“改写的食谱”。

2. 解决方案：阅读“厨师笔记”

研究人员意识到，虽然代码（配料和步骤）看起来可能不同，但注释（厨师写在食谱上方的笔记）往往以非常相似的方式解释意图。

类比：将代码视为动作，将注释视为解释这些动作正在做什么的旁白。
方法：他们构建了一个系统来比较两件事：
1. 代码：检查代码是否不同（低相似度）。
2. 注释：检查书面描述是否非常相似（高相似度）。

如果代码看起来不同，但旁白听起来一样，他们就会将其标记为“语义克隆”。

3. 结果：一位高度准确的侦探

他们在近300,000 个现代智能合约的大规模数据集上测试了这种方法。

成功率：当他们手动检查 1,155 对样本时，他们的方法总体上有**59%**是正确的。
“同名”红利：如果函数具有相同的名称（例如都叫 transfer），准确率跃升至84%。
安全网：他们还检查了是否遗漏了任何内容。他们发现只遗漏了大约**3%**的真实克隆（召回率为 97%）。

他们发现，这些“改写的食谱”不仅仅是意外；它们通常是设计选择。开发人员重写它们是为了使代码更安全、节省“燃气”（运行合约的费用）或更好地组织代码。

4. 挑战：“沉默”的图书馆

他们发现的一个主要问题是，75% 的这些函数根本没有注释。这就像拥有一座图书馆，其中四分之三的书没有标题或摘要。如果没有注释，他们的“旁白”方法就无法工作。

5. 补救措施："AI 抄写员”（大语言模型）

为了解决“沉默图书馆”的问题，他们使用**大语言模型（AI）**充当抄写员。

类比：如果一本书没有摘要，他们就请 AI 阅读代码并为其撰写摘要。
实验：他们将代码输入 AI，要求它撰写描述，然后使用他们的系统比较 AI 生成的描述。
结果：即使没有人工编写的笔记，AI 生成的摘要也使他们能够正确找到**75%**的隐藏克隆。

他们还测试了不同的“提示”（给 AI 的指令）。他们发现，要求 AI 提供简单、直接的摘要比要求提供复杂、结构化的报告效果更好。复杂的报告增加了太多“废话”，混淆了系统，而简单的摘要则保持了对核心含义的关注。

6. 为什么这很重要

作者总结道，这不仅仅是关于寻找重复项；而是关于寻找替代方案。

如果你是一名正在构建安全合约的开发人员，你不仅仅想要一种做事的方法。你想要看到其他人解决同一问题的所有不同方法。
通过找到这些语义克隆，开发人员可以在构建自己的合约之前，比较不同的“改写食谱”，看看哪一种更安全、更便宜或更高效。

简而言之：本文提出了一种新方法，通过比较意图（注释）而不仅仅是语法（代码）来发现代码中的“隐藏双胞胎”。当注释缺失时，他们利用 AI 编写注释，成功揭示了隐藏的设计替代方案，这些方案有助于使区块链合约更安全、更高效。

以下是论文《识别与表征 Solidity 函数的语义克隆》的详细技术总结。

1. 问题陈述

以太坊等区块链上的智能合约（SCs）具有不可变性和公开性，导致代码复用率极高。虽然语法代码克隆（1 型至 3 型）已得到充分研究，但4 型克隆（语义克隆）——即执行相同逻辑任务但在语法和结构上存在显著差异的函数——仍是一个重大挑战。

风险： 不加区分地克隆语义克隆会将隐藏漏洞（如重入攻击、缺失返回值检查）传播至整个生态系统。
差距： 现有工具（如 EClone）存在精度低、开销大以及与新版 Solidity（0.8 及以上）不兼容的问题。此外，缺乏用于评估这些技术的最新、经过策划的数据集。
文档挑战： 约**75.57%**的 Solidity 函数缺乏开发者编写的注释，使得通过自然语言进行语义分析变得困难。

2. 方法论

作者提出了一种可扩展、轻量级的方法论，结合代码分析与注释的**自然语言处理（NLP）**来检测 4 型克隆。

A. 数据集构建

来源： 通过 Google BigQuery 和 Etherscan 从以太坊区块链检索。
规模： 约 300,000 个活跃智能合约（82.07% 符合 Solidity 0.8+ 标准）。
过滤： 提取了 270 万个函数，过滤出 public/external 可见性的函数，并移除了注释琐碎或缺失的函数。
最终数据集： 216,429 对包含代码和有意义注释的高质量函数对。

B. 检测策略

核心假设是：代码相似度低但注释相似度高的函数很可能是语义克隆。

嵌入生成：
- 代码： 使用SmartEmbed（AST + FastText）生成源代码的向量表示。
- 注释： 使用SBERT（all-MiniLM-L6-v2）生成开发者注释的语义嵌入。
相似度计算：
- 计算代码的归一化欧几里得距离和注释的余弦相似度。
- 候选选择： 选择代码相似度（ $cd\_s$ ） $\le 0.8$ 且注释相似度（ $cm\_s$ ） $> 0.8$ 的函数对。
验证：
- 对1,155 对函数对（在基线、候选和补充集中分层抽样）进行了统计显著的手动验证。
- 两名领域专家（拥有 5 年以上经验的博士生）独立标注函数对，Cohen's Kappa 系数达到 0.83。

C. 解决文档缺口（RQ3）

针对 75% 没有注释的函数，作者集成了大语言模型（LLMs）：

策略： 使用 ChatGPT-4o 为无注释函数生成摘要。
提示工程： 比较了“基础提示”（直接摘要）与“结构化模板”（要求包含参数和返回值等特定部分）。
评估： 测试了当 LLM 生成的摘要与嵌入模型（SBERT、BERT-base、CodeBERT-base）结合时，是否能替代真实注释。

3. 主要贡献

新颖方法论： 利用代码不相似性与注释相似性之间的相关性，提出了一种检测 Solidity 中 4 型克隆的可扩展方法。
现代数据集： 构建了一个包含约 300,000 个活跃以太坊合约的策划数据集，主要使用 Solidity 0.8，解决了该领域缺乏最新资源的问题。
LLM 集成： 展示了将 LLM 作为“文档引擎”以弥合文档匮乏代码缺口的方法，使得在无注释函数中也能进行语义克隆检测。
克隆表征： 定性分析揭示，语义克隆通常代表设计变体，侧重于安全性、模块化和 Gas 优化，而非简单的冗余。

4. 关键结果

性能指标（RQ1）

精确率： 候选集整体为59%。
- 当专注于同名函数（名称相同的函数）时，精确率达到84%。
召回率： 97%（表明该方法极少遗漏真正的语义克隆）。
F1 分数： 74%。
基线比较： 仅使用代码相似度（忽略注释）的基线方法验证率低于 1%，证明了注释分析的关键价值。

克隆表征（RQ2）

对已验证克隆的手动分析揭示了常见的结构模式：

call_internal (22%)： 将逻辑分解为内部辅助函数以实现模块化。
diff_algo (16%)： 实现相同结果的不同算法（例如 transferFrom 中操作顺序的不同）。
add_check (10%)： 添加验证逻辑（例如额外的 require 语句）而不改变核心状态。
safemath 与 modifier： 算术保护和访问控制的变体。
洞察： 语义克隆通常是有意的设计选择，旨在提高安全性或 Gas 效率，而不仅仅是意外的重复。

LLM 有效性（RQ3）

直接分类： LLM 作为直接克隆检测器表现不佳（精确率 11%）。
摘要方法： 使用 LLM 生成注释，然后应用 SBERT：
- BERT-base 在 LLM 生成的注释上实现了85% 的真阳性率。
- 无注释函数： 应用于 153 对同名的无注释函数对；使用 LLM 生成的摘要，**75%**被确认为语义克隆。
- 提示工程： “基础提示”优于“结构化模板”。结构化模板导致了相似度饱和（过多的样板文本），降低了检测准确性。

5. 意义与影响

安全与风险缓解： 该方法使开发者能够识别功能等效的实现。如果发现某个实现存在漏洞，开发者可以搜索并审计所有语义克隆，以防止生态系统范围的利用。
设计变体： 它提供了一个设计模式的“目录”，帮助开发者选择提供更好 Gas 优化或安全性的实现（例如，选择带有显式 require 检查的版本，而非没有的版本）。
基准测试： 建立了 Solidity 克隆检测的新现代基准，超越了依赖过时字节码分析的陈旧工具（如 EClone）。
文档缺口： 证明了 LLM 可以有效地充当缺失文档的代理，使得即使在遗留或文档匮乏的代码库中，语义分析也变得可行。

结论

该论文成功验证了将代码嵌入与自然语言分析（包括人工编写和 LLM 生成）相结合，是检测 Solidity 中语义克隆的高效策略。虽然并非完美解决方案，但它为区块链生态系统中安全且高效代码替代方案的自动化发现提供了坚实的基础。