💻 计算机科学

A Human-in-the-Loop Framework for Detecting Logical Vulnerabilities in Smart Contracts

本文提出了一种将自动化分析与针对性人工审查相结合的人机回环（Human-in-the-Loop）框架，用于检测智能合约中的逻辑漏洞，并在 SmartBugs Curated 数据集上证明了其在提高精确度和 F1 分数以及降低误报率方面的显著改进。

原作者： Alireza Assadzadeh

发布于 2026-11-10

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Alireza Assadzadeh

原始论文采用 CC BY 4.0 许可（https://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

在数字世界中，区块链是一个由许多计算机同步维护的共享账本，确保没有任何单个人可以篡改过去。这一系统的核心在于共识协议，这是一套规则，允许这些独立的计算机在不需要中央主管的情况下对什么是事实达成一致。在这层基础之上，开发者编写智能合约，这是一种自动执行的程序，一旦满足特定条件，就会自动执行协议，例如转账或管理资产。虽然这些技术预示着一个信任与自动化新时代的到来，但它们并非不会失败。正如物理锁可能被撬开，或者建筑物可能存在结构性缺陷一样，这些系统背后的代码也可能包含隐藏的错误。其中一些错误是代码中的明显失误，但最危险的是逻辑漏洞。这些不是拼写错误或语法错误，而是实际计划或业务逻辑中的缺陷——即代码完全按照指令运行，但指令本身是错误的。由于这些错误高度依赖于程序的特定用途，计算机很难自行发现它们。

由伊斯兰阿扎德大学大不里士分校的 Alireza Assadzadeh 领导的研究团队提出了一种通过将人类重新引入过程来解决这一特定问题的方法。研究人员认为，虽然自动化工具擅长扫描已知模式的代码，但在处理定义逻辑漏洞的微妙且依赖上下文的错误方面却显得力不从心。为了解决这个问题，他们设计了一个名为“人机回环”（Human-in-the-Loop）的框架，它充当了快速自动化扫描器与细心的专家之间的合作伙伴。该系统分阶段运行。首先，自动化工具扫描智能合约并标记潜在问题，为每个警告分配一个置信度分数，以表示工具对该问题的确定程度。该系统并不会向人类展示每一个警告（否则会造成信息过载），而是会对列表进行过滤。它只将具有高置信度分数的警告传递给人类专家进行最终审查。随后，专家会对这些特定案例进行评审，判断它们是真实的威胁还是虚假警报。这种方法旨在保持机器速度的同时，加入人类判断的细微差别。

为了测试这种方法是否真的有效，研究人员使用了一组已知包含各类安全缺陷的 143 个智能合约进行了实验。他们模拟了标准自动化扫描器的行为，然后应用了他们新的过滤和审查流程。结果显示准确率有了明显的提升。当仅依赖自动化工具时，系统虽然能正确识别真实问题，但也引发了许多虚假警报，导致精确度得分约为 0.71。在这种语境下，精确度衡量的是被标记的问题中有多少实际上是真实的问题。在引入人工审查步骤后，精确度跃升至约 0.84。这意味着虚假警报的数量减少了一半以上，具体减少了 52.2%，同时系统并未漏掉机器最初发现的任何一个真实漏洞。衡量系统整体有效性的指标（即 F1 分数）也从约 0.83 上升到了 0.91。

这项研究表明，这种混合方法为区块链安全领域的一个持久问题提供了切实可行的解决方案。通过让专家仅处理最有可能是问题的候选对象，该系统在减轻工作量的情况下显著增加了结果的可信度。研究人员指出，这对于逻辑漏洞尤为重要，因为这类漏洞通常需要理解预期的业务规则，而非仅仅检查代码结构。虽然研究结果是基于使用现有数据的受控模拟，而非在主要网络上的实时部署，但结果表明，整合人类专业知识可以显著提高检测这些复杂错误时的可靠性。这项工作指向了一个未来：保障去中心化应用的安全性不仅需要更好的软件，还需要自动化工具与人类洞察力之间有结构的协作。

技术摘要：一种用于检测智能合约逻辑漏洞的人机协同（Human-in-the-Loop）框架

问题陈述
区块链系统面临着从共识层到应用层的全方位安全挑战。虽然共识协议（如工作量证明 PoW、权益证明 PoS）在安全性、可扩展性和去中心化之间的权衡方面已得到了广泛研究，但在保护应用层（特别是智能合约）方面仍存在显著空白。尽管自动化工具（静态分析、符号执行、模糊测试和机器学习）在检测重入（reentrancy）和整数溢出（integer overflows）等已知语法错误方面取得了进展，但它们在处理逻辑漏洞时却显得力不从心。这些漏洞源于错误的业务逻辑、不正确的假设或不完整的访问控制。由于逻辑缺陷具有高度的上下文相关性，且需要理解合约的预期行为，纯自动化的检测器往往会产生高比例的误报，或者无法识别导致重大经济损失的细微错误。此外，现有文献通常将共识机制与智能合约漏洞孤立对待，缺乏一个将人类专业知识纳入检测过程的统一视角。

方法论
本文提出了一个**人机协同（Human-in-the-Loop, HITL）**框架，旨在弥合自动化速度与人类上下文判断能力之间的鸿沟。该方法由一个三阶段流水线组成：

自动化检测： 静态分析工具扫描智能合约源代码以识别潜在漏洞。每个报告的问题都会被分配一个置信度分数。
基于置信度的过滤： 为了减轻人类专家的认知负荷，引入了一个阈值 ( $\theta$ )。在提出的实验中， $\theta = 0.55$ 。只有置信度分数等于或超过此阈值的警告才会被转发进行人工审查。这一步骤过滤掉了低置信度的噪声，同时保留了高风险的发现。
人工审查： 人类专家检查过滤后的警告，以确定其为真阳性（true positives）还是假阳性（false positives）。专家根据合约的业务逻辑和访问控制策略来验证发现，从而拒绝自动化工具无法可靠区分的错误警告。

形式化地，如果 $M(c)$ 是工具针对合约 $c$ 报告的问题集合，则发送给人类的子集为 $M_\theta(c) = \{ v \in M(c) \mid \text{confidence}(v) \geq \theta \}$ 。最终的检测结果 $D(c)$ 是应用于该子集的专家审查函数 $H(\cdot)$ 的输出。

核心贡献
本文做出了以下具体贡献：

结构化综述： 对主要共识协议中的安全问题进行了全面分析，强调了它们的优势、劣势及开放性挑战。
漏洞分析： 分析了智能合约中的逻辑漏洞，强调了纯自动化检测方法在处理上下文相关缺陷方面的特定局限性。
HITL 审查： 回顾了区块链安全领域现有的“人机协同”方法，识别了当前的技术能力与文献中的差距。
提出的框架与评估： 提出并基于 SmartBugs 精选数据集（包含 143 个带注释的 Solidity 合约）对一个简单的 HITL 框架进行了实证评估。评估表明，集成人工审查能显著降低误报率，同时保持检测覆盖率。
统一视角： 概述了一个将共识层威胁与逻辑漏洞以及基于 HITL 的缓解策略联系起来的统一分析视角。

实验结果
该框架在包含重入、访问控制和算术问题等多种漏洞类型的 SmartBugs 精选数据集上进行了评估。研究对比了“仅自动化（Automated Only）”设置与“HITL”设置。

精确度（Precision）： 从 0.7125（自动化）提升至 0.8382（HITL）。
F1 分数（F1-Score）： 从 0.8321（自动化）提升至 0.9120（HITL）。
假阳性（False Positives, FP）： 降低了 52.2%（从 23 个降至 11 个）。
召回率（Recall）： 保持在 1.0000 不变，表明人工审查过程在没有遗漏自动化工具标记出的任何真实漏洞的前提下，成功过滤掉了错误的警告。

结果表明，基于置信度的过滤有效地减轻了人类专家的工作量，同时人工审查阶段成功消除了大量的假阳性。

意义与主张
本文主张，将人类专业知识集成到检测流程中是提高逻辑漏洞检测可靠性的切实有效的策略。作者认为，虽然自动化工具对于实现规模化至关重要，但它们目前还无法可靠地处理复杂业务逻辑所需的语义理解。通过将自动化分析与有针对性的人工审查相结合，该框架在不牺牲召回率的情况下，实现了误报率的显著降低。

本文持谨慎态度，指出实验结果是基于反映先前实证研究中所报告的典型工具行为的受控模拟。作者承认，对所有合约进行完全的人工审查会提供更强的证据，但断言目前的发现已经证明了 HITL 方法的实际价值。研究结论认为，保障区块链系统的安全需要兼顾技术机制与人为因素，并建议未来的研究应侧重于高级置信度估计、更大规模的逻辑漏洞数据集以及进一步降低认知负荷的交互式可视化工具。

技术摘要：一种用于检测智能合约逻辑漏洞的人机协同（Human-in-the-Loop）框架

类似论文