利用机器学习模型提升智能合约安全性：漏洞与检测方法综述

《ACM Computing Surveys》：Leveraging Machine Learning Models to Improve Smart Contract Security: A Survey of Vulnerabilities and Detection Methods

智能合约漏洞的机器学习检测方法研究综述了Ethereum平台上的108种ML方法，涵盖图神经网络、大语言模型等先进技术，系统分析了其在检测阶段、特征工程、模型老化等方面的优劣势，并整合了现有漏洞数据集。

　　

摘要

智能合约（SCs）是区块链平台上能够自动执行的程序，通过自动化、无需信任的交易方式正在改变银行业、医疗保健和供应链等行业。然而，它们固有的漏洞导致了严重的财务和运营损失，大规模的攻击甚至造成了巨大的经济损失。机器学习（ML）作为一种检测智能合约漏洞的有效方法应运而生，但其有效性、适应性和泛化能力仍有待进一步研究。本文全面梳理了当前以太坊智能合约的漏洞及相关攻击方式，并调查了108种基于机器学习的检测方法，涵盖了传统模型以及基于图神经网络（GNN）、大型语言模型（LLM）、对比学习、集成学习、混合学习、元学习和迁移学习等先进技术的结构化分类体系。系统地分析了这些方法的优点、局限性及实际应用中的挑战，特别关注了检测阶段、分类问题、数据集特征、特征工程、性能评估、泛化能力、模型老化以及伦理和隐私方面的影响。此外，还对现有的智能合约漏洞数据集进行了整理和汇总。通过整合这些研究结果，本文为构建安全、具备弹性和可信性的智能合约生态系统提供了实用指导和建议。