当GPT遇到程序分析:实现GPT扫描中智能合约逻辑漏洞的智能检测

智能合约容易出现各种漏洞，随着时间的推移，会导致巨大的经济损失。现有漏洞分析工具主要针对控制流或数据流模式固定的漏洞，如重入、整数溢出等。然而，最近一项针对Web3安全缺陷的研究表明，由于缺乏特定领域的属性描述和检查，约80％的Web3安全缺陷无法通过现有工具进行审计。鉴于生成式预训练Transformer (GPT)的最新进展，值得探索GPT如何帮助检测智能合约中的逻辑漏洞。本文提出了GPTScan，第一个将GPT与静态分析相结合的智能合约逻辑漏洞检测工具。不完全依赖GPT来识别漏洞，可能导致高误报，并受限于GPT的预训练知识，而是将GPT作为一种通用的代码理解工具。通过将每个逻辑漏洞类型分解为场景和属性，GPTScan用GPT匹配候选漏洞。为了提高准确性，GPTScan进一步指示GPT智能地识别关键变量和语句，然后通过静态确认对其进行验证。对约400个合同项目和3Ksolididity文件的不同数据集进行评估表明GPTScan对令牌合约实现了很高的精度(超过90％)，对像Web3Bugs这样的大型项目实现了可接受的精度(57.14％)。它有效地检测了真实逻辑漏洞，召回率超过70％，包括人工审计遗漏的9个新漏洞。GPTScan是快速且划算的，扫描每千行Solidity代码平均需要14.39秒和0.01美元。此外，静态确认有助于GPTScan减少三分之二的误报。

智能合约已经成为去中心化金融(DeFi)的基石，为执行金融交易提供了可编程和自动化的解决方案。然而，由于各种安全漏洞，这些智能合约的安全性已经成为一个主要的问题。这些入侵事件已经导致了数十亿美元的经济损失。这种情况对DeFi服务提供商来说是一场灾难，对整个DeFi生态系统和用户资产安全构成重大威胁。尽管有许多分析工具可用，他们通常关注具有固定控制流或数据流模式的漏洞，例如可重入性，整数溢出以及访问控制漏洞。然而，Zhang等人最近进行的一项研究表明。在Web3上，现有的工具无法发现其中80％的安全漏洞。这些未检测到的漏洞主要与智能合约的业务逻辑相关。传统的静态和动态分析方案，如Slither，由于它们不旨在理解智能合约的底层业务逻辑，也没有对智能合约的功能进行建模，也没有考虑各种变量或函数的角色，因此未能有效解决智能合约中的这些漏洞。

本文探讨了生成式预训练Transformer (GPT) 的最新进展如何帮助检测智能合约中的逻辑漏洞。最近的一份技术报告试图通过为项目范围内的“是或否”查询提供高级漏洞描述来使用GPT，这已经比典型的函数级漏洞检测更容易了。然而，这种方法存在96％左右的高假阳性率，并且需要GPT的高级推理能力，因此需要使用GPT-4而不是GPT-3.5。本文将GPT作为一个通用的、强大的代码理解工具，并研究如何将这种能力与静态分析相结合，创建一个智能的逻辑漏洞检测系统。

为此，本文提出GPTScan，第一个将GPT与静态分析相结合的工具，用于检测智能合约中的逻辑漏洞。

对约400个合同项目和3Ksolididity文件的不同数据集进行评估表明GPTScan对令牌合约实现了很高的精度(超过90％)，对像Web3Bugs这样的大型项目实现了可接受的精度(57.14％)。它有效地检测了真实逻辑漏洞，召回率超过70％，包括人工审计遗漏的9个新漏洞。GPTScan是快速且划算的，扫描每千行Solidity代码平均需要14.39秒和0.01美元。此外，静态确认有助于GPTScan减少三分之二的误报。

在ChatGPT (GPT-3.5) 出现之前，大多数基于nlp的漏洞检测方法都涉及将代码送入二分类或多分类模型。现在，随着指导GPT和其他提供少样本学习能力的研究的发展，交互式解决方案可以用于代码修复和漏洞检测等任务。然而，根据David等人的研究, GPT-4模型本身并不能准确地检测漏洞。Chen等人[34]对GPT-3模型进行了微调，以提高GUI图形界面测试任务中的性能，并将其用于Android应用程序的自动化测试。此外，PentestGPT和ChatRepair利用执行结果的反馈来增强GPT模型在交互过程中的性能。