Page 350 - 《软件学报》2026年第1期

揭晚晴 等: 智能合约与 DeFi 协议漏洞检测技术综述 347

测方法进行具体的划分和描述, 未能提供针对不同 DeFi 漏洞类型的检测技术对比分析.
综上所述, 现有的综述工作虽然在智能合约漏洞检测方法上取得了长足进展, 但在 DeFi 协议层面和 LLM 驱
动的漏洞检测方法上的研究仍需进一步完善. 为了帮助后续研究者更全面深入地理解智能合约安全, 本文系统性
地梳理和分析了智能合约与 DeFi 协议漏洞检测技术, 从智能合约层和 DeFi 协议层两个维度对漏洞类型进行了分
类, 并对相应的检测方法进行了详尽的综述. 此外, 本文着重总结和分析了 LLM 在智能合约漏洞检测中的应用, 揭
示其在应对漏洞的潜力, 进而为未来的研究提供新的视角和理论支撑.
为了能够了解智能合约与 DeFi 协议漏洞检测领域的科研进展, 本文采用系统文献综述方法 [28] , 通过系统性
地收集、筛选、评估和分析包含“smart contract”“DeFi protocol”“vulnerability detection”和“Large Language Model”
等关键词的相关研究成果. 为制定详细的检索策略, 选择了 Google Scholar、Web of Science、Sci-Hub、IEEE
Xplore、CNKI 等主要论文搜索引擎和在线数据库, 以全面准确地掌握最新研究进展. 关键词组合使用布尔逻辑运
算符, 构建更精确的搜索查询. 最终, 本文重点查阅的文献聚焦以下 3 个方面.
(1) 主题相关性: 确保文献与研究主题直接或间接相关, 同时了解文献的研究背景, 判断其与本文研究问题的
关联性.
(2) 文献质量: 评估文献的学术质量, 重点考虑论文作者的学术背景及其在相关领域的影响力, 优先选择具有
较高学术权威性的期刊和会议论文, 例如 CCF-C 类或中国科学院《期刊分区表》二区及以上的文献. 同时, 优先
选取近 5 年内发表的高质量论文, 特殊情况下可适当放宽文献选择标准.

(3) 文献覆盖度: 确保文献检索充分涵盖了与研究主题相关的各个领域, 通过分析文献的引用和被引用情况,
挖掘潜在的相关研究, 进一步扩展文献库.
最终, 本文共筛选出 78 篇高质量文献, 数量统计如图 2 所示. 统计时间跨度为 2010–2024 年, 其中 2010–2015
年间的文献为 1 篇, 2016–2020 年间为 28 篇, 2021–2024 年间增加至 49 篇, 反映出漏洞检测技术在近年来的研究热
度持续上升. 从图中可以看出, CCF-A 级别的文献有 48 篇 (61.54%), 其中软件工程和安全领域的文献数量最多, 分
别为 24 篇和 14 篇, 说明漏洞检测技术的研究在这两个领域具有重要影响. 发表在 CCF-B 和 CCF-C 级别的会议/期
刊上的论文共计 30 篇 (38.46%), 这些文献提供了多样化的研究视角和方法, 进一步支撑了本文的研究框架.

35
30
30
25
25

文献数量 20 15

15

10
5
5
3
0
CCF-A 中文期刊 CCF-A 安全类 CCF-A 人工智能类 CCF-A 软件工程类 CCF-B/CCF-C
文献类别
图 2 本文研究的智能合约与 DeFi 协议漏洞检测相关文献数量统计 (2010–2024)

本文的主要贡献总结如下.
(1) 系统性地总结了智能合约与 DeFi 协议漏洞检测的现有工作, 构建了智能合约与 DeFi 协议漏洞检测研究