Page 367 - 《软件学报》2026年第1期

364 软件学报 2026 年第 37 卷第 1 期

作为初步筛选工具, 帮助验证并过滤掉明显无关的漏洞, 为模糊测试提供输入种子; 静态分析中所提取的规则可与
深度学习模型结合, 以增强模型的可解释性, 提升整体检测系统的性能.
3.1.6 基于 LLM 的智能合约层漏洞检测方法小结
表 4 对基于 LLM 的智能合约层漏洞检测方法进行了总结, 涵盖了 LLM 的用途、应用技术、相关文献、方
法概述、发表会议/期刊以及发表年份. LLM 的引入为智能合约漏洞检测开辟了新的方向, 当前主要在两个方面得
到了应用: 作为主要检测引擎以及与传统方法相结合.

表 4 基于大语言模型的智能合约层漏洞检测方法

用途 应用技术 相关文献 方法概述 会议/期刊 发表年份
评估ChatGPT在智能合约漏洞检测中的表现, 比较其与现有
基础模型应用 [17] arXiv 2023
漏洞检测工具的效果
对抗性 [118] 将漏洞检测任务分为生成和辨别两个阶段, 提高漏洞识别能 TPS-ISA 2023
生成 力并降低误报率
结合代码切片和提示调优的混合方法, 以充分利用预训练模
主要检 提示调优 [119] 型在智能合约领域的潜力 ISSRE 2023
测引擎
连贯推理 [18] 使用思维链提示模拟专业审计员的审计流程, 评估了GPT-4 arXiv 2024
在智能合约漏洞检测方面的性能
微调与agent [121] 结合微调和基于LLM的4个代理 (agent), 实现智能合约漏洞 ICSE 2024
结合 检测并提供解释
模型微调 [122] 对LLM进行微调, 检测智能合约中逻辑漏洞 arXiv 2024
通过LLM从现有的属性中提取信息, 并生成适用于新的智能
形式化属性生成 [125] NDSS 2024
合约代码的属性, 进而检测合约漏洞
不变量 [54] 通过微调和提示策略, 利用多模态信息进行推理并生成不变 SP 2024
生成 量, 然后通过检查不变量来定位漏洞
与传统方 结合静态分析 结合了GPT和静态分析以检测智能合约中的逻辑漏洞
法结合 [81] ICSE 2024
通过利用LLM智能指导和优先排序模糊活动, 优化智能合约
指导模糊测试 [126] arXiv 2024
自动化检测
模糊测试 [127] 提出基于Chain-based LLM的智能合约模糊测试种子对抗生 ASE 2024
种子生成 成方法, 利用LLM的深度语义理解能力辅助种子集生成

在 LLM 作为主要检测引擎的应用中, LLM 被作为基础模型用于漏洞检测, 并在此基础上进行思维链推理, 以
及通过微调 LLM 以适配下游漏洞检测任务. 此外, 还设计了多个基于 LLM 的 agent, 通过让 LLM 扮演不同角色
来执行漏洞检测任务. 此类方法充分利用了 LLM 在文本理解、推理和生成方面的强大能力, 展现了其在智能合约
漏洞检测中的潜力. 然而, 当前不同 LLM 以及提示设计对检测效果的影响较大, 且在不同漏洞类型上的检测表现
差异显著, 模型的稳定性和检测效果是目前存在的问题.
在 LLM 与传统方法结合的应用中, LLM 有效地融入了静态分析和模糊测试等传统漏洞检测方法中. 在静态
分析方面, LLM 被引入到形式化验证方法中自动生成形式化属性, 以及利用 LLM 根据场景和属性匹漏洞函数, 并
结合静态分析检查漏洞是否存在. 在模糊测试方面, LLM 主要用于指导模糊测试活动以及生成测试种子, 从而提
高了漏洞检测的覆盖率, 并生成质量更高的测试样例. 尽管 LLM 与传统方法的结合优化了检测流程, 但仍面临挑
战. 例如, LLM 生成的测试种子或形式化属性可能存在语义偏差, 需依赖静态分析工具二次验证, 增加了流程复杂
度. 同时, LLM 的解释性不足使得其推理过程难以追溯, 导致安全审计人员对检测结果的信任度降低. 尽管如此,
LLM 与传统方法结合的应用已初见成效, 未来研究可进一步探索 LLM 在检测流程中的更广泛应用, 例如同时利
用 LLM 生成种子并指导模糊测试活动, 以及探索 LLM 与符号执行、污点分析和基于中间表示的方法相结合的
应用.
基于 LLM 的检测方法在检测特性和适用场景上存在差异. 从方法特性来看, LLM 作为主要检测引擎在自然
语言推理、代码意图理解和复杂逻辑漏洞发现方面更具优势, 适用于需结合合约语义的漏洞类型; 而 LLM 与传统
方法结合则更擅长利用结构化分析 (如控制流追踪、数据依赖检测) 提升检测覆盖率, 适用于需精准模式匹配的