論文の概要: ORACAL: A Robust and Explainable Multimodal Framework for Smart Contract Vulnerability Detection with Causal Graph Enrichment

• arxiv url: http://arxiv.org/abs/2603.28128v1
• Date: Mon, 30 Mar 2026 07:46:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.284893
• Title: ORACAL: A Robust and Explainable Multimodal Framework for Smart Contract Vulnerability Detection with Causal Graph Enrichment
• Title（参考訳）: ORACAL:Causal Graph Enrichmentによるスマートコントラクト脆弱性検出のためのロバストで説明可能なマルチモーダルフレームワーク
• Authors: Tran Duong Minh Dai, Triet Huynh Minh Le, M. Ali Babar, Van-Hau Pham, Phan The Duy,
• Abstract要約: 本稿では,制御フローグラフ,データフローグラフ,コールグラフを統合したグラフ学習フレームワークORACALを提案する。 ORACALは、レトリーバル拡張生成(RAG)とLarge Language Models(LLM)から専門家レベルのセキュリティコンテキストを持つ重要なサブグラフを選択的に強化する 透明性のために、このフレームワークはPGExplainerを採用して、脆弱性トリガーパスを特定するサブグラフレベルの説明を生成する。
• 参考スコア（独自算出の注目度）: 0.754973258028456
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Although Graph Neural Networks (GNNs) have shown promise for smart contract vulnerability detection, they still face significant limitations. Homogeneous graph models fail to capture the interplay between control flow and data dependencies, while heterogeneous graph approaches often lack deep semantic understanding, leaving them susceptible to adversarial attacks. Moreover, most black-box models fail to provide explainable evidence, hindering trust in professional audits. To address these challenges, we propose ORACAL (Observable RAG-enhanced Analysis with CausAL reasoning), a heterogeneous multimodal graph learning framework that integrates Control Flow Graph (CFG), Data Flow Graph (DFG), and Call Graph (CG). ORACAL selectively enriches critical subgraphs with expert-level security context from Retrieval-Augmented Generation (RAG) and Large Language Models (LLMs), and employs a causal attention mechanism to disentangle true vulnerability indicators from spurious correlations. For transparency, the framework adopts PGExplainer to generate subgraph-level explanations identifying vulnerability triggering paths. Experiments on large-scale datasets demonstrate that ORACAL achieves state-of-the-art performance, outperforming MANDO-HGT, MTVHunter, GNN-SC, and SCVHunter by up to 39.6 percentage points, with a peak Macro F1 of 91.28% on the primary benchmark. ORACAL maintains strong generalization on out-of-distribution datasets with 91.8% on CGT Weakness and 77.1% on DAppScan. In explainability evaluation, PGExplainer achieves 32.51% Mean Intersection over Union (MIoU) against manually annotated vulnerability triggering paths. Under adversarial attacks, ORACAL limits performance degradation to approximately 2.35% F1 decrease with an Attack Success Rate (ASR) of only 3%, surpassing SCVHunter and MANDO-HGT which exhibit ASRs ranging from 10.91% to 18.73%.
• Abstract（参考訳）: Graph Neural Networks(GNN)はスマートコントラクトの脆弱性検出を約束しているが、依然として重大な制限に直面している。 均質グラフモデルは制御フローとデータ依存の相互作用を捉えるのに失敗するが、異質グラフのアプローチは深いセマンティックな理解を欠くことが多く、敵対的な攻撃を受けやすい。 さらに、ほとんどのブラックボックスモデルは説明可能な証拠を提供しず、プロの監査に対する信頼を妨げている。 これらの課題に対処するために、制御フローグラフ(CFG)、データフローグラフ(DFG)、コールグラフ(CG)を統合した異種マルチモーダルグラフ学習フレームワークORACAL(Observable RAG-enhanced Analysis with Causal reasoning)を提案する。 ORACALは、RAG(Retrieval-Augmented Generation)とLLM(Large Language Models)から専門家レベルのセキュリティコンテキストを持つ重要なサブグラフを選択的に強化し、因果的注意機構を用いて、真の脆弱性指標を急激な相関から切り離す。 透明性のために、このフレームワークはPGExplainerを採用して、脆弱性トリガーパスを特定するサブグラフレベルの説明を生成する。 大規模なデータセットの実験では、ORACALが最先端のパフォーマンスを達成し、MANDO-HGT、MTVHunter、GNN-SC、SCVHunterを39.6ポイント上回った。 ORACALは配布外データセットの強力な一般化を維持しており、CGT弱さは91.8%、DAppScanは77.1%である。 説明可能性評価では、PGExplainerは、手動で注釈付けされた脆弱性トリガーパスに対して、32.51%のMean Intersection over Union (MIoU)を達成する。 敵の攻撃下では、ORACALはASRが10.91%から18.73%の範囲でSCVHunterとMANDO-HGTを上回り、ASRの攻撃成功率(ASR)がわずか3%で約2.35%F1に低下した。

関連論文リスト

• HeteroHBA: A Generative Structure-Manipulating Backdoor Attack on Heterogeneous Graphs [4.8063680024214275]
  異種グラフニューラルネットワーク(HGNN)は多くの実世界のアプリケーションで高い性能を達成しているが、異種グラフに対するバックドア中毒は研究されていない。 本研究では,不均一ノード分類におけるバックドア攻撃について考察する。敵が訓練中に小さなトリガーノードと接続を注入し,テスト時に特定の攻撃ノードを不正に分類し,クリーンな性能を維持しながら攻撃長ラベルに分類する。 そこで我々は,HeteroHBAを提案する。HeteroHBAは,サリエンシベースのスクリーニングによるアタッチメントを誘導する有力な周辺住民を選別し,多様なトリガ特徴と接続パターンを合成し,現地の状況に適合させる。
  論文  参考訳（メタデータ） (2025-12-31T06:38:53Z)
• Pruning Graphs by Adversarial Robustness Evaluation to Strengthen GNN Defenses [1.066048003460524]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データ学習の主流パラダイムとして浮上している。 本研究では, グラフの有害成分を明確に識別し, 除去するために, 対向的ロバストネス評価を利用するプルーニングフレームワークを提案する。 頑健性スコアをガイダンスとして使用することにより,モデルの信頼性を低下させる可能性が最も高いエッジを選択的にプーンし,よりクリーンでレジリエントなグラフ表現が得られる。
  論文  参考訳（メタデータ） (2025-11-29T20:15:54Z)
• Stealthy Yet Effective: Distribution-Preserving Backdoor Attacks on Graph Classification [27.872083673005363]
  グラフニューラルネットワーク(GNN)は、ノード分類、リンク予測、グラフ分類といったタスク間で強いパフォーマンスを示している。 ノードレベルの攻撃はローカルメッセージパッシングを利用するが、グラフレベルの攻撃は、ステルスを維持しながらグローバルな表現を操作するという難しい課題に直面している。 DPSBAは,アノマ・アウェア・ディスクリミネーターが指導する敵対的訓練を通じて,流通中のトリガを学習するクリーンラベルバックドアフレームワークである。
  論文  参考訳（メタデータ） (2025-09-30T10:04:57Z)
• VISION: Robust and Interpretable Code Vulnerability Detection Leveraging Counterfactual Augmentation [6.576811224645293]
  グラフニューラルネットワーク(GNN)は、構造的および論理的コード関係をデータ駆動で学習することができる。 GNNは表面的なコード類似性から'spurious'相関を学習することが多い。 我々は、VISIONと呼ばれる堅牢で解釈可能な脆弱性検出のための統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T11:20:39Z)
• HeteroBA: A Structure-Manipulating Backdoor Attack on Heterogeneous Graphs [5.39755597471183]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、リコメンデーション、ファイナンス、ソーシャルネットワークなどの領域における複雑なマルチリレーショナルデータをモデリングするために、近年注目を集めている。 異種グラフ上のノード分類タスクのための新しい異種バックドア攻撃フレームワークを提案する。 我々は,HGNNの潜在的な脆弱性に光を当て,マルチリレーショナルグラフのシナリオにおいて,バックドアの脅威に対するより堅牢な防御を求める。
  論文  参考訳（メタデータ） (2025-05-27T12:51:48Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• Latent Graph Inference with Limited Supervision [58.54674649232757]
  潜在グラフ推論(LGI)は、データ特徴から基礎となるグラフ構造とノード表現を共同で学習することを目的としている。 既存のLGI手法は、意味的な監督なしに巨大なエッジウェイトが学習され、トレーニング損失に寄与しない、監督飢餓の問題に悩まされることが一般的である。 本稿では,この問題の原因はグラフスカラー化操作であり,重要なノードとラベル付きノード間の接続を著しく破壊する。
  論文  参考訳（メタデータ） (2023-10-06T15:22:40Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。