論文の概要: Towards LLM-assisted High-Quality Property Generation for Solidity Smart Contracts

• arxiv url: http://arxiv.org/abs/2607.23308v1
• Date: Sat, 25 Jul 2026 17:49:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.057692
• Title: Towards LLM-assisted High-Quality Property Generation for Solidity Smart Contracts
• Title（参考訳）: LLMによるスマートコントラクトの高品質化に向けて
• Authors: Muhammad Wahid, Shahzaib Khan, Mashhood Ali, Muhammad Hassan, Muhammad Naiman Jalil, Affan Rauf,
• Abstract要約: この研究は、Solidityベースのスマートコントラクトのための高品質なプロパティを生成するために、大規模言語モデルを平均化します。 様々なプロンプト技術(ゼロショット、少数ショット、プロンプトチェーンなど)を用いてLCMの評価を行う。 全体としては、Gemini Pro 1.5は、プロンプト連鎖と組み合わせると25.99%の平均突然変異スコアを達成している。 しかし、我々の契約毎の分析では、特にLibBitの契約において、Gemini Pro 1.5が74.34%の突然変異スコアを達成している。
• 参考スコア（独自算出の注目度）: 0.7929185276093964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The immutable nature of smart contracts makes it challenging to fix and patch bugs once they are deployed to a blockchain. This implies that security vulnerabilities may be exposed to possible exploitation for a longer period, necessitating comprehensive pre-deployment testing. Property-based testing combined with fuzzing has proven itself as a promising technique for uncovering vulnerabilities. Traditionally, system properties are written by human experts, which is time-consuming and consequently expensive.With the recent advancement in Large Language Models (LLMs) and their ability to 'understand' natural language and code semantics, it may be possible to generate effective properties. This study, leverages state-of-the-art LLMs to generate high-quality properties for Soliditybased smart contracts. We measure the quality of the generated properties using mutation testing. Our results show that LLMs have the potential to generate high-quality properties that are close to those written by human experts. We extensively evaluate LLMs using various prompting techniques (e.g., zero shot, few shot, and prompt chaining). Overall, we find that Gemini Pro 1.5, when combined with prompt chaining, achieves the highest average mutation score of 25.99% among all studied configurations, closely approaching the human written benchmark of 31.75%. However, our per contract analysis reveals notable variance, particularly for the LibBit contract, where Gemini Pro 1.5 under prompt chaining achieves a mutation score of 74.34%, which is on par with human written properties (74.83%). This highlights that while average performance is informative, individual contract level results demonstrate that LLMs can, in some cases, match expert level property generation.
• Abstract（参考訳）: スマートコントラクトの不変性によって、ブロックチェーンにデプロイされた時にバグを修正してパッチを当てることが難しくなる。 このことは、セキュリティの脆弱性が長期間のエクスプロイトに晒される可能性があり、包括的な事前デプロイテストが必要になることを意味している。 プロパティベースのテストとファジングを組み合わせることで、脆弱性を明らかにするための有望なテクニックであることが証明されている。 近年のLarge Language Models(LLM)の進歩と、自然言語やコードセマンティクスの「理解」能力によって、効果的なプロパティを生成することが可能になった。 この研究は、最先端のLCMを活用して、ソリティベースのスマートコントラクトのための高品質な特性を生成する。 突然変異検査により生成した特性の質を測定した。 以上の結果から,LLMは,人間の専門家が書いたものに近い,高品質な特性を創出できる可能性が示唆された。 様々なプロンプト技術(例えば、ゼロショット、少数ショット、プロンプトチェーン)を用いてLLMを広範囲に評価する。 全体として、Gemini Pro 1.5は、プロンプト連鎖と組み合わせると、研究対象のすべての構成の中で25.99%の平均突然変異スコアを達成し、人の書いたベンチマーク31.75%に近づいた。 しかしながら、我々の契約毎の分析では、特にLibBitの契約において顕著な差異が示されており、Gemini Pro 1.5が74.34%の突然変異スコアを達成しており、これはヒトの著作物(74.83%)と同等である。 これは、平均的なパフォーマンスは有益なものだが、個々のコントラクトレベルの結果は、LLMがエキスパートレベルのプロパティ生成にマッチできることを示している。

関連論文リスト

• SmartEval: A Benchmark for Evaluating LLM-Generated Smart Contracts from Natural Language Specifications [5.027278762864141]
  大規模言語モデル(LLM)によって生成されるSolidityスマートコントラクトの品質を体系的に評価するベンチマークであるSmartEvalを紹介する。 SmartEvalは、FSMSCGデータセットから引き出された専門家が記述したゼロトルース実装と組み合わせて、9000の生成されたコントラクトのコーパスを提供する。 ベンチマークの信頼性を検証するために,3つの独立した実験研究を行った。
  論文  参考訳（メタデータ） (2026-05-10T15:47:46Z)
• Locally Confident, Globally Stuck: The Quality-Exploration Dilemma in Diffusion Language Models [52.61023005303122]
  低信頼度再マッシングは、誘導配列分布のエントロピーを制約しながら、品質のプロキシを改善することを示す。 我々は,デコード時に,この分布をほぼ対象とする簡易なインディペンデント・ハスティングス・サンプリング器を開発した。
  論文  参考訳（メタデータ） (2026-04-01T02:01:30Z)
• Beyond Code Similarity: Benchmarking the Plausibility, Efficiency, and Complexity of LLM-Generated Smart Contracts [3.3672086394822762]
  LLMは実契約によく似た意味を持つコードを生成する。 ゼロショット世代のうち20%から26%のみが、テスト中のゼロショット実装と同じ振る舞いをする。 Retrieval-Augmented Generationはパフォーマンスを大幅に向上し、機能的正しさを最大45%向上させる。
  論文  参考訳（メタデータ） (2025-11-20T10:47:59Z)
• One Signature, Multiple Payments: Demystifying and Detecting Signature Replay Vulnerabilities in Smart Contracts [56.94148977064169]
  署名の使用状況のチェックが不足すると、繰り返し検証が行われ、許可の不正使用のリスクが増大し、契約資産が脅かされる可能性がある。 我々はこの問題をSignature Replay Vulnerability (SRV) として定義する。 37のブロックチェーンセキュリティ企業を対象とした1,419の監査報告から、詳細なSRV記述と5種類のSRVを分類した108を識別しました。
  論文  参考訳（メタデータ） (2025-11-12T09:17:13Z)
• Generic Adversarial Smart Contract Detection with Semantics and Uncertainty-Aware LLM [18.01454017110476]
  FinDetは、汎用的な敵対的スマートコントラクト検出フレームワークである。 EVM-バイトコードの契約のみを入力として取り、高いバランスの取れた精度で敵の契約を識別する。 包括的評価の結果,FinDet の BAC は 0.9223 であり,TPR は 0.8950 であり,既存のベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-09-23T12:52:05Z)
• LLAMA: Multi-Feedback Smart Contract Fuzzing Framework with LLM-Guided Seed Generation [56.84049855266145]
  進化的突然変異戦略とハイブリッドテスト技術を統合したマルチフィードバックスマートコントラクトファジリングフレームワーク(LLAMA)を提案する。 LLAMAは、91%の命令カバレッジと90%のブランチカバレッジを達成すると同時に、148の既知の脆弱性のうち132が検出される。 これらの結果は、現実のスマートコントラクトセキュリティテストシナリオにおけるLAMAの有効性、適応性、実用性を強調している。
  論文  参考訳（メタデータ） (2025-07-16T09:46:58Z)
• Uncertainty is Fragile: Manipulating Uncertainty in Large Language Models [79.76293901420146]
  大規模言語モデル(LLM)は、出力の信頼性が不可欠である様々な高い領域で採用されている。 本研究では,不確実性推定の脆弱性を調査し,攻撃の可能性を探る。 攻撃者がLSMにバックドアを埋め込むことができ、入力中の特定のトリガーによって起動されると、最終的な出力に影響を与えることなくモデルの不確実性を操作できることを示す。
  論文  参考訳（メタデータ） (2024-07-15T23:41:11Z)
• An Empirical Study of AI-based Smart Contract Creation [4.801455786801489]
  スマートコントラクト生成のためのChatGPTやGoogle Palm2のような大規模言語モデル(LLM)は、AIペアプログラマとして初めて確立されたインスタンスであるようだ。 本研究の目的は,LLMがスマートコントラクトに対して提供する生成コードの品質を評価することである。
  論文  参考訳（メタデータ） (2023-08-05T21:38:57Z)

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。