論文の概要: SAEFUZZ: Smart Contract Vulnerability Detection through Statically Guided Evolutionary Fuzzing
- arxiv url: http://arxiv.org/abs/2608.15151v1
- Date: Sat, 15 Aug 2026 10:06:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.2115
- Title: SAEFUZZ: Smart Contract Vulnerability Detection through Statically Guided Evolutionary Fuzzing
- Title（参考訳）: SAEFUZZ: 統計誘導進化ファズリングによるスマートコントラクト脆弱性検出
- Abstract要約: 本稿では,コードレベルの静的ガイダンスの下でファジテストケースを生成するための軽量な手法を提案する。
仮想機械制御フローグラフを構築し、命令を抽出し、関数セレクタを復元し、読み書きに応じて呼び出し可能な関数を順序付ける。
カバー誘導進化戦略は、実行可能な種子を生成し、評価し、再結合し、突然変異させる。
- 参考スコア（独自算出の注目度）: 2.1502962381251147
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The effectiveness of smart contract fuzzing depends strongly on whether generated transactions reach deep, state-dependent execution paths. Existing fuzzers often generate highly random call sequences, wasting executions on semantically invalid or low-value states and leaving vulnerabilities that require specific invocation orders unexplored. We present a lightweight method for generating fuzz test cases under bytecode-level static guidance. We construct an Ethereum virtual machine control-flow graph, extract paths containing vulnerability-relevant instructions, recover function selectors, and order externally callable functions according to storage read-write dependencies. A coverage-guided evolutionary strategy then generates, evaluates, recombines, and mutates executable seeds. Five dedicated runtime oracles target reentrancy, integer overflow or underflow, block-state dependence, unsafe delegate calls, and frozen Ether. The evaluation uses deployed Ethereum contracts, including labelled vulnerable contracts. SAEFUZZ detects most labelled vulnerable contracts, yielding 98.50% accuracy, 90.00% precision, and 81.82% recall. It also achieves 84.07% mean instruction coverage, with valid test cases accounting for 93.48% of generated cases. Ablation results indicate that static guidance, directed seed generation, and vulnerability-specific oracles each contribute to the final performance.
- Abstract（参考訳）: スマートコントラクトファジリングの有効性は、生成されたトランザクションが深い状態依存実行パスに達するかどうかに大きく依存する。
既存のファジィアは、しばしば高度にランダムな呼び出しシーケンスを生成し、意味的に無効または低値の状態の実行を無駄にし、特定の呼び出し順序を必要とする脆弱性を探索せずに残す。
本稿では,バイトコードレベルの静的ガイダンスに基づいてファジテストケースを生成する軽量な手法を提案する。
我々はEthereum仮想マシン制御フローグラフを構築し、脆弱性関連命令を含むパスを抽出し、関数セレクタを回収し、ストレージの読み書き依存に応じて外部呼び出し可能な関数を順序付ける。
カバー誘導進化戦略は、実行可能種子を生成し、評価し、再結合し、突然変異させる。
5つの専用ランタイムオラクルは、再永続化、整数オーバーフローまたはアンダーフロー、ブロック状態依存、安全でないデリゲート呼び出し、凍結Etherをターゲットにしている。
評価では、脆弱性のあるコントラクトのラベル付けを含む、デプロイされたEthereumコントラクトを使用する。
SAEFUZZは、ほとんどのラベル付けされた脆弱な契約を検出し、98.50%の精度、90.00%の精度、そして81.82%のリコールをもたらす。
また、84.07%の平均的な命令カバレッジを達成しており、有効なテストケースは、生成されたケースの93.48%を占めている。
アブレーションの結果から,静的ガイダンス,指向的シード生成,脆弱性特異的なオークルが最終性能に寄与することが示唆された。
関連論文リスト
- EchoFuzz: Empowering Smart Contract Fuzzing with Large Language Models [12.59838258252938]
VFCS(Vulnerable Call Function Sequences)を導入したLLM誘導ファジィフレームワークであるEchoFuzzを提案する。
我々は,静的解析と論理的理解を組み合わせて,契約固有のVFCS候補を生成するチェーン誘導型LLMアプローチを開発した。
実験では、EchoFuzzは最先端のメソッドより優れ、ブランチカバレッジが29%向上し、62%以上の脆弱性を検出する。
論文 参考訳（メタデータ） (2026-09-13T12:31:54Z) - Automated Vulnerability Injection in Smart Contracts Using Large Language Models [4.32664921452851]
本稿では,Large Language Models (LLM) を用いてスマートコントラクトに脆弱性を自動的に注入する手法を提案する。
インジェクトされたコントラクトは、コンパイル、実行、ビジネスロジック、意図した脆弱性の存在をチェックするマルチステップパイプラインを通じて検証される。
論文 参考訳（メタデータ） (2026-09-02T14:03:09Z) - Ethereum NFT Smart Contracts: Knowledge-Guided Vulnerability Detection with LLM and Code Slicing [2.0706429677946563]
本稿では,脆弱性に着目したコードスライシング,ERC-721指向の知識ベース,制約付きDeepSeek解析を組み合わせた脆弱性検出手法を提案する。
450 NFTの契約サンプルでは、完全な構成で437の正のラベルが作られ、97.1%の正のラベルが報告された。
外部知識ベースを取り除き87.11%まで削減し、知識ベースを使わずに完全な契約を分析することで73.78%まで削減した。
論文 参考訳（メタデータ） (2026-07-24T05:10:26Z) - Security Is Relative: Training-Free Vulnerability Detection via Multi-Agent Behavioral Contract Synthesis [14.657771106188115]
脆弱性検出のためのトレーニング不要なマルチエージェントフレームワークであるPhoenixを提案する。
Phoenixは、検出をセマンティックスライダ、要求リバースエンジニア、契約審査員の3つのステージに分解する。
PrimeVul Pairedでは、Phoenix は F1 = 0.825 と Pair-Correct = 64.4% を獲得し、RASM-Vul (F1 = 0.668) と VulTrial (F1 = 0.563) を上回る。
論文 参考訳（メタデータ） (2026-04-21T03:02:34Z) - AgentProcessBench: Diagnosing Step-Level Process Quality in Tool-Using Agents [50.481033105867205]
我々はAgentProcessBenchを紹介した。AgentProcessBenchは、現実的なツール拡張トラジェクトリにおけるステップレベルの有効性を評価するための最初のベンチマークである。
ベンチマークは、1,000の多様な軌跡と8,509の人間ラベル付きステップアノテーションと89.1%のアノテーション間合意で構成されている。
探索をキャプチャする3つのラベリングスキームと、ラベルのあいまいさを減らすためのエラー伝搬ルールを備えている。
論文 参考訳（メタデータ） (2026-03-15T16:13:58Z) - ReasAlign: Reasoning Enhanced Safety Alignment against Prompt Injection Attack [52.17935054046577]
本稿では、間接的インジェクション攻撃に対する安全性アライメントを改善するためのモデルレベルのソリューションであるReasAlignを提案する。
ReasAlignには、ユーザクエリの分析、競合する命令の検出、ユーザの意図したタスクの継続性を維持するための構造化された推論ステップが組み込まれている。
論文 参考訳（メタデータ） (2026-01-15T08:23:38Z) - Multi-Agent Collaborative Fuzzing with Continuous Reflection for Smart Contracts Vulnerability Detection [16.160978409552182]
SmartFuzzは、スマートコントラクト脆弱性検出のための新しいコラボレーティブリフレクティブファザである。
ファジングエンジンとして大きな言語モデル駆動エージェントを採用し、学習と反映によって継続的に改善されている。
30分以内に5.8%-74.7%以上の脆弱性を検出し、(ii)偽陰性を最大80%減少させる。
論文 参考訳（メタデータ） (2025-11-15T11:21:56Z) - 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) - Trace: Securing Smart Contract Repository Against Access Control Vulnerability [58.02691083789239]
GitHubはソースコード、ドキュメント、設定ファイルを含む多数のスマートコントラクトリポジトリをホストしている。
サードパーティの開発者は、カスタム開発中にこれらのリポジトリからコードを参照、再利用、フォークすることが多い。
スマートコントラクトの脆弱性を検出する既存のツールは、複雑なリポジトリを扱う能力に制限されている。
論文 参考訳（メタデータ） (2025-10-22T05:18:28Z) - 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) - Defending against Indirect Prompt Injection by Instruction Detection [109.30156975159561]
InstructDetectorは、LLMの動作状態を利用して潜在的なIPI攻撃を特定する、新しい検出ベースのアプローチである。
InstructDetectorは、ドメイン内設定で99.60%、ドメイン外設定で96.90%の検出精度を達成し、攻撃成功率をBIPIAベンチマークで0.03%に下げる。
論文 参考訳（メタデータ） (2025-05-08T13:04:45Z) - SmartBugBert: BERT-Enhanced Vulnerability Detection for Smart Contract Bytecode [0.7018579932647147]
本稿では,BERTに基づくディープラーニングと制御フローグラフ(CFG)解析を組み合わせて,バイトコードから直接脆弱性を検出する新しいアプローチであるSmartBugBertを紹介する。
提案手法は,まずスマートコントラクトバイトコードを最適化されたオペコードシーケンスに分解し,TF-IDFを用いて意味的特徴を抽出し,実行ロジックをキャプチャするために制御フローグラフを構築し,ターゲット分析のために脆弱なCFGフラグメントを分離する。
論文 参考訳（メタデータ） (2025-04-07T12:30:12Z) - Smart Contract Vulnerability Detection based on Static Analysis and Multi-Objective Search [3.297959314391795]
本稿では,静的解析と多目的最適化アルゴリズムを用いて,スマートコントラクトの脆弱性を検出する手法を提案する。
永続性、スタックオーバーフローの呼び出し、整数オーバーフロー、タイムスタンプの依存関係の4つのタイプの脆弱性に焦点を当てています。
我々は,6,693のスマートコントラクトを含むEtherscanから収集したオープンソースデータセットを用いて,このアプローチを検証する。
論文 参考訳（メタデータ） (2024-09-30T23:28:17Z)
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。