論文の概要: Automated Vulnerability Injection in Smart Contracts Using Large Language Models

• arxiv url: http://arxiv.org/abs/2609.02624v1
• Date: Wed, 02 Sep 2026 14:03:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.405857
• Title: Automated Vulnerability Injection in Smart Contracts Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたスマートコントラクトの自動脆弱性注入
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.32664921452851
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Assessing vulnerability detection tools for smart contracts requires datasets with known ground truth, yet such datasets are scarce and difficult to build by hand. We propose an approach that uses Large Language Models (LLMs) to automatically inject vulnerabilities into Solidity smart contracts, and demonstrate it in a case study targeting 49 vulnerability types from OpenSCV. Injected contracts are validated through a multi-step pipeline checking compilation, execution, business logic, and the presence of the intended vulnerability. Applied to real-world contracts from SmartBugs, LLMs generate nearly 1,000 candidate variants; after deduplication and validation, 32 confirmed vulnerable contracts spanning 25 vulnerability types survive (a 16.58% survival rate). Surviving contracts concentrate in structurally simpler targets and vulnerability types with localized syntactic patterns. We report practical challenges including LLMs' non-determinism and the difficulty of preserving contract semantics. We then use the validated contracts to assess three static analyzers, revealing complementary and incomplete coverage profiles. Results show that LLM-based vulnerability injection is feasible, while exposing key limitations in scalability and diversity.
• Abstract（参考訳）: スマートコントラクトの脆弱性検出ツールを評価するには、既知の真実を持つデータセットが必要であるが、そのようなデータセットは手作業で構築するのは難しい。 本稿では,Large Language Models (LLM) を用いて,脆弱性を自動的にSolidityスマートコントラクト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。 LLMは、SmartBugsの現実の契約に適用され、1000近い候補が生成され、重複や検証を経て、25種類の脆弱性にまたがる32の脆弱な契約が生存する(生存率は16.58%)。 継続する契約は、局所的な構文パターンを持つ構造的に単純なターゲットと脆弱性タイプに集中する。 LLMの非決定性や契約セマンティクスの保存の難しさなど,実践的な課題を報告する。 次に、検証されたコントラクトを使用して、3つの静的アナライザを評価し、補完的および不完全なカバレッジプロファイルを明らかにします。 その結果、LSMベースの脆弱性注入は実現可能であり、スケーラビリティと多様性の重要な制限を明らかにしている。

関連論文リスト

• SecureForge: Finding and Preventing Vulnerabilities in LLM-Generated Code via Prompt Optimization [61.91729298584227]
  SecureForgeは、フロンティアモデルのセキュリティリスクを監査し、監査インフォームされたセキュアなシステムプロンプトを生成する自動化パイプラインである。 SecureForgeは、まず静的に検出可能な脆弱性を生成する良性プロンプトを特定し、その後、さまざまなシナリオの大規模な合成プロンプトコーパスに増幅する。 フロンティアモデルでは、SecureForgeは、ユニットテストの成功と出力セキュリティの両方において統計的に有意な改善をもたらし、出力脆弱性は最大48%削減された。
  論文  参考訳（メタデータ） (2026-05-08T18:40:47Z)
• Tailored Prompts, Targeted Protection: Vulnerability-Specific LLM Analysis for Smart Contracts [2.7854380117879924]
  スマートコントラクトの脆弱性検出のための LLM ベースのフレームワークを提案する。 我々は31,165の専門的な注釈付き脆弱性インスタンスからなる大規模なデータセットを構築し、リリースする。 提案手法は,正確なASTベースのコンテキスト抽出と脆弱性固有のプロンプト設計を利用して,13の有意な脆弱性カテゴリに対して,カスタマイズされた検出器をインスタンス化する。
  論文  参考訳（メタデータ） (2026-05-05T12:40:02Z)
• RealSec-bench: A Benchmark for Evaluating Secure Code Generation in Real-World Repositories [58.32028251925354]
  LLM(Large Language Models)は、コード生成において顕著な能力を示しているが、セキュアなコードを生成する能力は依然として重要で、未調査の領域である。 我々はRealSec-benchを紹介します。RealSec-benchは、現実世界の高リスクなJavaリポジトリから慎重に構築されたセキュアなコード生成のための新しいベンチマークです。
  論文  参考訳（メタデータ） (2026-01-30T08:29:01Z)
• Prompt Engineering vs. Fine-Tuning for LLM-Based Vulnerability Detection in Solana and Algorand Smart Contracts [1.0255673932966183]
  本稿では,大規模言語モデル(LLM)がスマートコントラクトの脆弱性を検出する能力について検討する。 SolanaとAlgorandのスマートコントラクトエコシステムに注力しています。 この結果から,LLMに基づくアプローチはスマートコントラクトの静的脆弱性検出に有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-11-14T12:50:36Z)
• 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)
• FLAMES: Fine-tuning LLMs to Synthesize Invariants for Smart Contract Security [41.836337574143535]
  FLAMESは、ランタイムガードをSolidityの"require"ステートメントとして合成して、エクスプロイトに対するスマートコントラクトを強化する自動アプローチである。 FLAMESは、514,506の検証された契約から抽出された実世界の不変量について、中間層を教師する微調整によって訓練されたドメイン適応型大規模言語モデルを採用している。
  論文  参考訳（メタデータ） (2025-10-24T12:44:08Z)
• ParaVul: A Parallel Large Language Model and Retrieval-Augmented Framework for Smart Contract Vulnerability Detection [43.41293570032631]
  ParaVulは、スマートコントラクト脆弱性検出の信頼性と精度を向上させるための、検索強化フレームワークである。 LLM微調整のためのスパースローランド適応(SLoRA)を開発した。 脆弱性契約データセットを構築し,RAG(Retrieval-Augmented Generation)システムを開発した。
  論文  参考訳（メタデータ） (2025-10-20T03:23:41Z)
• Decompiling Smart Contracts with a Large Language Model [51.49197239479266]
  Etherscanの78,047,845のスマートコントラクトがデプロイされているにも関わらず(2025年5月26日現在)、わずか767,520 (1%)がオープンソースである。 この不透明さは、オンチェーンスマートコントラクトバイトコードの自動意味解析を必要とする。 バイトコードを可読でセマンティックに忠実なSolidityコードに変換する,先駆的な逆コンパイルパイプラインを導入する。
  論文  参考訳（メタデータ） (2025-06-24T13:42:59Z)
• Automated Vulnerability Injection in Solidity Smart Contracts: A Mutation-Based Approach for Benchmark Development [2.0074256613821033]
  この研究は、突然変異シードが脆弱性をSolidityベースのスマートコントラクトに効果的に注入できるかどうかを評価する。 パターンベースの突然変異演算子を利用して、脆弱なスマートコントラクトを生成するツールであるMuSeを提案する。 静的解析ツールであるSlitherを用いて、これらの脆弱なスマートコントラクトを分析し、それらを特定し、妥当性を評価する能力について検討した。
  論文  参考訳（メタデータ） (2025-04-22T14:46:18Z)
• ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep Neural Network and Transfer Learning [80.85273827468063]
  既存の機械学習ベースの脆弱性検出方法は制限され、スマートコントラクトが脆弱かどうかのみ検査される。 スマートコントラクトのための初のDeep Neural Network(DNN)ベースの脆弱性検出フレームワークであるESCORTを提案する。 ESCORTは6種類の脆弱性に対して平均95%のF1スコアを達成し,検出時間は契約あたり0.02秒であることを示す。
  論文  参考訳（メタデータ） (2021-03-23T15:04:44Z)

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。