論文の概要: Solidity Meets LLMs: A Transformer-Based Approach to Smart Contract Vulnerability Detection

• arxiv url: http://arxiv.org/abs/2609.27091v1
• Date: Tue, 22 Sep 2026 21:43:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.779492
• Title: Solidity Meets LLMs: A Transformer-Based Approach to Smart Contract Vulnerability Detection
• Title（参考訳）: Solidity Meets LLMs: スマートコントラクト脆弱性検出のためのトランスフォーマーベースのアプローチ
• Abstract要約: 本稿では,Solidityで記述されたスマートコントラクトフラグメントの脆弱性検出のためのトランスフォーマーベースのアプローチを提案する。 コードフラグメントを脆弱性や安全性としてラベル付けすることで、基底真理データセットの定義を含む堅牢なパイプラインを構築します。 次に、このデータセット上にBERTベースのアーキテクチャを微調整し、モデルがSolidityコード固有の構文パターンとセマンティックパターンをキャプチャできるようにする。
• 参考スコア（独自算出の注目度）: 0.3823356975862005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing adoption of blockchain technologies, particularly the Ethereum platform, has amplified the critical role of smart contracts in decentralized applications. However, the increasing complexity and financial value of these contracts make them prime targets for cyber attacks. In this work, we present a transformer-based approach for the detection of vulnerabilities in smart contract fragments written in Solidity. Leveraging the representational power of pre-trained Large Language Models (LLMs), we construct a robust pipeline that includes the definition of a ground truth dataset, labeling code fragments as vulnerable or safe. We then fine-tune a BERT-based architecture on this dataset, enabling the model to capture the syntactic and semantic patterns specific to Solidity code. Our fine-tuned model demonstrates strong performance, achieving an F1 score of 92%, and highlighting the effectiveness of LLM adaptation in enhancing smart contract security through deep contextual understanding.
• Abstract（参考訳）: ブロックチェーンテクノロジ,特にEthereumプラットフォームの採用の増加は,分散アプリケーションにおけるスマートコントラクトの重要性を高めている。 しかし、これらの契約の複雑さと金銭的価値の増大により、サイバー攻撃の主要なターゲットとなっている。 本研究では,Solidityで記述されたスマートコントラクトフラグメントの脆弱性を検出するためのトランスフォーマーベースのアプローチを提案する。 事前訓練されたLarge Language Models (LLM) の表現力を活用することで、コードフラグメントを脆弱あるいは安全としてラベル付けする、基底真理データセットの定義を含む堅牢なパイプラインを構築します。 次に、このデータセット上にBERTベースのアーキテクチャを微調整し、モデルがSolidityコード固有の構文パターンとセマンティックパターンをキャプチャできるようにする。 我々の微調整モデルでは,F1スコア92%を達成し,文脈理解の深化によるスマートコントラクトセキュリティ向上におけるLLM適応の有効性を強調した。

関連論文リスト

• 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)
• Examining the Effectiveness of Transformer-Based Smart Contract Vulnerability Scan [0.0]
  スマートコントラクトの脆弱性スキャンに対するディープラーニングに基づくアプローチを評価する。 本稿では,トランスフォーマを用いたスマートコートの脆弱性解析装置VASCOTを提案する。 VASCOTの性能は、最先端のLSTMベースの脆弱性検出モデルと比較される。
  論文  参考訳（メタデータ） (2026-01-12T09:00:42Z)
• 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)
• 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)
• A Multi-Agent Framework for Automated Vulnerability Detection and Repair in Solidity and Move Smart Contracts [4.3764649156831235]
  本稿では,Large Language Models(LLMs)を利用したスマートコントラクトの脆弱性を自動的に検出し,修復する新しいマルチエージェントフレームワークであるSmartifyを提案する。 Smartifyでは、プログラムの概念や言語固有のセキュリティ原則に基づいてコードを分析するために、さまざまな微調整のLLMに取り組んでいる専門エージェントのチームが採用されている。 以上の結果から,Smartifyは従来のLLMを超越し,Llama 3.1のような汎用モデルの能力向上を実現している。
  論文  参考訳（メタデータ） (2025-02-22T20:30:47Z)
• Learning to Generate Training Datasets for Robust Semantic Segmentation [37.9308918593436]
  セマンティックセグメンテーション手法の堅牢性を改善するための新しい手法を提案する。 我々は,現実的で可視な摂動画像を生成するために,新しい条件付き生成対向ネットワークであるRobustaを設計した。 我々の結果は、このアプローチが安全クリティカルなアプリケーションに有用である可能性を示唆している。
  論文  参考訳（メタデータ） (2023-08-01T10:02:26Z)
• Enhancing Smart Contract Security Analysis with Execution Property Graphs [48.31617821205042]
  ランタイム仮想マシン用に特別に設計された動的解析フレームワークであるClueを紹介する。 Clueは契約実行中に重要な情報をキャプチャし、新しいグラフベースの表現であるExecution Property Graphを使用する。 評価結果から, クリューの真正率, 偽正率の低い優れた性能が, 最先端のツールよりも優れていた。
  論文  参考訳（メタデータ） (2023-05-23T13:16:42Z)
• 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。