关键词:
大语言模型
区块链
智能合约
漏洞检测
摘要:
针对区块链系统安全中智能合约漏洞筛查在处理高复杂度逻辑时存在误报漏报率高,检测结果缺乏直观可解释性的问题,提出一种基于大模型推理增强的智能合约漏洞检测方法。该方法通过数据构建、模型改进、推理优化三个关键阶段展开。首先,从公开渠道采集四类典型漏洞数据并完成数据清洗,为模型训练奠定可靠数据基础。接着,采用LoRA高效参数微调策略改进Qwen Code模型。最后,提出多任务动态加权损失函数以同步增强模型的推理及分类能力。实验数据结果表明,在Reentrancy漏洞的检测上,该方法准确率达86.54%、F1分数为80.08%。相较于传统静态检测方法Sailfish,分别提升了10%和19%。在混合漏洞的检测上,该方法准确率为85.17%,F1分数为78.96%,相较于主流的大语言模型iAudit,分别提升了9%和12%,且该方法参数量更小。进一步与深度学习方法相比,其检测结果更具可解释性。该方法有效提高了智能合约漏洞检测的准确性,显著增强了其实际应用价值,为区块链系统安全提供了更高效的技术支撑。