.png){kind=icon}
返回
SEMA: Self-Evolving Multi-Agent Auditing for Smart Contracts
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15102187.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
智能合约审计仍然具有挑战性，因为漏洞通常只在复杂的执行条件、跨交易交互和环境依赖的假设下才会显现。现有的分析技术，包括静态分析、符号执行、模糊测试以及最新的LLM辅助方法，各自提供了有用的但不完整的覆盖，而集成的审计流水线通常难以平衡搜索广度、可重复性和报告可靠性。本文提出了SEMA，一种用于智能合约的自演进多智能体审计框架，将审计表述为在重放认证的报告语义下有资源限制的具体反例发现。SEMA结合了异构专业智能体、协调器、以共享工件为中心的知识库和基于重放的主审。在审计过程中，智能体生成和消耗可重用工件，如候选不变量、被证伪的假设、交易模板和覆盖提示，允许共享搜索状态在轮次间演进而无需修改分析器本身。为确保报告可靠性，只有当主审能在固定的执行配置下重放候选场景并确认违反可执行安全属性时，结果才会被接受。我们进一步在标注的智能合约基准上对SEMA进行了评估，每个合约的预算固定为300秒。完整系统在保留的可执行子集上实现了0.9469的实例召回率、0.9441的成功率和0.9445的宏平均类别召回率，优于纯符号和纯模糊测试基线，以及禁用动态知识演进或跨智能体工件重用的多智能体消融实验。
Keyword:
multi-agent system
smart contract
agent orchestration
large language model
software testing
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
Learning to Fuzz from Symbolic Execution with Application to Smart Contracts学习从应用程序的符号执行到智能合约的模糊
PREAI
分享收藏Automating Procurement Contracts in the Healthcare Supply Chain Using Blockchain Smart Contracts使用区块链智能合约在医疗保健供应链中自动化采购合同.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏GRACE: Empowering LLM-based software vulnerability detection with graph structure and in-context learningGRACE: 通过图结构和上下文学习增强基于LLM的软件漏洞检测
PREAI
分享收藏SMARTIAN: Enhancing Smart Contract Fuzzing with Static and Dynamic Data-Flow AnalysesSMARTIAN: 通过静态和动态数据流分析增强智能合约模糊测试
PREAI
分享收藏
查看更多内容