.png){kind=icon}
返回
Smart contract generation model based on code annotation and AST-LSTM tuning
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07186-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着智能合约在众多领域的广泛应用，智能合约的数量、类型和复杂性正呈现出快速增长的趋势。然而，智能合约的开发具有其独特的编程语言和安全要求，这对传统软件开发人员而言难以快速适应，如何根据应用需求实现智能合约的高效开发是进一步发展过程中需要解决的重要问题。本文提出了一种基于抽象语法树（AST）长短期记忆（LSTM）表征和代码注释调优大语言模型的智能合约生成方法，该方法采用结合抽象语法树和树型长短期记忆（Tree-LSTM）的AST-LSTM模型对代码进行向量化，以及使用Sentence-BERT对注释进行向量化并开展加权分析，进而构建智能合约聚类分析模型，以实现对功能相似智能合约的精确聚类。随后，利用AST-LSTM+Transformer模型检测聚类代码中的缺陷，并关联相关注释信息构建多样化的提示特征提示语数据集。最终，以Llama2-7B模型为基础，借助LoRA和P-Tuning v2微调技术实现需求特定的智能合约生成。本文借助BLEU（双语翻译质量评估辅助工具）、Mythril、VaaS等代码安全检测工具与现有方法进行了对比实验。实验结果表明，本文方法生成的代码BLEU平均值提升了约25%，代码安全性提升了约9%，这将极大促进高安全性要求智能合约的快速开发与应用。
Keyword:
Smart contract generation
LLM (large language model)
Fine-tuning
AST
Tree-LSTM
Annotation
期刊
IF:
2.7
论文数:
1.1K
被引数:
1.0W
机构
引用论文
P-Tuning: Prompt Tuning Can Be Comparable to Fine-tuning Across Scales and TasksP调整: 即时调整可以与跨规模和任务的微调相媲美
OAAI
OAAI分享收藏Comment-Mine—A Semantic Search Approach to Program Comprehension from Code CommentsComment-Mine——一种基于代码注释的程序理解语义搜索方法
PREAI
分享收藏Make It Directly: Event Extraction Based on Tree-LSTM and Bi-GRU直接实现: 基于tree-lstm和bi-gru的事件抽取.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏
查看更多内容