LCFuzzer：基于大语言模型辅助的智能合约模糊测试方法

摘要

随着智能合约技术在各个领域的广泛应用，其代码的复杂性和功能逻辑也日益增加，合约安全问题带来的影响也愈加突出.当前，模糊测试是智能合约漏洞挖掘的主流方法，但这类方法存在无法针对性深度探索关键函数和路径的局限.为解决这一问题，本文提出了一种名为LCFuzzer的新型模糊测试框架，利用大语言模型（LLM）出色的代码理解和分析能力，设计了高危函数、关键路径及函数调用依赖关系3个指标.通过提示词工程引导大模型分析待测合约，生成分析结果，并将其传递给模糊器.此外，本文还优化了种子打分机制，通过为得分较高的种子分配更多变异能量，从而增强对智能合约深层状态的探索能力. LCFuzzer在518个真实世界合约的测试中，成功发现了141个漏洞，相比主流工具sFuzz，具有更高的漏洞检测率和更低的误报率，检测出的真实漏洞数量平均提升了6.7%，且分支覆盖率平均提升了7%.实验结果表明，LCFuzzer在智能合约模糊测试的准确性和分支覆盖率上均表现更优，提升了漏洞挖掘的效果.

关键词

智能合约 / 模糊测试 / 漏洞挖掘 / 大语言模型