跳到正文
arXiv cs.AI· Yasir Rahman, Ishraq Samiha, Shahnewaz Karim Sakib, Anindya Bijoy Das·· 4 小时前AI 评分29

用 LLM 充当跨链桥验证器:在 Solana 上评估源码级与交易级攻击检测

LLMs as Validators for Cross-Chain Bridges: Evaluating Source-Level and Transaction-Level Attack Detection on Solana

AI 导读

研究在本地 Solana 验证器上实现原生 Rust lock-and-mint 跨链桥,构造四个可利用变体(两个源自 Cashio 与 Wormhole 事件),用五个开放权重模型的六种配置生成 16,800 条回答,评估 LLM 能否从源码或交易记录中正确诊断漏洞而非仅报警。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:跨链桥因其链上程序中的漏洞而遭受了大量资产损失。在 Solana 上,即使底层区块链正常运行,缺失的验证检查也可能导致漏洞被利用。大型语言模型(LLM)从源代码或交易记录中诊断这些缺陷、而不仅仅是发出警报的能力,目前仍缺乏充分理解。我们在本地 Solana 验证器上实现了一个原生 Rust 锁定-铸造桥,包含四个可利用的变体:其中两个模拟 Cashio 和 Wormhole 事件中的缺陷,另外两个代表 Solana 安全审计中记录的漏洞类别。成对的易受攻击程序与安全程序,连同成功的攻击、良性会话和被阻止的尝试,使我们能够区分正确的诊断与无依据的警报。我们评估了五个开放权重模型的六种配置,共 16,800 条响应,比较了带注释和不带注释的源代码输入,并使用两名盲评 LLM 评分员对易受攻击输入上的 7,200 个答案进行了评分。结果揭示了不同条件下的显著差异:在没有注释的情况下,模型诊断出 24% 的易受攻击源代码输入,同时频繁标记安全桥。交易诊断在缺失签名者场景中较高,但在其他三个场景中平均仅为 6%。原始注释(其中一些描述了缺陷)将源代码诊断率提高到 60%。这些发现凸显了在桥安全审查中区分正确漏洞诊断与无依据警报的重要性。
注释: 11 页,5 幅图,5 张表,ACM Trust 2027
主题: 密码学与安全(cs.CR);人工智能(cs.AI)
引用为: arXiv:2611.21777 [cs.CR]
  (或 arXiv:2611.21777v1 [cs.CR] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.21777

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Ishraq Samiha [查看电子邮件]
[v1] 2026 年 11 月 16 日星期一 19:05:56 UTC(519 KB)

来源:arXiv cs.AI · arxiv.org