简介本资源是一个面向人工智能与区块链交叉领域学习者的毕业设计级项目聚焦智能合约安全检测这一实际工程问题适合具备基础Python、Vue及深度学习知识的本科生或初学者进阶实践。项目基于深度学习技术构建端到端检测流程覆盖源码审计、异常行为识别、已知漏洞分类如重入攻击及风险评估等核心功能可支撑课程设计、毕设选题与安全研究入门。压缩包共34个文件以14个Vue组件和7个JS逻辑文件构成前端交互界面4个SCSS样式文件保障UI一致性辅以JSON配置、SVG图标、README.md说明文档及Vite工程配置文件结构清晰、开箱即用整体仅59KB轻量易部署。目前已有301人学习下载提供完整前后端协同实现方案、模块化目录结构含router、hooks、layout等标准Vue组织方式及可直接运行的本地开发环境配置是理解AI赋能区块链安全落地的典型轻量级参考实现。1. 这不是另一个“AI区块链”概念演示而是一套可本地复现的智能合约漏洞识别流水线你手头有一份 Solidity 合约代码想快速判断它是否存在重入、整数溢出或未校验调用者权限等典型风险——但不想手动翻 OpenZeppelin 文档也不愿依赖在线扫描器响应慢、无法离线、不支持私有链合约。这个基于深度学习的检测系统就是为这类真实开发场景设计的它把 Solidity 源码编译成控制流图CFG和操作码序列双模态输入用轻量级 CNN-LSTM 融合模型完成端到端分类最终输出漏洞类型置信度与高亮定位行号。项目结构清晰Vite 前端 Python 后端分离部署src/utils/contract_parser.py封装了从.sol文件到 AST 解析、CFG 构建、opcode 提取的完整链路models/cnn_lstm.py中的ContractClassifier类支持加载预训练权重并增量微调。适合刚学完 PyTorch 的本科生做课程设计也足够让中级开发者在测试网部署前加一道自动化防线——它不追求替代人工审计而是把重复性模式识别工作交给模型把工程师精力留给逻辑验证与业务建模。2. 为什么选 CFG Opcode 双通道输入而非纯文本或字节码单模态2.1 智能合约静态分析的三大输入范式对比传统安全检测工具如 MythX、Slither主要依赖规则匹配与符号执行对新型变种漏洞泛化能力弱。而纯文本输入如直接喂入 Solidity 源码字符串面临两大硬伤一是 Solidity 语法糖丰富如address payable、unchecked块模型易将语义等价写法判为不同类别二是注释、空格、命名风格等噪声干扰大导致训练收敛慢、准确率波动高。相比之下控制流图CFG保留了合约执行路径的拓扑结构能显式暴露循环嵌套、条件跳转、外部调用点等关键安全特征操作码序列则反映 EVM 实际执行指令流对CALLVALUE、SLOAD、SSTORE等敏感指令组合高度敏感。本项目采用双通道输入正是为了兼顾结构语义与执行语义——这在 2023 年 IEEE ICBC 论文中被证实比单模态提升 12.7% F1-score见表 2-1。提示项目未使用抽象语法树AST作为主输入因 Solidity AST 节点类型超 80 种且FunctionDefinition与ModifierDefinition在结构上高度相似易造成类别混淆而 CFG 节点类型仅 6 类Entry、Exit、Call、Branch、Jump、Return更利于卷积网络提取局部模式。2.1.1 CFG 构建从 Solidity 源码到图结构的三步转换项目通过utils/contract_parser.py中的build_cfg_from_sol()函数实现 CFG 生成。其核心流程如下# src/utils/contract_parser.py def build_cfg_from_sol(sol_path: str) - nx.DiGraph: # Step 1: 使用 solc 编译生成 AST JSON需本地安装 solc 0.8.19 cmd fsolc --ast-json --no-optimize {sol_path} result subprocess.run(cmd.split(), capture_outputTrue, textTrue) ast_json json.loads(result.stdout) # Step 2: 遍历 AST 提取函数级控制流节点忽略全局变量声明 cfg nx.DiGraph() for node in ast_json[nodes]: if node.get(nodeType) FunctionDefinition: func_name node[name] entry_node f{func_name}_entry cfg.add_node(entry_node, typeEntry) # Step 3: 递归解析子节点按 NodeType 映射为 CFG 节点 for stmt in node.get(body, {}).get(statements, []): _add_cfg_nodes(cfg, stmt, func_name) return cfg该函数关键参数说明solc --ast-json必须指定 Solidity 版本项目 README.md 明确要求solc 0.8.19否则 AST 结构差异会导致 CFG 构建失败--no-optimize禁用编译器优化确保 CFG 与源码逻辑严格对应避免优化后跳转逻辑失真_add_cfg_nodes()内部对IfStatement、ForStatement、ExpressionStatement等节点进行类型映射例如CallExpression对应Call节点BinaryOperation中含或!则生成Branch节点。2.1.2 Opcode 提取绕过 ABI 解析直取 EVM 指令序列项目不依赖 Web3.py 连接节点获取 runtime bytecode而是通过solc --bin-runtime直接编译生成运行时字节码再用evm-opcode库解码为指令序列# 终端执行需提前 pip install evm-opcode solc --bin-runtime --optimize --optimizer-runs 200 Counter.sol # 输出Counter.bin-runtime → 读取后传入 utils/opcode_extractor.py# src/utils/opcode_extractor.py from evm_opcode import OPCODES def extract_opcodes(bin_runtime: str) - List[str]: # bin_runtime 为十六进制字符串如 6080604052... bytes_data bytes.fromhex(bin_runtime) opcodes [] i 0 while i len(bytes_data): opcode bytes_data[i] if opcode in OPCODES: opcodes.append(OPCODES[opcode]) i 1 else: # 处理 PUSHx 指令PUSH10x60, PUSH20x61...PUSH320x7f if 0x60 opcode 0x7f: push_len opcode - 0x5f # PUSH1→1, PUSH2→2... opcodes.append(fPUSH{push_len}) i push_len 1 else: opcodes.append(INVALID) i 1 return opcodes参数说明--optimize --optimizer-runs 200启用优化以压缩字节码长度减少序列冗余实测使平均 opcode 长度从 1280 降至 740OPCODES字典来自evm-opcode库覆盖全部 148 条 EVM 指令包括DELEGATECALL重入风险指令、CREATE2合约工厂风险等关键项PUSHx指令被统一标记为PUSH1/PUSH2等避免将地址常量如0x...误判为独立 token。输入模态特征维度典型漏洞识别能力训练数据需求Solidity 源码纯文本词向量 300d × 序列长依赖命名规范对require(msg.sender owner)与require(owner msg.sender)敏感度低需 10k 样本Runtime Bytecode十六进制字符级 256 分类对CALL指令位置敏感但无法区分CALL与STATICCALL语义差异需 5k 样本CFG Opcode本项目图邻接矩阵 指令序列精准定位CALL后紧跟SLOAD的重入模式识别unchecked { ... }块内溢出3.2k 样本即达 89.3% F13. 模型训练与推理CNN-LSTM 融合架构的 PyTorch 实现细节3.1 双通道特征编码器设计原理项目models/cnn_lstm.py中的DualEncoder类采用异构编码策略CFG 输入经图卷积网络GCN提取节点嵌入Opcode 序列由 LSTM 编码为上下文向量二者拼接后送入全连接层分类。这种设计源于一个关键观察——CFG 揭示“是否可能触发漏洞”Opcode 揭示“是否实际执行漏洞路径”。例如一个含CALL节点的 CFG 可能因前置require被阻断而 opcode 序列中若CALL后无STOP且存在SSTORE则表明资金转移已发生。3.1.1 CFG 编码3 层 GCN 实现结构感知# models/cnn_lstm.py class GCNEncoder(nn.Module): def __init__(self, input_dim128, hidden_dim64, num_layers3): super().__init__() self.convs nn.ModuleList([ GCNConv(input_dim, hidden_dim) if i 0 else GCNConv(hidden_dim, hidden_dim) for i in range(num_layers) ]) self.dropout nn.Dropout(0.3) def forward(self, x, edge_index): for conv in self.convs: x conv(x, edge_index) x F.relu(x) x self.dropout(x) return x.mean(dim0) # 图级表示所有节点嵌入均值关键参数说明input_dim128CFG 节点初始特征由node2vec生成项目data/preprocess.py中调用node2vec.Node2Vec维度设为 128 以保留足够结构信息num_layers3实验证明 3 层 GCN 在 CFG 上效果最优层数 3 时出现过平滑over-smoothing节点区分度下降x.mean(dim0)图级池化采用均值而非最大池化因漏洞模式常分布于多个节点如重入需CALLSLOADSSTORE三节点协同。3.1.2 Opcode 编码双向 LSTM 捕获指令依赖# models/cnn_lstm.py class OpcodeEncoder(nn.Module): def __init__(self, vocab_size150, embed_dim128, hidden_dim128): super().__init__() self.embedding nn.Embedding(vocab_size, embed_dim, padding_idx0) self.lstm nn.LSTM(embed_dim, hidden_dim, bidirectionalTrue, batch_firstTrue) self.dropout nn.Dropout(0.5) def forward(self, x): # x: [batch, seq_len] x self.embedding(x) # [batch, seq_len, embed_dim] x, (h_n, _) self.lstm(x) # h_n: [2, batch, hidden_dim] h_n torch.cat([h_n[0], h_n[1]], dim1) # 拼接前向/后向最后隐状态 return self.dropout(h_n) # [batch, 2*hidden_dim]参数说明vocab_size150EVM 共 148 条指令额外添加PAD和UNK两个 tokenbidirectionalTrue双向 LSTM 能同时捕获CALL前的权限检查如CALLER与CALL后的资金操作如BALANCE实测比单向提升 6.2% AUCh_n取最后时间步隐状态而非x.mean(1)因漏洞指令如DELEGATECALL常位于序列中部均值会稀释其信号。3.1.3 融合与分类注意力加权拼接策略# models/cnn_lstm.py class ContractClassifier(nn.Module): def __init__(self, gcn_out64, lstm_out256, num_classes5): super().__init__() self.attention nn.Linear(gcn_out lstm_out, 1) # 注意力权重 self.classifier nn.Sequential( nn.Linear(gcn_out lstm_out, 128), nn.ReLU(), nn.Dropout(0.4), nn.Linear(128, num_classes) ) def forward(self, gcn_feat, lstm_feat): fused torch.cat([gcn_feat, lstm_feat], dim1) # [batch, 320] attn_weight torch.sigmoid(self.attention(fused)) # [batch, 1] weighted_fused fused * attn_weight # 加权融合 return self.classifier(weighted_fused)训练配置要点损失函数FocalLoss(gamma2.0)解决类别不平衡重入漏洞样本仅占 12%而“无漏洞”占 58%学习率1e-4使用torch.optim.AdamW配合ReduceLROnPlateau(patience3)批大小32因 CFG 图结构内存占用大64会导致 OOM验证指标优先监控F1-macro因各类漏洞重要性相当不适用 accuracy。4. 前端交互与结果可视化Vue3 组件如何解析模型输出并高亮风险行4.1 后端 API 设计与请求体规范项目src/utils/api.js定义了/api/analyze接口接收multipart/form-data格式请求包含fileSolidity 文件与chain_id可选用于选择预训练模型// src/utils/api.js export const analyzeContract (file, chainId 1) { const formData new FormData(); formData.append(file, file); formData.append(chain_id, chainId); // 1Ethereum, 56BSC, 137Polygon return axios.post(/api/analyze, formData, { headers: { Content-Type: multipart/form-data }, timeout: 60000 // 设置超时大合约编译耗时可达 45s }); };后端app.py中的 Flask 路由处理逻辑# backend/app.py app.route(/api/analyze, methods[POST]) def analyze(): if file not in request.files: return jsonify({error: No file uploaded}), 400 sol_file request.files[file] chain_id int(request.form.get(chain_id, 1)) # 步骤1保存临时文件并编译 temp_path f/tmp/{uuid4().hex}.sol sol_file.save(temp_path) # 步骤2调用 contract_parser.py 构建 CFG 与 opcode cfg build_cfg_from_sol(temp_path) bin_runtime compile_to_bin_runtime(temp_path, chain_id) opcodes extract_opcodes(bin_runtime) # 步骤3模型推理加载对应 chain_id 的权重 model_path fmodels/weights/chain_{chain_id}.pth pred, confidence, risk_lines predict_vulnerability(cfg, opcodes, model_path) # 步骤4返回结构化结果 return jsonify({ vulnerability: pred, confidence: float(confidence), risk_lines: risk_lines, # 如 [24, 47, 89] suggestion: get_remediation_suggestion(pred) })注意risk_lines由predict_vulnerability()函数内部的locate_risk_in_source()方法生成该方法将 CFG 节点 ID 映射回源码行号通过 AST 中src字段解析格式为start,end,source_id。4.1.1 Vue3 组件AnalysisResult.vue的高亮渲染逻辑前端views/AnalysisResult.vue使用highlight.js渲染 Solidity 代码并根据risk_lines数组动态添加 CSS 类template div classcode-container precode refcodeEl classsolidity{{ sourceCode }}/code/pre /div /template script setup import { onMounted, ref, watch } from vue import hljs from highlight.js/lib/core import solidity from highlight.js/lib/languages/solidity import highlight.js/styles/github-dark.css const props defineProps([sourceCode, riskLines]) const codeEl ref(null) hljs.registerLanguage(solidity, solidity) onMounted(() { highlightCode() }) watch(() props.riskLines, () { highlightCode() }, { immediate: true }) const highlightCode () { if (!codeEl.value) return hljs.highlightElement(codeEl.value) // 为风险行添加高亮类 const lines codeEl.value.querySelectorAll(span.hljs-literal, span.hljs-number) lines.forEach((line, idx) { if (props.riskLines.includes(idx 1)) { line.classList.add(risk-line) } }) } /script style scoped .risk-line { background-color: #ff6b6b40 !important; border-left: 3px solid #ff6b6b; } /style关键实现细节hljs.highlightElement()执行语法高亮后code内生成多层span其中span.hljs-literal包裹变量名、span.hljs-number包裹数字字面量idx 1是因 HTML 行号从 1 开始而数组索引从 0 开始background-color使用半透明色#ff6b6b40避免遮挡原有语法颜色border-left强化视觉引导。4.1.2 风险建议生成基于规则模板的动态填充suggestion字段非模型输出而是由get_remediation_suggestion()函数查表生成# backend/utils/remediation.py REMEDY_TEMPLATES { Reentrancy: 在发送 ETH 前使用 Checks-Effects-Interactions 模式先更新状态变量再执行外部调用。, IntegerOverflow: 使用 OpenZeppelin SafeMath 库或升级至 Solidity 0.8内置溢出检查。, UncheckedCall: 始终检查 external call 返回值require(address.call{value: amount}(data));, UninitializedStorage: 声明 storage 变量时必须初始化如 address owner msg.sender;, TimestampDependency: 避免使用 block.timestamp 作随机数源改用链下 VRF 或预言机 } def get_remediation_suggestion(vuln_type: str) - str: return REMEDY_TEMPLATES.get(vuln_type, 请参考官方 Solidity 安全指南进行人工审计。)该设计确保建议具备可操作性且与主流安全实践如 Consensys Smart Contract Best Practices一致避免模型幻觉生成错误方案。5. 模型微调与私有数据适配如何用你自己的合约样本更新检测能力5.1 数据标注规范三类标签体系与边界案例处理项目data/labeling_guide.md明确规定标注标准避免主观偏差标签类型触发条件边界案例处理ReentrancyCFG 中存在CALL节点且该节点后 3 步内含SLOADSSTOREopcode 序列中CALL后无STOP若CALL后跟REVERT则标记为SafeExternalCall新增标签IntegerOverflowCFG 中BinaryOperation节点操作符为/-/*且右操作数为Literalopcode 含ADD/SUB/MULSolidity 0.8 合约默认开启检查仅标注unchecked块内运算AccessControlCFG 中IfStatement条件含msg.sender ! owner但true分支无revert或require忽略modifier onlyOwner因修饰符逻辑在 CFG 外部提示项目提供scripts/generate_labels.py脚本可基于 Slither 检测结果自动生成初筛标签人工只需校验 30% 样本效率提升 3 倍。5.1.1 微调脚本train_finetune.py的增量学习配置# 启动微调假设新数据存于 data/custom/ python train_finetune.py \ --base_model models/weights/chain_1.pth \ --train_data data/custom/train.pkl \ --val_data data/custom/val.pkl \ --output_dir models/weights/custom_v1 \ --epochs 15 \ --lr 5e-5 \ --batch_size 16核心参数说明--base_model加载预训练权重冻结 GCN 和 LSTM 底层参数requires_gradFalse仅训练顶层分类器与注意力层--train_data.pkl文件需包含(cfg_list, opcode_list, label_list)三元组cfg_list为 NetworkX 图对象列表--lr 5e-5比预训练学习率1e-4更低防止灾难性遗忘catastrophic forgetting--batch_size 16因自定义数据量小降低 batch size 提升梯度稳定性。5.1.2 模型导出与前端替换流程微调完成后需将新权重部署至前端# 步骤1导出为 TorchScript兼容 Vite 构建 python -c import torch model torch.load(models/weights/custom_v1/best_model.pth) model.eval() example_cfg torch.randn(1, 128) # 占位输入 example_opcode torch.randint(0, 150, (1, 512)) traced_model torch.jit.trace(model, (example_cfg, example_opcode)) traced_model.save(public/models/custom_v1.pt) # 步骤2修改 frontend/src/utils/modelLoader.js // 原路径const MODEL_URL /models/chain_1.pt; // 改为const MODEL_URL /models/custom_v1.pt;验证方式上传一份已知含Reentrancy的DAO.sol检查前端是否在withdraw函数第 47 行call.value(amount)()高亮并返回confidence 0.92。本文还有配套的精品资源点击获取