ParaVul: A Parallel Large Language Model and Retrieval-Augmented Framework for Smart Contract Vul...

文章主要内容与创新点总结

一、主要内容

本文针对智能合约漏洞检测中传统方法假阳性率高、扩展性差，以及现有大语言模型（LLMs）检测存在推理成本高、计算开销大等问题，提出了一种名为ParaVul的并行LLM与检索增强框架。该框架包含四个核心阶段：

1. 数据预处理：将原始智能合约代码标准化为统一JSON格式，转化为二进制漏洞标签向量，同时去除噪声和冗余信息，保留完整语义上下文。
2. LLM与RAG并行检测：本地部署经SLoRA微调的LLM检测器，以及融合密集检索与BM25的混合RAG检测器，两者并行分析合约代码，输出结构化向量表示结果。
3. 检测结果验证：基于元学习模型构建验证模块，对LLM和RAG的检测结果进行加权融合，生成最终高精度检测结果。
4. 报告生成：通过思维链（CoT）提示技术，引导LLM生成包含漏洞位置与表现、根本原因、安全风险、潜在影响及缓解策略的结构化报告。

实验结果显示，ParaVul在单标签检测中F1分数达0.9398，多标签检测中达0.9330，性能显著优于传统方法和现有LLM/ RAG相关方案。

二、创新点

1. 提出ParaVul框架：首次将LLM与混合RAG系统以并行方式集成，同步进行基于语义理解的检测与基于知识库检索的验证，大幅提升检测准确性与效率，并设计专用报告模板增强实用性。