블록체인과 그 핵심 애플리케이션, 특히 탈중앙화 금융 (DeFi)은 2026년 1월 기준 주요 블록체인에 5,200개 이상의 DeFi 프로젝트가 배포될 정도로 광범위하게 채택되고 있습니다. 동시에 DeFi의 보안 리스크는 점점 더 심각해지고 있습니다. 그러나 기존의 DeFi 탐지 도구들은 대개 특정 공격 유형만을 다루고 있어, 탐지 범위가 매우 제한적이라는 문제를 보입니다. 본 논문에서 우리는 이러한 격차를 해소하기 위한 효과적인 방법이 방대한 양의 스마트 컨트랙트 함수 및 호출 시퀀스(call sequences)로부터 취약한 인스턴스를 사전 스크리닝(pre-screen)하는 것이라고 주장합니다. 이는 우리가 "위험한 시간적 비대칭성 (perilous temporal asymmetry)"이라고 명명한 핵심 현상에 의해 동기 부여되었습니다. 이에 영감을 받아, 우리는 과거의 익스플로잇 (exploit) 사례를 사용하여 잠재적으로 취약한 함수와 호출 시퀀스를 식별하는 최초의 자동화된 DeFi 공격 사전 스크리닝 프레임워크인 DeFiScreener를 제안합니다. 대상 프로젝트의 전체 소스 코드가 주어지면, DeFiScreener는 함수 호출 트리 (Function Call Trees, FCTs)를 구축하고 대규모 언어 모델 (LLM)을 사용하여 각 함수에 대한 의미론적 임베딩 (semantic embeddings)을 생성함으로써, 프로그램 구조와 함수의 의도를 함께 분석할 수 있도록 합니다. 그 다음 이중 수준의 스크리닝 프로세스를 적용합니다. 함수 수준에서는 함수 임베딩을 과거에 익스플로잇된 함수들의 공격 패턴 라이브러리 (Attack Pattern Library)와 매칭합니다. 시퀀스 수준에서는 제안된 공격 패턴 지향 몬테카를로 트리 탐색 (Attack Pattern Oriented Monte Carlo Tree Search, APO-MCTS)을 통해 FCT를 효율적으로 탐색하고 취약한 호출 시퀀스를 스크리닝합니다. 식별된 후보들은 최종적으로 추가적인 해석 및 보안 분석을 위해 LLM으로 전달됩니다. 우리는 207개의 실제 DeFi 공격 사건을 포함하는 데이터셋을 통해 DeFiScreener를 실증적으로 평가했습니다. 실험 결과, DeFiScreener는 공격 사전 스크리닝에서 98.55%의 재현율 (recall)과 84.30%의 정밀도 (precision)라는 놀라운 성과를 달성했습니다.