Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
악성 트랩 토큰 계약의 기만적 로직을 탐지하기 위한 새로운 프레임워크 TrapHunter를 제안합니다. LLM과 추상 행동 트리를 결합하여 표준 프로토콜을 준수하는 척하며 숨겨진 공격 경로를 식별합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv Codex (cs.SE)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기표준화된 토큰 계약(예: ERC-20)은 디지털 자산의 근간을 형성합니다. 그러나 공격자들은 악성 트랩 토큰(trap tokens)을 위장하기 위해 이러한 표준화를 점점 더 악용하고 있습니다. 명백한 위반 사항과는 달리, 이러한 계약들은 "기만적 준수(deceptive adherence)" 전략을 채택합니다. 즉, 탐지를 피하기 위해 표준 프로토콜을 엄격히 준수하면서도, 사용자를 속이기 위한 은밀한 로직을 내장합니다. 이를 해결하기 위해, 우리는 먼저 토큰의 본질적인 기능적 생애주기(생성(Generation), 유통(Circulation), 지속(Persistence), 관찰(Observation))에서 도출된 새로운 분류 체계를 제안하여 트랩 환경을 체계화합니다. 그런 다음, 우리는 이러한 트랩을 식별하고 의도 편차 분석(intent deviation analysis)을 통해 이러한 기만적인 계약 내의 은밀한 경로를 노출하도록 설계된 프레임워크인 TrapHunter를 제안합니다. 구체적으로, TrapHunter는 절차 내 구문(intra-procedural syntax)을 정규화하고 절차 간 상태 의존성(inter-procedural state dependencies)에 의해 구동되는 숨겨진 실행 경로를 드러내기 위해 추상 행동 트리(Abstract Behavior Trees, ABTs)와 증강 경로 그래프(Augmented Path Graphs, APGs)를 결합한 통합 시맨틱 표현(unified semantic representation)을 도입합니다. 결정적으로, 이는 LLM을 활용하여 참조 구현(reference implementations)으로부터의 편차에 대한 행동 의도를 추론하고, 이어서 포크 기반 동적 검증(fork-based dynamic validation)을 통해 취약점 공격 가능성(exploitability)을 확인함으로써 시맨틱 격차를 해소합니다. 세 가지 LLM(DeepSeek, GPT, Gemini)을 사용하여 269개의 실제 계약을 대상으로 실험적 평가를 수행한 결과, TrapHunter는 6가지 범주의 트랩을 모두 효과적으로 탐지하여 평균 정밀도(precision) 81.8%, 재현율(recall) 85.4%를 달성하였으며, 이는 최신 기술(state-of-the-art) 도구들을 크게 상회하는 성능입니다.