本文提出了 EVM bytecode 的第一个完整的小步语义，形式化验证了这些程序的语义和关键安全属性，并识别了现有语义和验证工具的各种错误和不精确性，为智能合约的安全验证提供了严谨的语义基础。

Feb, 2018

Securify 是一个安全分析器，可以自动化地证明以太坊智能合约的行为在特定属性上是安全 / 不安全的，通过符号分析和合规 / 违规模式检查来实现，已经得到专家广泛使用。

Jun, 2018

我们提出了一种名为 DVDet 的双视图感知智能合约漏洞检测框架，通过将智能合约的源代码和字节码转化为加权图和控制流序列，从两个视角捕获潜在的风险特征并进行集成分析，从而实现了有效的合约漏洞检测，实验结果表明该方法在检测漏洞方面优于其他方法。

Jun, 2024

本文将深度学习和专家模式相结合，从源代码中提取专家模式，将代码转换成语义图，提取深度图特征，然后将全局图特征和本地专家模式融合以有效检测智能合约安全漏洞，实验证明该系统显著优于现有最先进的方法。

Jun, 2021

使用图神经网络和专家知识探索智能合约漏洞检测，通过将源代码的控制和数据流语义转换为合同图，然后结合深度神经网络和专家模式检测三种漏洞（再入、时间戳依赖和无限循环漏洞），在以太坊和 VNT Chain 平台上取得了显着的精度提高。

Jul, 2021

本文介绍了一种新的针对智能合约的，关于可量化属性的形式化分析框架，并提出了设计一种简化的智能合约编程语言，自动翻译程序为状态感知博弈，以及实验结果的方法。

Jan, 2018

本文介绍了 VulnSense 框架，一种基于图形和自然语言处理模型的多模态学习方法，用于高效地检测以太坊智能合约中的漏洞。该框架通过整合源代码、操作码序列和字节码提取的控制流图等三种智能合约特征，运用 Bidirectional Encoder Representations from Transformers (BERT)、Bidirectional Long Short-Term Memory (BiLSTM) 和 Graph Neural Network (GNN) 模型来提取和分析这些特征，最后使用全连接层来预测以太坊智能合约中的漏洞。通过对 3 个数据集（Curated、SolidiFI-Benchmark 和 Smartbugs Wild）组合得到的 1,769 个智能合约进行实验验证，与 GNN、BiLSTM 和 BERT 结构提出的各种单模态和多模态学习技术进行对比，实验证明了我们提出的方法在三类易受攻击智能合约上达到了 77.96% 的平均准确率，超越了现有的单特征或单模型深度学习技术在准确性和效果方面的限制。

Sep, 2023

介绍了以太坊的新一代区块链技术及其去中心化应用（DApps）的概念，分析了 DApps 系统中存在的安全漏洞、攻击和防御的能力，提出了未来的研究方向。

Aug, 2019

本文提出了一项新型的智能合约安全技术 Sereum 来保护现有的部署合约免遭重新进入攻击，它可以基于运行时监视和验证实现向后兼容性，而且无需对现有合约进行任何修改或语义知识，并且开展了可行性和性能实现及评估，并开发了 3 种高级重新进入攻击来展示现有离线漏洞分析工具的限制。

Dec, 2018

本文提出了一种深度学习多模型混合模型 HyMo 以及 FastText 词嵌入技术，并使用各种深度学习模型获取特征来检测智能合约漏洞，与其他方法相比表现更好，从而提高了智能合约漏洞的检测性能。

Apr, 2023