DcRD：聚合图信息流的双通道重入漏洞检测

来源：计算机工程与应用杂志2025年第16期北京时间：

作者：苗春雨, 林浩, 王春东, 牛德合, 方顺尧

单位：1.天津理工大学 计算机科学与工程学院，天津 300380；2.天津市智能计算及软件新技术重点实验室，天津 300380；3.学习型智能系统教育部工程研究中心，天津 300380

摘要：随着区块链技术的成熟和智能合约的广泛应用，保证其安全性已经成为重要的研究方向。在合约部署前有效检测漏洞可以防止用户资产受损。目前，基于深度学习的研究取得了初步成功，但由于未能充分考虑代码的不同表示的信息对漏洞检测的贡献，其准确率仍然有提升空间。提出了一种聚合图信息流的双通道重入漏洞检测方法（dual-channel reentrancy vulnerability detection with aggregated graph information flow，DcRD）。其中上侧通道基于专家知识利用模式匹配获取模式特征。下侧通道针对合约代码的非欧图表示，使用关系图神经网络（relational graph neural network，R-GNN）加权聚合图中不同信息流，获取更先进的图特征。结合注意力机制对双通道特征赋权融合用于漏洞检测。同时关注了通道内和通道层的不同特征对检测结果的差异性影响，以提高检测准确率。通过与多个基线模型进行比较实验以及搭建多个DcRD的变体模型进行消融实验，证明了DcRD模型在多个检测指标上均优于基线模型，平均准确率达到了98.50%，平均精确率为99.09%，平均召回率为96.46%，平均F1分数为97.76%。

关键词：重入漏洞检测,关系图神经网络（R-GNN）,图信息流,双通道特征,注意力机制