4、特征工程：AST抽象语法树特征、CFG控制流图特征、操作码序列特征、语义嵌入（CodeBERT）

好，咱们进入第四章。特征工程。

说实话，这一章是整个模型训练里最吃经验的部分。你模型结构再花哨，喂进去的特征是垃圾，出来的一定是垃圾。我在做第一个智能合约审计模型时就吃过这个亏——特征选得太粗糙，准确率死活上不去。后来老老实实把AST、CFG、操作码、语义嵌入全撸了一遍，效果才起来。

今天咱们就把这四类特征掰开揉碎讲清楚。

4.1 AST抽象语法树特征

AST是什么？说白了，就是编译器把源代码解析成一棵树。每个节点是一个语法结构，比如函数定义、变量声明、表达式。

我习惯把AST特征分成两类：结构特征和统计特征。

4.1.1 结构特征

结构特征关注的是树本身的形状。比如：

• 树深度：嵌套越深，逻辑越复杂，风险越高
• 节点类型分布：比如函数调用节点、赋值节点、条件节点的数量
• 子树模式：某些危险模式在AST上是有固定子树的，比如“tx.origin 检查”

举个例子，检测重入漏洞时，我关注的是“外部调用”节点后面跟着“状态更新”节点。这种模式在AST上表现为一个特定的子树结构。

4.1.2 统计特征

统计特征更粗暴一些——直接数数。比如：

• 函数数量
• 变量声明数量
• require/assert语句数量
• 循环嵌套层数

这些特征虽然简单，但组合起来能反映代码的复杂度。我曾经发现，重入漏洞的合约平均函数调用次数比正常合约高30%左右。

4.2 CFG控制流图特征

AST只能看到静态结构，看不到执行路径。CFG就是干这个的。

CFG把代码拆成基本块（basic block），然后用有向边连接。每个基本块是一段顺序执行的代码，边代表跳转。

4.2.1 路径特征

我重点关注：

• 路径数量：条件分支越多，路径爆炸，越容易出问题
• 循环结构：循环里的外部调用是重入漏洞的高发区
• 可达性分析：某些函数是否永远无法到达？或者某些危险操作是否在特定条件下才触发？

4.2.2 控制流复杂度

我常用一个指标叫圈复杂度（Cyclomatic Complexity）。公式很简单：

M = E - N + 2P

其中E是边数，N是节点数，P是连通分量数。圈复杂度越高，代码越难测试，漏洞概率越大。我在项目中设过一个阈值：圈复杂度超过15的合约，直接标为高风险。

4.3 操作码序列特征

操作码是EVM直接执行的指令。相比源代码，操作码更底层，也更难被混淆。

我处理操作码特征时，通常走这几步：

1. 反编译：把字节码反编译成操作码序列
2. 序列化：把操作码转成数字ID（比如SLOAD=0x54，SSTORE=0x55）
3. 特征提取：用N-gram或者序列模型提取模式

4.3.1 N-gram特征

N-gram就是连续N个操作码的组合。比如2-gram：

PUSH1, CALL → 这个组合在重入漏洞中很常见
SLOAD, ISZERO → 这个组合在条件检查中常见

我一般用3-gram或4-gram，太短了没区分度，太长了稀疏性太强。

4.3.2 频率特征

统计每种操作码出现的次数。比如：

• CALL操作码出现次数
• SSTORE操作码出现次数
• DELEGATECALL操作码出现次数

这些频率特征虽然简单，但能快速识别出“频繁调用外部合约”或“频繁写存储”的合约。

4.4 语义嵌入（CodeBERT）

前面三种特征都是手工设计的。说白了，靠的是工程师的经验。但有些漏洞模式太隐蔽，手工特征根本抓不到。

这时候就需要语义嵌入了。我用的最多的是CodeBERT。

4.4.1 什么是CodeBERT

CodeBERT是一个预训练模型，专门用来理解代码语义。它把代码片段映射成一个固定长度的向量（比如768维）。这个向量里包含了代码的语义信息——比如“这个函数是转账的”、“这个变量是余额”。

4.4.2 怎么用

我一般这么操作：

1. 切片：把合约代码切成函数级别的片段
2. 编码：用CodeBERT把每个函数编码成向量
3. 聚合：把所有函数的向量平均或拼接，得到合约级别的表示

4.4.3 实际效果

我在一个项目里对比过：只用AST+CFG特征，F1分数大概在0.82左右。加上CodeBERT语义嵌入后，F1提升到了0.89。提升最明显的是那些逻辑复杂、模式多变的漏洞，比如访问控制漏洞。

4.5 特征融合策略

四种特征各有优劣。我习惯把它们融合起来用：

特征类型	优势	劣势	适用场景
AST	语法结构清晰	对语义不敏感	语法漏洞、模式匹配
CFG	执行路径分析	计算复杂度高	逻辑漏洞、重入
操作码	底层、抗混淆	丢失高层信息	字节码分析、混淆检测
CodeBERT	语义理解强	计算成本高	复杂逻辑、未知漏洞

我常用的融合方式是：AST+CFG作为基础特征，操作码作为补充，CodeBERT作为增强。这样既保证了效率，又兼顾了效果。

嗯，特征工程这块就讲这么多。四种特征各有各的脾气，你得根据实际场景来选。我个人建议，刚开始做的时候先用AST+CFG打底，等模型跑通了再慢慢加操作码和CodeBERT。别一上来就堆特征，容易过拟合。