FAUDITOR 論文閱讀分析：很多 smart contract 工具真正缺的，不是更多 warning，而是更早看出哪條路真的能把錢搬走
論文基本資訊
- 論文標題：Capturing Monetarily Exploitable Vulnerability in Smart Contracts via Auditor Knowledge-Learning Fuzzing
- 作者：Bowen Cai、Weiheng Bai、Hangyun Tang、Youshui Lu、Kangjie Lu
- 年份：2026
- 來源：arXiv:2604.18395
- 論文連結：https://arxiv.org/abs/2604.18395
- DOI：10.48550/arXiv.2604.18395
- 主題：Smart Contracts、Fuzzing、Blockchain Security、DeFi、Vulnerability Discovery、Exploitability Analysis
這篇 paper 我會想寫，不是因為它又多做出一個 smart contract fuzzer，而是因為它把一個安全團隊一直都知道、但工具常常沒真的處理好的問題講得很直接：真正讓團隊痛的，往往不是 warning 不夠多，而是 warning 太多、但真正會變成錢被搬走的那幾個風險沒有被先抓出來。
尤其在 DeFi 與 smart contract 世界，很多漏洞不是單純「有 bug」而已，而是會一路穿過價格操縱、資產兌換、狀態更新與多步函式鏈，最後變成可被直接套利、可被直接搬資產的 monetarily exploitable path。這篇論文要補的正是這個落差：不要只問程式哪裡怪，要問它哪裡真的會讓攻擊者賺到錢。
如果把這篇濃縮成一句話，我會寫成：很多漏洞工具卡住的，不是找不到異常，而是還不夠懂「哪種異常真的已經接近攻擊者的提款路徑」。
它想解的不是一般漏洞，而是 MEVuls
作者先定義了一個很關鍵的概念：Monetarily Exploitable Vulnerabilities（MEVuls）。這不是泛泛指所有 smart contract 弱點，而是更聚焦在那些會出現在 monetary transaction / value-transfer logic 裡、能被攻擊者轉成實際金融收益的漏洞。
這個 framing 很重要，因為它其實是在重新排序優先級。很多既有工具會報出：
- 可疑行為
- 潛在 coding flaw
- coverage 能碰到的異常路徑
但對協議團隊、安全稽核員、甚至投資者來說，真正想先知道的是另一件事：哪些路徑真的能組成有經濟意義的 exploit chain？
換句話說，這篇不是單純在做更會撞 code path 的 fuzzing，而是在做更接近現實攻擊動機的 fuzzing。
為什麼這類漏洞特別難抓？
論文點出的難點很實際。MEVuls 難抓，不只是因為 smart contract 本來就難，而是因為它通常同時具備幾個特性：
- 函式呼叫鏈很長：攻擊可能不是單一步驟，而是多次互動後才形成套利條件。
- 金融語意很重：風險往往藏在價格、鑄造、銷毀、兌換、抵押、清算或治理流程裡。
- 同型異構很常見：不同協議長得不一樣，但 exploitable pattern 可能很像。
- 一般 warning 不夠 actionable：就算工具告訴你「這裡可能有問題」，也不代表它能說清楚這個問題到底會不會變成真實損失。
這也是為什麼很多工具最後會讓團隊陷入熟悉的老問題：報警很多，但 triage 成本更高；而真正高價值的 exploitable case 反而被埋在噪音裡。
FAUDITOR 的主軸：把稽核知識灌回 fuzzing
作者提出的系統叫 FAUDITOR。我覺得它最值得看的點，不是名字，而是背後那個思路：把 audit report 裡的人類稽核知識轉成 fuzzing search strategy。
這比單純說「我們用了 NLP」更重要。因為論文真正抓到的是，現實世界裡很多 exploitable pattern 其實已經散落在大量 auditor reports、incident writeups 與漏洞說明裡，只是這些知識大多停留在人讀得懂、工具卻吃不太進去的敘事層。
FAUDITOR 想做的，就是把這些稽核員已經累積的 exploitation pattern 抽出來，拿去引導 fuzzing 更快往高風險金融介面與高價值狀態轉換靠近。
它的核心精神可以理解成：
- 不是盲目亂炸所有輸入
- 而是先理解「歷史上稽核員最常在哪些金融邏輯裡看出可套利結構」
- 再把這種知識回灌到測試探索順序裡
這其實很像把傳統 coverage-guided fuzzing，往economically informed fuzzing 推了一步。
論文提出三個關鍵元件
根據摘要，FAUDITOR 至少有三個值得記的核心設計：
- MEVuls formalization：先把常見真實金融 exploit 抽象成一組可被識別的漏洞類型與模式。
- auditor knowledge integration：利用 NLP 從 auditor reports 萃取 exploitation insights，拿來引導搜尋。
- self-learning mechanism：根據先前 fuzzing 結果持續修正後續策略，而不是每次都從同樣的盲目起點開始。
我覺得這三個拼起來才是這篇的真正價值。單看每一個元素都不算完全新鮮——formalization、NLP 輔助、self-learning 你以前都看過；但這篇把它們串成一個很實務的閉環：
先把「什麼叫有經濟意義的漏洞」定清楚，再讓人類稽核經驗去偏置探索方向，最後再讓系統從已經撞到的結果裡學會下一輪該更像哪種稽核員。
它真正補的，是漏洞偵測到 exploitability judgement 中間那段空白
我最喜歡這篇的地方，是它不是只想把 recall 做大，而是想把發現流程往更接近 exploitability judgement 那邊推。
很多安全工具實際上都停在這裡：
- 它知道有一條怪 path
- 它知道某個 invariant 可能被破壞
- 它甚至知道某個函式組合看起來危險
但它不太知道，這條路徑對攻擊者來說，到底是：
- 只是理論上的異常
- 還是已接近可操作的價值轉移通道
而在 DeFi 世界，這個差別巨大。因為真正會造成 headline-level 損失的，通常不是抽象 bug，而是可被金融化的 bug。
所以我會把 FAUDITOR 看成是在做一種很有工程味的事情：把漏洞發現系統從 syntax / path / anomaly 導向，往 attack economics 導向搬。
最有殺傷力的數字：220 個 zero-day MEVuls
摘要裡最醒目的數字當然是這個：FAUDITOR 找到 220 個 zero-day MEVuls。
這個數字本身很猛，但我覺得更重要的是它代表了兩件事：
- 現有工具確實還漏掉不少真正高價值問題
- 如果搜尋策略開始更懂 exploit pattern，產出會明顯不一樣
另外摘要也提到，和既有 fuzzers 相比，FAUDITOR 不只抓得多，還有兩個很實際的優勢：
- 更快偵測到漏洞
- 更好的 instruction coverage
這兩件事放在一起看就很關鍵。因為這代表它不是靠一堆超慢、超重的事後分析硬拗出結果，而是探索效率本身有改進。這通常才表示方法不是只在某個 dataset 上湊巧有用，而是真的改變了搜尋品質。
這篇和 AI / Agent security 主線其實沒有離很遠
表面上看，這篇比較像 blockchain security paper，和最近站上那串 prompt injection、runtime guardrails、MCP defense 好像是不同宇宙；但我反而覺得它們底層在講同一件事：真正有產線價值的安全系統，不能只會報問題，還要更懂攻擊者想怎麼把問題轉成收益或影響。
最近幾篇論文一直在提醒一個主軸：
- 漏洞 AI 卡住的，常不是 finding，而是報告品質與 triage 可交付性。
- prompt injection 防禦卡住的，常不是知道有毒內容，而是不知道怎麼把最終 action 真正攔下來。
- agent runtime 安全卡住的，常不是看不到風險，而是不知道該把控制放在哪一層。
FAUDITOR 補的則是另一種同型問題：smart contract analysis 卡住的，常不是看不到怪象，而是不夠懂哪種怪象已經接近金融 exploit。
所以如果把它放回 sectools.tw 的最近主線，我會把它看成是把「安全分析必須更接近真實攻擊工作流」這件事，帶到 smart contract / DeFi 這一側。
它最值得實務界記住的啟示
這篇 paper 給實務界最有價值的提醒，我覺得有三個：
- 不要再把所有 warning 視為同質：真正重要的是 exploitability ranking，而不是 alert volume。
- 人類稽核知識是可操作資產，不只是文件：audit reports 不該只是 PDF 存檔，它們其實可以回灌成下一代分析系統的搜尋偏置。
- 自動化要更像懂業務語意的分析師：在 DeFi 場景裡，不懂 value-transfer logic 的工具，再高 coverage 也可能只是在高速產生低價值噪音。
這三點其實不只適用 smart contracts。放大來看，它是在說：安全自動化若要真的變有用，就必須愈來愈會區分「形式上的異常」和「攻擊者真正在意的 exploitable structure」。
最後怎麼看這篇？
Capturing Monetarily Exploitable Vulnerability in Smart Contracts via Auditor Knowledge-Learning Fuzzing 這篇最值得帶走的，不是「又一個 fuzzer 破了幾個 benchmark」，而是它把很現實的一件事落地了：
真正高價值的安全工具，不能只會把可疑路徑找出來，還要更像有經驗的稽核員，知道哪些路徑最可能一路通往資產流失。
如果未來 smart contract security tooling 要繼續進化，我很認同這篇指的方向：不是無止境堆更多 warning，而是把金融語意、稽核經驗與自我修正能力 一起放進搜尋流程裡。因為在 DeFi 現場，真正有價值的從來不是「這裡怪怪的」，而是「這裡很可能就是下一個會被搬錢的地方」。
如果要我把它濃縮成最後一句，我會寫成：
很多 smart contract 安全工具真正缺的，不是再多一點 coverage，而是更像稽核員那樣，知道哪條異常路徑已經離「可以把錢搬走」很近。
本文由 AI 產生、整理與撰寫；內容基於論文摘要、公開資訊與脈絡化解讀，建議仍搭配原始論文交叉閱讀。