深入分析EVM合约分类背后的风险

作者：十四菌来源：十四君2023-06-04

在智能合约领域，"以太坊虚拟机 EVM" 以及其算法和数据结构就是第一性原理。

本文从合约为什么要分类出发，结合每个场景可能面对怎样的恶意攻击，最终给出一套达成相对安全的合约分类分析算法。虽然技术含量较高，但亦可作为杂谈读物，一览去中心化系统间博弈的黑暗森林。

1、合约为什么要分类？

因为太重要了，可谓是交易所、钱包、区块链浏览器、数据分析平台等等Dapp的基石！一笔交易之所以是ERC20转账，是因为他的行为符合ERC20标准，至少得有：

交易的状态是成功
To地址为某个符合ERC20标准的合约
调用了Transfer函数，其特点是该交易CallData的前4位为0xa9059cbb
执行后，在该To地址上发出了transfer的事件

分类有误则交易行为会误判

以交易行为为基石，则To地址能否被准确分类则对其CallData的判断会有截然不然的结论。对Dapp而言，链上链下的信息沟通高度依赖于交易事件的监听，而同样的事件编码也只有在符合标准的合约中发出，才具有可信度。

分类有误则交易会误入黑洞

如果用户进行一笔Token转移，转入到某个合约中，如果该合约没有预设Token转出的函数方法，则资金会雷同于Burn一样被锁定，无法控制且如今大量项目开始增加内置的钱包支持，要为用户管理钱包也就不可避免的，需要时刻从链上实时分类出最新部署的合约，是否能够吻合资产标准。

拓展阅读第1段：【合约解读】CryptoPunk 世界上最早的去中心化NFT交易市场

2、分类会有怎样的风险？

链上是一个没有身份没有法治的地方，你无法制止一笔正常的交易，哪怕他是恶意的。他可以是冒充外婆的狼，做出多数符合你预期的外婆行为，但目的是进屋抢劫。声明标准，但可能实质不符合常见的分类方式是直接采用EIP-165标准，读取该地址是否支持ERC20等，当然，这是一个高效率的方法，但是毕竟合约是对方控制，所以终究是可以伪造出一份申明。165标准的查询，只是在链上有限的操作码中，用最低成本去防止资金转入黑洞的方法。这也是为什么我们之前分析NFT的时候，特地提及标准中会有一类SafeTransferFrom的方法，其中Safe就是指代了采用165标准判断出对方声明自己具备了NFT的转移能力。拓展阅读第2.2段：【源码解读】你买的NFT到底是什么？唯有从合约字节码出发，做源码层面的静态分析，从合约预期的行为出发才有更精准的可能性。

3、合约分类方案设计

接下来咱们将系统的分析整体方案，注意我们的目的是“精度”和“效率”两项核心指标。要知道即使方向是对的，但要抵达大洋的彼岸路途也并不明朗，要做字节码分析的第一站是获取代码

3.1、如何获取到代码？

从上链后的角度讲有getCode，一个RPC方法，可以从链上指定的地址里获取到字节码，单论读取的话这是非常快捷的，因为从EVM的账号结构中就把codeHash放在最顶端的位置。

但是这个方法等于是单独对某个地址做获取，想要进一步提升精度和效率呢？如果是部署合约的交易，如何在其刚执行完甚至他还在内存池中便获取部署的代码？如果该笔交易是合约工厂的模式，则交易的Calldata里是否存在源码呢？最后的我的方式是，是分类进行一种类似筛子的模式

对于非合约部署的交易，则直接用getCode获取其中涉及的地址进行分类，
对于最新内存池的交易，筛选出to地址为空的交易，其CallData则是带有构造函数的源代码
对于合约工厂模式的交易，由于其中可能是合约部署出的合约再循环调用其他合约来执行部署，则递归的去分析该笔交易的子交易，记录每个type 为CREATE或者为CREATE2的Call。

我做了个demo实现的时候，发现还好现在rpc的版本比较高，因为整个过程最难的便是执行3的时候，如何递归找到指定type的call，最底层的方式是通过opcode还原上下文，我吃了一惊！还好现在的geth版本里有debug_traceTransaction 方法，他可以帮助解决在通过opcode操作码中梳理每一个call的上下文信息，整理出核心的字段。最终可以对多种部署模式的（直接部署，工厂模式单部署，工厂模式批量部署）的原始字节码都获取到。

3.2、如何从代码分类？

最最简单但不安全的方式，是把code直接做字符串匹配，以ERC20为例符合标准的函数则有

在函数名之后的，则是该函数的函数签名，之前在分析的时候提及，交易都是依赖匹配callData的前4位找到目标函数的，拓展阅读：所以合约字节码里必然存储有这6个函数的签名。当然，这种方法非常快捷6个都查到就完事的，但不安全的因素则是，如果我采用solidity合约中，单独设计一个变量，存储值为0x18160ddd 那么他也会将认为我有了这个函数。

3.3、准确率提升1-反编译

那进一步的准确方法则是做Opcode的反编译！反编译则是将获取到的字节码转到操作码的过程，更高级的反编译则是再转成伪代码，更利于人的阅读，这次我们用不上，反编译的方法列于文末的附录中。

solidity（高级语言）->bytecode(字节码)->opcode(操作码)我们就可以清晰的发现一个特征，函数签名都会被PUSH4 这个操作码所执行，所以进一步的方法则是从全文中提取PUSH4后的内容，与函数标准做匹配。

我也简单做了下性能实验，不得不说Go语言的效率很强大，1W次反编译只需要220ms。接下来的内容会有一定难度

3.4、准确率提升2-找代码块

上文中准确率有所提升但还不够，因为是全文搜索PUSH4的，因为我们仍然可以构建一个变量，是byte4的类型，这样一来也会触发PUSH4的指令。在我苦恼的时候，想到一些开源项目的实现，ETL是一个读取链上数据做分析的工具，其中会解析出ERC20、721的转移单独成表，所以必然具备分类合约的能力。

分析下来，可以发现他是基于代码块的分类，只处理第一个basic_blocks[0]里的push4指令

那问题来到了，如何准确判断代码块了

代码块的概念源于REVERT + JUMPDEST 这2个连续的操作码，这里必然需要连续的2个，因为在整个函数选取器的opcode区间里，如果函数数量过多，则会出现翻页的逻辑，那也会出现JUMPDEST 这个指令。

3.5、准确率提升3-找函数选择器

函数选择器的作用是，读取该笔交易的Calldata的前4位字节，并与代码中预设有的合约函数签名进行匹配，协助指令跳转到存储了该函数方法指定的内存位置让我们尝试一个最小的模拟执行这部分是两个函数的选择器store(uint 256)和retrieve()，可算出签名是2e64cec1，6057361d

60003560e01c80632e64cec11461003b5780636057361d1461005957进行反编译后，则会得到如下的操作码串，可以说分两个部分第一部分：在编译器中在合约中仅函数选择器部分会去获取到callData的内容，寓意是获取其CallData的函数调用签名，注释如下图。

我们可以通过模拟EVM的内存池变化来看看效果

第二部分：判断是否与选择器的值匹配的过程1、‍将retrieve()的4字节函数签名(0x2e64cec1)传入stack上，2、EQ操作码从stack区弹出2个变量，即0x2e64cec1和0x6057361d，并检查它们是否相等3、PUSH2将2个字节的数据(这里为0x003b，十进制为59)传入stack，stack区有一个叫做程序计数器的东西，它规定了下一个执行命令在字节码中的位置。这里我们设置59，因为那是retrieve()字节码的起始位置4、JUMPI代表"如果...，则跳转至..."，它从stack中弹出2个值作为输入，如果条件为真，程序计数器将被更新至59。这就是EVM是如何根据合约中的函数调用，来确定它需要执行的函数字节码的位置的原理。实际上，这只是一组简单的“if语句”，用于合约中的每个函数以及它们的跳转位置。

4、方案总结

整体简述如下

每个合约地址可以通过rpc getcode 或者debug_traceTransaction，获取到部署后的bytecode ，采用GO中VM和ASM库，反编译后即获取到opcode
合约在EVM运行原理中，会有以下特征
采用REVERT+JUMPDEST这2个连续的 opcode 作为代码块的区分
合约必然具备函数选择器的功能，该功能也必然在第一个代码块上
函数选择器中，其函数方法均采用PUSH4作为opcode ，
该选择器所包含的opcode中，会出现连续的PUSH1 00; CALLDATALOAD; PUSH1 e0; SHR; DUP1，核心功能是加载callDate数据并进行位移操作，从合约功能上其他语法不会产生
对应的函数签名在eip中定义，并且有必选和可选的明确说明

4.1、唯一性证明

走到这里我们就可以说，基本实现高效率，高准确率的合约分析方法了，当然既然已经严谨了这么久，不妨再严谨一些，我们上文方案里中基于REVER+JUMPDEST来做代码块的区分，结合其中必然的CallDate加载和位移来做唯一性判断，那是否存在，我可以用solidity合约也实现出类似的操作码序列呢？我做了下对照实验，从solidity语法层面虽然亦有msg.sig等获取CallData的方法，但编译后其opcode的实现方法不同