深入EVM-合约分类这件小事背后的风险

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。

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。

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

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rpcgetcode 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

3. 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

查看更多

—-

编译者/作者：十四君

玩币族申明：玩币族作为开放的资讯翻译/分享平台，所提供的所有资讯仅代表作者个人观点，与玩币族平台立场无关，且不构成任何投资理财建议。文章版权归原作者所有。