从EVM字节码重建控制流图：更快、更好、更强

视频 AI 总结： Maxim 在本次演讲中介绍了其用于从 EVM 字节码重建控制流图（CFG）的新算法。他首先概述了 EVM 字节码和基本块的概念，然后指出现有 CFG 重建工具缺乏准确性评估的问题。为此，他提出了一种基准测试算法，通过比较算法生成的块与实际基本块来评估其性能，并使用假阳性和假阴性指标进行比较。实验结果表明，他的开源库 EVMOL 在重建基本块的数量和假阴性方面优于其他解决方案。该算法采用自下而上的分析方法，结合堆栈分析和循环检测，以递归方式探索父块，直到找到明确的跳转目标。EVMOL 库提供 Rust、JavaScript、TypeScript 和 Python 版本，并提供在线演示，可用于分析智能合约的功能选择器、参数、状态可变性、存储使用情况以及生成交互式控制流图。

关键信息：

• 控制流图（CFG）重建算法： 提出了一种新的从 EVM 字节码重建 CFG 的算法。
• 基准测试方法： 设计了一种评估 CFG 重建算法准确性的基准测试方法，通过比较算法生成的块与实际基本块来评估其性能。
• EVMOL 库： 开发了一个名为 EVMOL 的开源库，实现了该算法，并提供多种语言版本（Rust、JavaScript、TypeScript、Python）。
• 自下而上的分析方法： 该算法采用自下而上的分析方法，结合堆栈分析和循环检测，以递归方式探索父块，直到找到明确的跳转目标。
• 性能优势： 实验结果表明，EVMOL 在重建基本块的数量和假阴性方面优于其他解决方案。
• 应用场景： EVMOL 库可用于分析智能合约的功能选择器、参数、状态可变性、存储使用情况以及生成交互式控制流图。
• 循环检测和中间状态： 算法通过跟踪访问过的节点及其堆栈状态来检测循环，并引入中间状态的概念来避免无限循环。
• 不确定性处理： 如果算法无法确定跳转目标，则会明确地用 Option 类型表示，避免产生错误的结论。