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 ERC 20 转账，是因为他的行为符合 ERC 20 标准，至少得有：

1. 交易的状态是成功

2. To 地址为某个符合 ERC 20 标准的合约

3. 调用了 Transfer 函数，其特点是该交易 CallData 的前 4 位为 0x a 9059 cbb

4. 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 ERC 20 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

1. 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，

2. 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

3. 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 CREATE 2 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 ERC 20 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 0x 18160 ddd 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 PUSH 4 这个操作码所执行，所以进一步的方法则是从全文中提取 PUSH 4 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， 1 W 次反编译只需要 220 ms。

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 PUSH 4 的，因为我们仍然可以构建一个变量，是 byte 4 的类型，这样一来也会触发 PUSH 4 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 ERC 20、 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 push 4 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 2 e 64 cec 1 ， 6057361 d

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(0x 2 e 64 cec 1)传入 stack 上，

2、EQ 操作码从 stack 区弹出 2 个变量，即0x 2 e 64 cec 1 和0x 6057361 d，并检查它们是否相等

3、PUSH 2 将 2 个字节的数据(这里为0x 003 b，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

1. 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

2. 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 PUSH 4 作为 opcode ，

• 该选择器所包含的 opcode 中，会出现连续的 PUSH 1 00; CALLDATALOAD; PUSH 1 e 0; SHR; DUP 1 ，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

5、总结

洋洋洒洒这么分析下来， 3 天时间就过去了。

虽然非常的细致，虽然日常中会遇到合约采用 byte 4 来恶意混淆自己是否符合标准的合约可能是九牛一毛。

所以，实际上这 3 天投入分析的 ROI 是非常低的。但是在无尽的时间长河里，概率再小的事情，也终将发生。

怀揣不信任原则才能在web3的世界里，走的更远。

今天有好友问我一个很有思考深度的话题， 作为产业 KOL 的终局是什么？你的商业模式是什么？

虽然我知道技术的文章，总是流量惨淡，但流量本就不是目的，我希望始终都在最初的愿景上：

? 以技术的视角，洞察产业发展的关键变化，分享产业发展中的过往经验与未来机会，为新时代的建设者提供差异化的帮助。