msc-smart-contract-audition/vulnerability-severity-classification

---
dataset_info:
features:
- name: function
dtype: string
- name: severity
dtype: string
splits:
- name: train
num_bytes: 1327573
num_examples: 2473
- name: test
num_bytes: 237962
num_examples: 437
download_size: 670552
dataset_size: 1565535
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
license: mit
task_categories:
- text-classification
language:
- en
tags:
- finance
pretty_name: Severity of Vulnerable Solidity Functions
size_categories:
- 1K<n<10K
---
This dataset combines vulnerable functions (scraped from 5 auditting companies: [Codehawks](https://www.codehawks.com/), [ConsenSys](https://consensys.io/), [Cyfrin](https://www.cyfrin.io/), [Sherlock](https://www.sherlock.xyz/), [Trust Security](https://www.trust-security.xyz/)) and auddited functions with no vulnerabilities (scraped from [Etherscan](https://etherscan.io))

The purpose of the dataset is to enable training of classification models to discriminate between the 4 classes: `none`, `low`, `medium` and `high`.

| Field | Description |
|-|-|
| 1. `function` | Raw solidity code |
| 2. `severity` | Severity of vulnerability ('none', `low`, `medium`, `high`) |

# Data Analysis

<img src="https://huggingface.co/datasets/msc-smart-contract-audition/vulnerability-severity-classification/resolve/main/figures/severity-distribution.png">
<img src="https://huggingface.co/datasets/msc-smart-contract-audition/vulnerability-severity-classification/resolve/main/figures/length-severity-distribution.png">

# Additional Info
- The newline characters are escaped (i.e. `\\n`)

数据集信息：
特征：
- 字段名：function，数据类型：字符串
- 字段名：severity，数据类型：字符串
数据划分：
- 划分名称：训练集（train），字节大小：1327573，样本数量：2473
- 划分名称：测试集（test），字节大小：237962，样本数量：437
下载大小：670552，数据集总大小：1565535
配置项：
- 配置名称：default（默认配置），数据文件：
- 划分训练集（train）：对应data/train-*
- 划分测试集（test）：对应data/test-*
许可证：MIT协议
任务类别：文本分类
语言：英语
标签：金融
友好名称：易受攻击Solidity函数的严重程度分类
样本规模：1K<n<10K

本数据集整合了从5家审计公司（Codehawks、ConsenSys、Cyfrin、Sherlock、Trust Security，链接附后）爬取得到的易受攻击函数，以及从Etherscan爬取的无漏洞已审计函数。

本数据集旨在支持训练分类模型，以区分`none`、`low`、`medium`、`high`四类标签。

| 字段 | 描述 |
|-|-|
| 1. `function` | 原始Solidity代码 |
| 2. `severity` | 漏洞严重等级，取值为`none`、`low`、`medium`、`high` |

# 数据分析
<img src="https://huggingface.co/datasets/msc-smart-contract-audition/vulnerability-severity-classification/resolve/main/figures/severity-distribution.png">
<img src="https://huggingface.co/datasets/msc-smart-contract-audition/vulnerability-severity-classification/resolve/main/figures/length-severity-distribution.png">

# 附加信息
- 换行符已转义（即`\n`）

原始信息汇总

数据集概述

基本信息

• 数据集名称: Severity of Vulnerable Solidity Functions
• 语言: 英语 (en)
• 标签: 金融 (finance)
• 大小分类: 1K<n<10K

特征

• function: 字符串类型，代表原始的Solidity代码。
• severity: 字符串类型，代表漏洞的严重程度，可能的值为none, low, medium, high。

数据集划分

• 训练集: 2473个样本，占用1327573字节。
• 测试集: 437个样本，占用237962字节。

数据集大小

• 下载大小: 670552字节
• 数据集总大小: 1565535字节

配置

• 默认配置: 数据文件路径如下：
  • 训练集: data/train-*
  • 测试集: data/test-*

许可证

• 许可证: MIT

任务类别

• 任务类别: 文本分类 (text-classification)

搜集汇总

数据集介绍

构建方式

在智能合约安全审计领域，数据集的构建需兼顾真实性与代表性。本数据集通过系统化采集策略，整合了来自Codehawks、ConsenSys、Cyfrin、Sherlock及Trust Security五家专业审计公司公开的漏洞函数，同时从Etherscan平台获取经审计确认无漏洞的安全函数作为对照样本。数据采集过程涵盖原始Solidity代码的抓取与清洗，确保代码片段的完整性与可解析性。最终构建的训练集与测试集共包含2910个样本，依据漏洞严重程度划分为‘无’、‘低’、‘中’、‘高’四类标签，为模型训练提供了结构化的监督信号。

特点

该数据集聚焦于智能合约漏洞严重程度的多分类任务，其核心特征体现在数据来源的权威性与类别的细粒度划分。所有漏洞样本均源自业界知名安全审计机构的真实案例，确保了数据反映实际安全威胁的分布规律。数据字段设计简洁明确，仅包含原始Solidity代码字符串及其对应的严重程度标签，便于直接应用于代码表征学习。标签体系采用四级分类标准，精准区分从无风险到高危漏洞的连续谱系，为评估模型在风险分级场景下的判别能力提供了可靠基准。可视化分析图表进一步揭示了标签分布与代码长度间的潜在关联，增强了数据集的探索价值。

使用方法

该数据集适用于文本分类任务，特别是基于深度学习的智能合约安全分析模型开发。使用者可直接通过HuggingFace数据集库加载，利用预划分的训练集与测试集进行模型训练与评估。在预处理阶段，需注意代码字符串中的换行符已被转义，建议恢复原始格式以保留代码结构信息。典型应用流程包括：提取代码文本特征，构建分类器预测四类严重程度标签，并通过交叉验证评估模型泛化性能。数据集兼容常见的NLP框架，可服务于漏洞自动分级、风险预警系统等实际应用场景的研发与验证。

背景与挑战

背景概述

在区块链技术迅猛发展的浪潮中，智能合约作为去中心化应用的核心组件，其安全性日益成为学术界与工业界关注的焦点。msc-smart-contract-audition/vulnerability-severity-classification数据集应运而生，由多个安全审计机构联合构建，旨在通过收集Solidity智能合约函数代码，对漏洞严重程度进行多级分类。该数据集整合了来自Codehawks、ConsenSys等五家审计公司的漏洞函数数据，并结合Etherscan的无漏洞审计函数，形成了涵盖'无'、'低'、'中'、'高'四个类别的标注体系。其核心研究问题聚焦于自动化漏洞严重性评估，为智能合约安全审计提供了重要的数据基础，推动了区块链安全领域从手动检测向智能化分析的范式转变。

当前挑战

该数据集致力于解决智能合约漏洞严重性自动分类的挑战，其核心在于如何从复杂的Solidity代码中准确识别并量化安全风险。构建过程中面临多重困难：一是数据来源的异构性，不同审计公司的漏洞标注标准存在差异，需要进行复杂的对齐与归一化处理；二是代码表征的复杂性，原始Solidity函数包含丰富的语法和语义信息，如何有效提取特征以区分细微的漏洞等级成为技术难点；三是类别不平衡问题，数据集中不同严重等级的样本分布不均，可能影响分类模型的泛化性能。这些挑战共同构成了智能合约安全分析领域向高精度、自动化方向发展的关键障碍。

常用场景

经典使用场景

在智能合约安全审计领域，该数据集为研究者提供了标准化的漏洞严重性分类基准。通过整合来自多家知名审计公司的漏洞函数及以太坊上的安全函数，数据集构建了涵盖无漏洞、低危、中危和高危四个类别的标注样本。经典使用场景涉及训练机器学习模型，特别是基于Transformer架构的预训练语言模型，对Solidity代码片段进行自动分类，从而辅助审计人员快速识别合约中的潜在风险等级。

实际应用

在实际应用中，该数据集被广泛应用于区块链开发与安全运维环节。开发团队可利用基于该数据集训练的模型，在合约部署前进行自动化漏洞扫描，优先处理高危漏洞以降低资金损失风险。安全公司则将其集成至审计平台，提升大规模合约筛查的效率。此外，教育机构亦借助此类数据开发培训工具，帮助开发者深入理解Solidity编程中的常见安全陷阱。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作。例如，研究者结合图神经网络与代码语义分析，构建了能够捕获合约控制流特征的分类模型；另有工作探索多任务学习框架，同时预测漏洞类型与严重性等级。这些成果不仅提升了分类精度，还推动了跨语言漏洞检测技术的进展，为智能合约形式化验证工具提供了数据驱动的补充方案。