msc-smart-contract-audition/audits-with-reasons

该数据集基于基础数据集进行扩展，使用了Unsloth的Llama3 8b instruct模型进行量化处理。数据集扩展了描述和推荐的详细程度，清理了代码格式并移除了可能混淆模型的外部URL注释，同时新增了`functionality`和`type`两个字段。非漏洞示例仅包含`code`、`functionality`和`type=no vulnerability`字段。数据集包含2472个训练样本和437个测试样本，总大小为11900842字节。

原始信息汇总

数据集信息

特征

• code: 字符串类型
• description: 字符串类型
• recommendation: 字符串类型
• type: 字符串类型
• functionality: 字符串类型

数据分割

• train:
  • 字节数: 10010243
  • 样本数: 2472
• test:
  • 字节数: 1852577
  • 样本数: 437

数据大小

• 下载大小: 4932711 字节
• 数据集大小: 11862820 字节

配置

• default:
  • 训练数据路径: data/train-*
  • 测试数据路径: data/test-*

许可证

• MIT

任务类别

• 文本生成
• 文本分类

语言

• 英语

标签

• 金融

易读名称

• Smart Contract Audits with Reasons and Recommendations

大小类别

• 1K<n<10K

字段描述

字段	描述
1. code	包含漏洞的一个或多个代码块
2. description	漏洞的描述和解释，包括如何利用漏洞的证明概念（PoC）
3. recommendation	一个或多个推荐的漏洞缓解措施
4. type*	漏洞类型
5. functionality**	用简单英语解释代码的功能及其在合约中的通用目的

• • 类型不适合直接分类，因为类别不是有限集合。它们是由模型认为最准确的描述，需要预处理以限定特定数量的类别（例如，前端运行、重入、算法错误等）。

** - 这对于知识检索很有用，因为代码描述的嵌入比代码嵌入更容易分离（参见数据分析）。

数据分析

• 第一个图显示了由Large-Cased Bert Model生成的代码描述（即功能）的嵌入的PCA。
• 第二个图显示了原始代码本身的嵌入的PCA。

尽管这是一个信息损失很大的受限空间，但值得注意的是，模型更好地分离了两个选定的类别。

附加信息

• 换行符已转义（即 \n）