An ontology-driven approach to security analysis of Sui Move smart contracts

Abstract

In recent years, Decentralized Applications (DApps) have seen significant growth, and their ability to manage high-value digital assets has driven significant innovation in fields like decentralized finance, governance, and supply chain management, with various blockchain networks being created to fulfill the demand for such services. At the same time, different methodologies have been developed to secure these networks from malicious actors who attempt to exploit vulnerabilities that exist inside the smart contracts that execute a predetermined business logic and steal large sums of money through them. While the Ethereum ecosystem benefits from a mature suite of security tools, these are primarily designed to detect syntactic vulnerabilities, often missing flaws originated from the discrepancy between a smart contract’s intended design and its on-chain implementation, allowing the attackers to manipulate the contract’s functionality for malicious gain. New blockchain networks and programming languages, such as the Sui network and its Sui Move language, have been created and offer new capabilities and features, but at the same time, introducing new risk categories. Some examples are the capability leakage and witness pattern violations, which are invisible to traditional Ethereum-based security taxonomies, due to different infrastructure and programming models. Preventing such business vulnerabilities requires a proper formal modeling and verification of the intended business process within smart contracts, ensuring all possible interactions remain consistent with expected overall system behavior. This research addresses this problem by developing a formally grounded, ontology driven security analysis framework specifically for the Sui Move language, encoding the semantic relationships between Sui Move code constructs, security patterns, and vulnerability categories. To accomplish that, this thesis follows the Design Science Research (DSR) methodology, in order to bridge the gap between high-level architectural intent (the why) and low-level code defects (the how). The insights drawn from a systematic mapping study and a comparison of the Solidity and Sui Move programming languages are used for the creation of two artifacts: 1) a six-layer ontological framework for Sui Move and, 2) a Sui Move Analyzer. Regarding the ontological framework, grammar mapping, security classification, architectural patterns, and formal behavioral modeling have been included, in combination with the created Sui-Unified Weakness Classification (SUWC) taxonomy, which categorizes platform-specific defects into four groups, aligned with an integrated ontology’s library of four verified security design patterns. Regarding the second artifact, it has been developed in order to evaluate the ontology’s framework practical utility, employing a dual-pipeline architecture that combines traditional heuristic extraction with SPARQL-based ontological reasoning. By using this methodology, the analyzer can detect semantic-level risks, while at the same time, assists developers by suggesting automated, pattern-based remediations, which are grounded in established security paradigms. The evaluation of the artifacts follows the Framework for Evaluation in Design Science (FEDS), combining artificial summative evaluation through purpose-built contracts with known ground truth, and naturalistic summative evaluation through a real-world exploit reconstruction, in order to provide both internal and external validity. Across 14 Sui Move contracts, 42 test cases, and one exploit scenario, 13 quantitative metrics are used, covering correctness (precision, recall, F1-score), coverage (taxonomy and pattern completeness), and practical utility (false-positive rate, runtime performance). The validity of both artifacts is further assessed across five dimensions (instrument, technical, design, purpose, and generalization), confirming that the framework performs consistently across all targeted validity dimensions and meets the required rigor, in order to sufficiently close the DSR cycle.

Τα τελευταία χρόνια, οι Αποκεντρωμένες Εφαρμογές (Decentralized Applications - DApps) γνωρίζουν σημαντική ανάπτυξη, και η ικανότητά τους να διαχειρίζονται ψηφιακά περιουσιακά στοιχεία υψηλής αξίας έχει οδηγήσει σε σημαντική καινοτομία σε τομείς όπως η αποκεντρωμένη χρηματοοικονομική (Decentralized Finance - DeFi), η διακυβέρνηση (governance) και η διαχείριση της εφοδιαστικής αλυσίδας (supply chain management), με τη δημιουργία διαφόρων δικτύων blockchain για την κάλυψη της ζήτησης για τέτοιες υπηρεσίες. Παράλληλα, έχουν αναπτυχθεί διάφορες μεθοδολογίες για την προστασία αυτών των δικτύων από κακόβουλους παράγοντες (malicious actors) που επιχειρούν να εκμεταλλευτούν αδυναμίες (vulnerabilities) που υπάρχουν στα έξυπνα συμβόλαια (smart contracts) τα οποία εκτελούν μια προκαθορισμένη επιχειρηματική λογική (business logic), με σκοπό να κλέψουν μεγάλα χρηματικά ποσά μέσω αυτών. Αν και το οικοσύστημα του Ethereum επωφελείται από μια ώριμη σουίτα εργαλείων ασφαλείας, αυτά είναι κυρίως σχεδιασμένα για τον εντοπισμό συντακτικών αδυναμιών (syntactic vulnerabilities), παραλείποντας συχνά σφάλματα που προκύπτουν από την απόκλιση μεταξύ του επιδιωκόμενου σχεδιασμού ενός έξυπνου συμβολαίου και της υλοποίησής του στην αλυσίδα (on-chain implementation), επιτρέποντας έτσι στους επιτιθέμενους να χειραγωγήσουν τη λειτουργικότητα του συμβολαίου για κακόβουλο όφελος. Νέα δίκτυα blockchain και γλώσσες προγραμματισμού, όπως το δίκτυο Sui και η γλώσσα του Sui Move, έχουν δημιουργηθεί προσφέροντας νέες δυνατότητες και χαρακτηριστικά, αλλά ταυτόχρονα εισάγουν νέες κατηγορίες κινδύνου. Ορισμένα παραδείγματα είναι η διαρροή δυνατοτήτων (capability leakage) και οι παραβιάσεις του προτύπου μάρτυρα (witness pattern violations), οι οποίες είναι αόρατες στις παραδοσιακές ταξινομίες ασφαλείας που βασίζονται στο Ethereum, λόγω των διαφορετικών υποδομών και προγραμματιστικών μοντέλων. Η πρόληψη τέτοιων επιχειρηματικών αδυναμιών (business vulnerabilities) απαιτεί κατάλληλη τυπική μοντελοποίηση και επαλήθευση (formal modeling and verification) της επιδιωκόμενης επιχειρηματικής διαδικασίας εντός των έξυπνων συμβολαίων, διασφαλίζοντας ότι όλες οι πιθανές αλληλεπιδράσεις παραμένουν συνεπείς με την αναμενόμενη συνολική συμπεριφορά του συστήματος. Η παρούσα έρευνα αντιμετωπίζει αυτό το πρόβλημα αναπτύσσοντας ένα τυπικά θεμελιωμένο, καθοδηγούμενο από οντολογίες πλαίσιο ανάλυσης ασφάλειας (formally grounded, ontology-driven security analysis framework) ειδικά για τη γλώσσα Sui Move, κωδικοποιώντας τις σημασιολογικές σχέσεις μεταξύ των δομών κώδικα (code constructs) της Sui Move, των προτύπων ασφαλείας (security patterns) και των κατηγοριών αδυναμιών. Για την επίτευξη αυτού του στόχου, η παρούσα διατριβή ακολουθεί τη μεθοδολογία Design Science Research (DSR), προκειμένου να γεφυρώσει το χάσμα μεταξύ της αρχιτεκτονικής πρόθεσης υψηλού επιπέδου (το «γιατί» - the why) και των ελαττωμάτων κώδικα χαμηλού επιπέδου (το «πώς» - the how). Τα συμπεράσματα που προέκυψαν από μια συστηματική μελέτη χαρτογράφησης (systematic mapping study) και τη σύγκριση των γλωσσών προγραμματισμού Solidity και Sui Move χρησιμοποιούνται για τη δημιουργία δύο τεχνουργημάτων (artifacts): 1) ενός οντολογικού πλαισίου έξι επιπέδων (six-layer ontological framework) για τη Sui Move και 2) ενός εργαλείου ανάλυσης (Sui Move Analyzer). Όσον αφορά το οντολογικό πλαίσιο, περιλαμβάνονται η χαρτογράφηση γραμματικής (grammar mapping), η ταξινόμηση ασφαλείας, τα αρχιτεκτονικά πρότυπα και η τυπική μοντελοποίηση συμπεριφοράς (formal behavioral modeling), σε συνδυασμό με τη δημιουργηθείσα ταξινόμηση Sui-Unified Weakness Classification (SUWC), η οποία κατηγοριοποιεί τα ελαττώματα που σχετίζονται ειδικά με την πλατφόρμα (platform-specific defects) σε τέσσερις ομάδες, ευθυγραμμισμένες με μια βιβλιοθήκη τεσσάρων επαληθευμένων σχεδιαστικών προτύπων ασφαλείας (security design patterns) της ενσωματωμένης οντολογίας. Όσον αφορά το δεύτερο τεχνούργημα, αυτό αναπτύχθηκε για να αξιολογήσει την πρακτική χρησιμότητα του οντολογικού πλαισίου, χρησιμοποιώντας μια αρχιτεκτονική διπλής ροής (dual-pipeline architecture) που συνδυάζει την παραδοσιακή εξαγωγή ευρετικών κανόνων (heuristic extraction) με την οντολογική συλλογιστική που βασίζεται σε SPARQL (SPARQL-based ontological reasoning). Χρησιμοποιώντας αυτή τη μεθοδολογία, ο αναλυτής μπορεί να εντοπίσει κινδύνους σε σημασιολογικό επίπεδο (semantic-level risks), ενώ παράλληλα βοηθά τους προγραμματιστές προτείνοντας αυτοματοποιημένες αποκαταστάσεις βασισμένες σε πρότυπα (pattern-based remediations), οι οποίες βασίζονται σε καθιερωμένα παραδείγματα ασφάλειας (security paradigms). Η αξιολόγηση των τεχνουργημάτων ακολουθεί το Framework for Evaluation in Design Science (FEDS), συνδυάζοντας τεχνητή αθροιστική αξιολόγηση (artificial summative evaluation) μέσω ειδικά κατασκευασμένων συμβολαίων με γνωστή αντικειμενική αλήθεια (ground truth), και φυσιοκρατική αθροιστική αξιολόγηση (naturalistic summative evaluation) μέσω της ανακατασκευής μιας πραγματικής εκμετάλλευσης (exploit reconstruction), προκειμένου να διασφαλιστεί τόσο η εσωτερική όσο και η εξωτερική εγκυρότητα (internal and external validity). Σε 14 συμβόλαια Sui Move, 42 περιπτώσεις δοκιμών (test cases) και ένα σενάριο εκμετάλλευσης (exploit scenario), χρησιμοποιούνται 13 ποσοτικές μετρικές που καλύπτουν την ορθότητα (precision, recall, F1-score), την κάλυψη (taxonomy and pattern completeness) και την πρακτική χρησιμότητα (false-positive rate, runtime performance). Η εγκυρότητα και των δύο τεχνουργημάτων αξιολογείται επιπλέον σε πέντε διαστάσεις (μέσου, τεχνική, σχεδιασμού, σκοπού και γενίκευσης - instrument, technical, design, purpose, and generalization), επιβεβαιώνοντας ότι το πλαίσιο αποδίδει σταθερά σε όλες τις στοχευμένες διαστάσεις εγκυρότητας και πληροί την απαιτούμενη αυστηρότητα (rigor) για να κλείσει επαρκώς τον κύκλο DSR.