该论文关注 The Open Network (TON) 区块链上的智能合约安全。TON 峰值市值超过 200 亿美元，已有超过 1.75 亿个激活链上地址，其合约由 TVM（TON 虚拟机）执行。TVM 的一大特点是使用一等续体（first-class continuation）配合 savelist 来管理控制流与寄存器状态：savelist 会捕获寄存器，使得数据可以跨续体边界流动而无需经过操作数栈。这导致传统的字节码级分析无法构建完整的数据流跟踪，除非显式建模 savelist 语义。作者提出 TasmScan，据称是首个面向 TVM 的字节码级静态分析框架，能够在不依赖源码的情况下进行跨续体数据流推理。其核心方法包括：通过前向寄存器分析建模 savelist 语义，对精确解析的 save 站点和本地跟踪的寄存器定义给出形式化过近似保证；随后将字节码提升为类型化中间表示 TASIR，并在其上执行路径敏感的污点分析，配合上下文感知的污点源来检测缺陷。评估使用来自 TON verifier registry 的 2921 个合约，以及一个由 208 个合约组成、带人工确认 ground truth 的标注基准。在全量语料上，TasmScan 解析了 294,546 个动态续体目标，精度达 100%；消融实验证实 savelist 传播对于解析依赖跨续体寄存器传递的间接寄存器调用不可或缺。在标注基准上，TasmScan 对五类缺陷的检出率为 95.3%，精度 96.8%；从全量语料中分层抽取 366 对样本估计整体精度为 85.8%。性能上，相较当前最优的符号执行基线取得 17 倍中位加速，且在路径分析对比中 100% 完成分析，无崩溃、无超时。

该实证研究聚焦于 Python 字节码作为安全工件的风险，揭示了当前 Python 包安全机制主要依赖源代码检查，但 Python 运行时可直接执行 .pyc 文件、编译模块和序列化后的代码对象，造成检查与执行之间的差距。研究者收集了 1,034,843 个 PyPI 制品，识别出 7,388 个包含字节码的制品，涉及 228,578 个 .pyc 文件，其中 28,193 个为制品内无对应源代码的字节码文件。针对现代 CPython 3.8-3.14 字节码，至少一个反编译器能够为 204,901/204,904 个文件生成源代码，但这仅代表发射成功，而非验证功能等同。工具鲁棒性方面，PyPI 实际字节码可触发反编译器的托管异常和超时，而对抗性变异字节码更可导致反编译器进程崩溃，共观察到 17 种不同鲁棒性特征。模糊测试产生 1,009 个堆栈去重后的运行时发现，以指针解引用为主；其中 261 组具有潜在内存破坏特征，至少 91.7% 的组能执行到超出文档声明的不安全摄入边界之外。这些发现均无法从普通 Python 源码复现，表明字节码行为可独立于源代码。结论强调，字节码是生态系统中显眼的、可分析的、与安全相关的解释器输入，其行为可能偏离源代码语义，安全审查必须将其纳入考量。