该论文提出了 DeFiScreener，一种基于历史攻击案例匹配的高效 DeFi 攻击预筛查框架。背景：截至 2026 年 1 月，已有超过 5,200 个 DeFi 项目部署在主流区块链上，但现有检测工具通常仅覆盖特定攻击类型，检测覆盖范围严重不足。核心观察：作者发现一种称为“危险时间不对称”的现象，即攻击者在时间上倾向于利用某些特定函数调用模式。基于此，DeFiScreener 通过以下步骤实现预筛查：首先，从目标项目的完整源代码中构建函数调用树（FCT），并使用大语言模型（LLM）为每个函数生成语义嵌入，融合程序结构和函数意图。然后，实施双层筛查：函数层将函数嵌入与历史攻击函数库中的攻击模式进行匹配；序列层利用提出的基于攻击模式的蒙特卡洛树搜索（APO-MCTS）高效探索 FCT，筛选出易受攻击的调用序列。最后，将候选结果传送给 LLM 进行进一步解释和安全分析。实验基于 207 个真实世界 DeFi 攻击事件的数据集，结果显示 DeFiScreener 在攻击预筛查中达到了 98.55% 的召回率和 84.30% 的精确率。该方法显著扩展了检测覆盖范围，为 DeFi 智能合约的自动化安全审计提供了新的思路。