该论文针对以太坊非同质化代币（NFT）智能合约中的漏洞检测问题，提出了一种结合漏洞导向代码切片、ERC-721 知识库和受限大语言模型（DeepSeek）分析的方法。研究背景是：现有静态分析工具（如 Slither、Mythril）基于规则高效，但难以处理特定应用逻辑；而自由形式的大模型分析可能被无关代码干扰或输出不一致。作者通过正则表达式模式定位重入、整数溢出/下溢和时间戳依赖等漏洞的候选语句，利用结构感知的上下文窗口算法提取带行号的代码切片，然后让 DeepSeek 基于显式决策规则和固定输出模式分析每个切片，最后支持自动批量处理。在 450 个 NFT 合约样本上，完整配置产生了 437 个阳性标签（阳性率 97.1%）；去除外部知识库后阳性率降至 87.11%；分析完整合约（无知识库）则降至 73.78%。实验表明，聚焦的代码上下文和领域约束显著影响检测器的输出效果。该方法为智能合约漏洞检测提供了一种结合专家知识与大模型能力的新范式，适用于安全审计人员和研究机构。

该论文首次系统性地研究了非同质化代币（NFT）生态系统的市场动态与安全威胁。NFT 作为数字艺术收藏品和投资工具，在过去一年经历了交易量激增和高价值资产销售的爆发式增长，但其市场基础设施和智能合约的安全性尚未得到充分关注。现有的学术工作主要集中于去中心化金融（DeFi）协议的攻击检测和智能合约漏洞自动化挖掘。作者通过分析多个 NFT 交易平台（如 OpenSea、Rarible 等）的历史交易数据、智能合约代码以及链上交互记录，识别出三类安全风险：1）市场层面的操纵行为（如 wash trading、虚假流动性）；2）NFT 智能合约自身的漏洞（如重入攻击、权限控制缺陷）；3）用户资产保护不足（如钓鱼攻击、元数据篡改）。论文还构建了自动化分析框架，用于检测异常交易模式和合约风险。实验表明，约 5% 的 NFT 集合存在至少一种已知类型的漏洞，且顶级市场中有超过 10% 的交易可能存在洗盘交易迹象。该研究填补了 NFT 安全领域系统性分析的空白，为后续安全审计、监管政策制定提供了基础数据和方法论。适合区块链安全研究者、NFT 平台开发者以及相关监管机构阅读。