{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5296079"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5296079","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Domain Transfer via Decompilation: Enhancing Code LLMs’ Performance for Blockchain Applications","abstract":"Τα έξυπνα συμβόλαια (smart contracts) είναι προγράμματα που εκτελούνται αυτόνομα πάνω σε ένα blockchain. Στο σύνολο των ανεπτυγμένων έξυπνων συμβολαίων, η σημασιολογική αναζήτηση κώδικα και ο εντοπισμός ομοιότητας κώδικα έχουν αναδειχθεί σε ιδιαίτερα σημαντικές εργασίες, τόσο για εφαρμογές ασφάλειας όσο και για την παραγωγικότητα των προγραμματιστών. Τα Μεγάλα Γλωσσικά Μοντέλα για κώδικα (Code LLMs) έχουν δείξει εξαιρετικές προοπτικές σε αυτούς τους τομείς. Ωστόσο, το συγκεκριμένο περιβάλλον θέτει προκλήσεις που περιορίζουν τη χρησιμότητα τέτοιων μοντέλων. Η βασική δυσκολία είναι η πιθανή έλλειψη πηγαίου κώδικα υψηλού επιπέδου, καθώς το μοναδικό διαθέσιμο δεδομένο στο blockchain είναι ο bytecode χαμηλού επιπέδου για όλες τις ανεπτυγμένες εφαρμογές. Επιπλέον, γλώσσες ειδικές για blockchain, όπως η Solidity, υποεκπροσωπούνται σε επιμελημένα σύνολα δεδομένων (datasets) για την προ-εκπαίδευση δημοφιλών Code LLMs. Στην παρούσα εργασία παρουσιάζουμε το LiftLM, ένα σύστημα για αποτελεσματική ανάκτηση σημασιολογικά παρόμοιων συναρτήσεων έξυπνων συμβολαίων, το οποίο αξιοποιεί LLMs με ουσιαστική προσαρμογή στις ιδιαιτερότητες της αναπαράστασης και ανάκτησης κώδικα. Η προσέγγιση LiftLM περιλαμβάνει (1) τη δημιουργία ρεαλιστικών και υψηλής ποιότητας datasets για εκπαίδευση, αξιοποιώντας υπάρχοντα, μη πλήρη δεδομένα και (2) τη χρήση μιας κανονικοποιημένης, decompiled αναπαράστασης υψηλού επιπέδου του έξυπνου συμβολαίου ως είσοδο. Η αναπαράσταση αυτή επιτυγχάνει μια μορφή μεταφοράς domain στα δεδομένα μας, εκμεταλλευόμενη τη γνώση που έχει ήδη κωδικοποιηθεί στα προ-εκπαιδευμένα LLMs. Σε ελεγχόμενα πειράματα, το LiftLM επιτυγχάνει μετρικές συγκρίσιμες με εκείνες που προκύπτουν όταν υπάρχει πρόσβαση στον πηγαίο κώδικα (Accuracy 92 % έναντι 96 %, Recall 74 % έναντι 76 %), σημαντικά βελτιωμένες χάρη στην εκπαίδευση (Recall από 61 % σε 74 %) και πολύ ανώτερες από τη χρήση εισόδου χαμηλότερου επιπέδου (Recall μόλις 25 %).","abstract_html":"Τα έξυπνα συμβόλαια (smart contracts) είναι προγράμματα που εκτελούνται αυτόνομα πάνω σε ένα blockchain. Στο σύνολο των ανεπτυγμένων έξυπνων συμβολαίων, η σημασιολογική αναζήτηση κώδικα και ο εντοπισμός ομοιότητας κώδικα έχουν αναδειχθεί σε ιδιαίτερα σημαντικές εργασίες, τόσο για εφαρμογές ασφάλειας όσο και για την παραγωγικότητα των προγραμματιστών. Τα Μεγάλα Γλωσσικά Μοντέλα για κώδικα (Code LLMs) έχουν δείξει εξαιρετικές προοπτικές σε αυτούς τους τομείς. Ωστόσο, το συγκεκριμένο περιβάλλον θέτει προκλήσεις που περιορίζουν τη χρησιμότητα τέτοιων μοντέλων. Η βασική δυσκολία είναι η πιθανή έλλειψη πηγαίου κώδικα υψηλού επιπέδου, καθώς το μοναδικό διαθέσιμο δεδομένο στο blockchain είναι ο bytecode χαμηλού επιπέδου για όλες τις ανεπτυγμένες εφαρμογές. Επιπλέον, γλώσσες ειδικές για blockchain, όπως η Solidity, υποεκπροσωπούνται σε επιμελημένα σύνολα δεδομένων (datasets) για την προ-εκπαίδευση δημοφιλών Code LLMs. Στην παρούσα εργασία παρουσιάζουμε το LiftLM, ένα σύστημα για αποτελεσματική ανάκτηση σημασιολογικά παρόμοιων συναρτήσεων έξυπνων συμβολαίων, το οποίο αξιοποιεί LLMs με ουσιαστική προσαρμογή στις ιδιαιτερότητες της αναπαράστασης και ανάκτησης κώδικα. Η προσέγγιση LiftLM περιλαμβάνει (1) τη δημιουργία ρεαλιστικών και υψηλής ποιότητας datasets για εκπαίδευση, αξιοποιώντας υπάρχοντα, μη πλήρη δεδομένα και (2) τη χρήση μιας κανονικοποιημένης, decompiled αναπαράστασης υψηλού επιπέδου του έξυπνου συμβολαίου ως είσοδο. Η αναπαράσταση αυτή επιτυγχάνει μια μορφή μεταφοράς domain στα δεδομένα μας, εκμεταλλευόμενη τη γνώση που έχει ήδη κωδικοποιηθεί στα προ-εκπαιδευμένα LLMs. Σε ελεγχόμενα πειράματα, το LiftLM επιτυγχάνει μετρικές συγκρίσιμες με εκείνες που προκύπτουν όταν υπάρχει πρόσβαση στον πηγαίο κώδικα (Accuracy 92 % έναντι 96 %, Recall 74 % έναντι 76 %), σημαντικά βελτιωμένες χάρη στην εκπαίδευση (Recall από 61 % σε 74 %) και πολύ ανώτερες από τη χρήση εισόδου χαμηλότερου επιπέδου (Recall μόλις 25 %).","abstract_has_math":false,"creators":["Γκιόκα Μαρκέλλα","Gkioka Markella"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:32:58Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5296079"],"render_values":[{"text":"uoadl:5296079","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5296079","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5296079","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5296079","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γκιόκα Μαρκέλλα","Gkioka Markella"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5296079","https://pergamos.lib.uoa.gr/uoa/dl/object/5296079"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα έξυπνα συμβόλαια (smart contracts) είναι προγράμματα που εκτελούνται αυτόνομα πάνω σε ένα blockchain. Στο σύνολο των ανεπτυγμένων έξυπνων συμβολαίων, η σημασιολογική αναζήτηση κώδικα και ο εντοπισμός ομοιότητας κώδικα έχουν αναδειχθεί σε ιδιαίτερα σημαντικές εργασίες, τόσο για εφαρμογές ασφάλειας όσο και για την παραγωγικότητα των προγραμματιστών. Τα Μεγάλα Γλωσσικά Μοντέλα για κώδικα (Code LLMs) έχουν δείξει εξαιρετικές προοπτικές σε αυτούς τους τομείς. Ωστόσο, το συγκεκριμένο περιβάλλον θέτει προκλήσεις που περιορίζουν τη χρησιμότητα τέτοιων μοντέλων. Η βασική δυσκολία είναι η πιθανή έλλειψη πηγαίου κώδικα υψηλού επιπέδου, καθώς το μοναδικό διαθέσιμο δεδομένο στο blockchain είναι ο bytecode χαμηλού επιπέδου για όλες τις ανεπτυγμένες εφαρμογές. Επιπλέον, γλώσσες ειδικές για blockchain, όπως η Solidity, υποεκπροσωπούνται σε επιμελημένα σύνολα δεδομένων (datasets) για την προ-εκπαίδευση δημοφιλών Code LLMs. Στην παρούσα εργασία παρουσιάζουμε το LiftLM, ένα σύστημα για αποτελεσματική ανάκτηση σημασιολογικά παρόμοιων συναρτήσεων έξυπνων συμβολαίων, το οποίο αξιοποιεί LLMs με ουσιαστική προσαρμογή στις ιδιαιτερότητες της αναπαράστασης και ανάκτησης κώδικα. Η προσέγγιση LiftLM περιλαμβάνει (1) τη δημιουργία ρεαλιστικών και υψηλής ποιότητας datasets για εκπαίδευση, αξιοποιώντας υπάρχοντα, μη πλήρη δεδομένα και (2) τη χρήση μιας κανονικοποιημένης, decompiled αναπαράστασης υψηλού επιπέδου του έξυπνου συμβολαίου ως είσοδο. Η αναπαράσταση αυτή επιτυγχάνει μια μορφή μεταφοράς domain στα δεδομένα μας, εκμεταλλευόμενη τη γνώση που έχει ήδη κωδικοποιηθεί στα προ-εκπαιδευμένα LLMs. Σε ελεγχόμενα πειράματα, το LiftLM επιτυγχάνει μετρικές συγκρίσιμες με εκείνες που προκύπτουν όταν υπάρχει πρόσβαση στον πηγαίο κώδικα (Accuracy 92 % έναντι 96 %, Recall 74 % έναντι 76 %), σημαντικά βελτιωμένες χάρη στην εκπαίδευση (Recall από 61 % σε 74 %) και πολύ ανώτερες από τη χρήση εισόδου χαμηλότερου επιπέδου (Recall μόλις 25 %).","Smart contracts are programs operating autonomously on a blockchain. Over the universe of deployed smart contracts, semantic code search and code similarity have emerged as increasingly important tasks, both for security applications and for developer productivity. Code LLMs have shown tremendous promise in these tasks. However, the context poses some challenges that limit the applicability of such models. The main challenge is the possible lack of high-level source code, given that low-level bytecode is the only data available on-chain for all deployed applications. Additionally, blockchain-specific languages, such as Solidity, are largerly underepresented in curated datasets for code tasks and in popular Code LLMs’ pre-training. In this work, we present LiftLM, a system for effective retrieval of semantically similar smart contract functions, leveraging LLMs, yet with significant adaptation, tailored to the nuances of code representation and retrieval. The LiftLM approach consists of 1) creating high-quality and realistic training datasets by leveraging existing, incomplete data; and 2) leveraging a high-level, normalized decompiled representation of the smart contract as input. Using a normalized decompiled representation achieves a form of domain transfer to our data, capitalizing on the pre-trained LLMs’ encoded knowledge. In controlled experiments, LiftLM achieves metrics close to having access to source code (Accuracy 92% vs. 96%, Recall 74% vs 76%), greatly improved by the training (Recall taken from 61% to 74%), and much higher than the straightforward use of lower-level input (which achieves Recall of only 25%)."]},{"key":"dc:title","label":"Title","values":["Domain Transfer via Decompilation: Enhancing Code LLMs’ Performance for Blockchain Applications"]}]}],"canonical_facts":{"dc:creator":["Γκιόκα Μαρκέλλα","Gkioka Markella"],"dc:date":["2025"],"dc:description":["Τα έξυπνα συμβόλαια (smart contracts) είναι προγράμματα που εκτελούνται αυτόνομα πάνω σε ένα blockchain. Στο σύνολο των ανεπτυγμένων έξυπνων συμβολαίων, η σημασιολογική αναζήτηση κώδικα και ο εντοπισμός ομοιότητας κώδικα έχουν αναδειχθεί σε ιδιαίτερα σημαντικές εργασίες, τόσο για εφαρμογές ασφάλειας όσο και για την παραγωγικότητα των προγραμματιστών. Τα Μεγάλα Γλωσσικά Μοντέλα για κώδικα (Code LLMs) έχουν δείξει εξαιρετικές προοπτικές σε αυτούς τους τομείς. Ωστόσο, το συγκεκριμένο περιβάλλον θέτει προκλήσεις που περιορίζουν τη χρησιμότητα τέτοιων μοντέλων. Η βασική δυσκολία είναι η πιθανή έλλειψη πηγαίου κώδικα υψηλού επιπέδου, καθώς το μοναδικό διαθέσιμο δεδομένο στο blockchain είναι ο bytecode χαμηλού επιπέδου για όλες τις ανεπτυγμένες εφαρμογές. Επιπλέον, γλώσσες ειδικές για blockchain, όπως η Solidity, υποεκπροσωπούνται σε επιμελημένα σύνολα δεδομένων (datasets) για την προ-εκπαίδευση δημοφιλών Code LLMs. Στην παρούσα εργασία παρουσιάζουμε το LiftLM, ένα σύστημα για αποτελεσματική ανάκτηση σημασιολογικά παρόμοιων συναρτήσεων έξυπνων συμβολαίων, το οποίο αξιοποιεί LLMs με ουσιαστική προσαρμογή στις ιδιαιτερότητες της αναπαράστασης και ανάκτησης κώδικα. Η προσέγγιση LiftLM περιλαμβάνει (1) τη δημιουργία ρεαλιστικών και υψηλής ποιότητας datasets για εκπαίδευση, αξιοποιώντας υπάρχοντα, μη πλήρη δεδομένα και (2) τη χρήση μιας κανονικοποιημένης, decompiled αναπαράστασης υψηλού επιπέδου του έξυπνου συμβολαίου ως είσοδο. Η αναπαράσταση αυτή επιτυγχάνει μια μορφή μεταφοράς domain στα δεδομένα μας, εκμεταλλευόμενη τη γνώση που έχει ήδη κωδικοποιηθεί στα προ-εκπαιδευμένα LLMs. Σε ελεγχόμενα πειράματα, το LiftLM επιτυγχάνει μετρικές συγκρίσιμες με εκείνες που προκύπτουν όταν υπάρχει πρόσβαση στον πηγαίο κώδικα (Accuracy 92 % έναντι 96 %, Recall 74 % έναντι 76 %), σημαντικά βελτιωμένες χάρη στην εκπαίδευση (Recall από 61 % σε 74 %) και πολύ ανώτερες από τη χρήση εισόδου χαμηλότερου επιπέδου (Recall μόλις 25 %).","Smart contracts are programs operating autonomously on a blockchain. Over the universe of deployed smart contracts, semantic code search and code similarity have emerged as increasingly important tasks, both for security applications and for developer productivity. Code LLMs have shown tremendous promise in these tasks. However, the context poses some challenges that limit the applicability of such models. The main challenge is the possible lack of high-level source code, given that low-level bytecode is the only data available on-chain for all deployed applications. Additionally, blockchain-specific languages, such as Solidity, are largerly underepresented in curated datasets for code tasks and in popular Code LLMs’ pre-training. In this work, we present LiftLM, a system for effective retrieval of semantically similar smart contract functions, leveraging LLMs, yet with significant adaptation, tailored to the nuances of code representation and retrieval. The LiftLM approach consists of 1) creating high-quality and realistic training datasets by leveraging existing, incomplete data; and 2) leveraging a high-level, normalized decompiled representation of the smart contract as input. Using a normalized decompiled representation achieves a form of domain transfer to our data, capitalizing on the pre-trained LLMs’ encoded knowledge. In controlled experiments, LiftLM achieves metrics close to having access to source code (Accuracy 92% vs. 96%, Recall 74% vs 76%), greatly improved by the training (Recall taken from 61% to 74%), and much higher than the straightforward use of lower-level input (which achieves Recall of only 25%)."],"dc:identifier":["uoadl:5296079","https://pergamos.lib.uoa.gr/uoa/dl/object/5296079"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Domain Transfer via Decompilation: Enhancing Code LLMs’ Performance for Blockchain Applications"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:58Z"}