论文地址：Self-Supervised Learning of Smart Contract Representations
SRCL：全局+局部学习，代码增强和自监督
Abstract
为了处理智能合约数据稀少，同质化问题，提出了SRCL自监督学习智能合约表征，通过局部和全局信息自动提取AST结构，然后两个判别器指导transformer编码器学习局部和全局语义特征
Introduction
与其他程序比，智能合约更不能容忍错误，“code is law”，合约一旦发布就不能修改，因为如果有修改或Bug就会导致区块链很多钱的损失
同时，智能合约数据高度同质和冗余，开发者倾向于复制现有代码而不是冒着风险从零开始写，有26%代码块是克隆了14.6次，只有20.8%的代码是原生的
基于增强的代码变体，SRCL有三部分：局部判别器，全局判别器，解码器
主要贡献：
- 通过三个自监督任务学习智能合约表示
- 三个操作生成代码变体：类型替换，值替换，对插入
- 提出了智能合约在克隆检测和克隆聚类的数据集
Approach
Constructing Structural Sequences
把每个智能合约转化为两个序列，通过先序遍历得到AST类别序列和AST值序列，没有值就硬填充
Generating Code Variants
维护一个类别词元和值词元的key-value分布M，样本是<T, V>，类别序列和值序列，然后执行类别替换（TR），值替换（VR）和对插入（PI，随机从M中再找一个对插到随机位置）
假设这样可以增加噪音的同时维持原有语义信息
Representation Learning
Global Discriminator
全局判别器执行的是真假样本预测任务，是一个分类任务。正样本是原样本和VR，负样本是TR和PI
Local Discriminator
局部判别器执行的是词元替换预测任务，预测词元是否经过增强被替换
Experiment
