随着智能合约愈加广泛的应用,以太坊等区块链系统中出现了大量的庞氏骗局、蜜罐骗局等利用恶意智能合约实现的欺诈活动。基于神经网络智能合约源代码分类工具容易受到对抗样本攻击的欺骗,恶意智能合约创建者可能会通过对抗样本的方式来规避检测。现有的代码对抗样本生成技术可以使用替换一个或多个变量名的方式来让特定模型产生错误的分类结果,但是这些方法没有考虑如何在修改变量名以添加扰动时,降低扰动隐蔽性的问题。特别是对于恶意智能合约来说,潜在受害者会仔细阅读合约的源代码内容,存在研究高隐蔽性的对抗样本生成方法的需求。针对上述问题,从潜在攻击者的角度出发,对生成高隐蔽性的智能合约对抗样本进行了以下几点研究:（1）在从词汇库中选择一个新变量名替换原变量名时,提出通过权重引导的方式来增加选择与原变量名词性较为接近的新变量名的概率,使用word2vec生成所有词汇表中变量名对应的词向量,使用SVM找到将词向量划分成来自于恶意智能合约和来自于非恶意智能合约两类的超平面,计算出各个词向量到此超平面的距离,以生成恶意性权重向量,并在梯度下降寻找扰动添加方法的过程中使用其进行引导,使得新变量名隐蔽性增加,减小被发现的可能性;（2）在替换多个变量名以生成对抗样本时,提出使用平衡因子来将新旧变量名的词性距离平均值与方差引入优化函数,并设置了一个掩码来保障在任何局部不会出现过大的扰动密度,使得在生成对抗样本的同时平衡攻击成功率与添加的扰动的大小与稀疏性。将上述高隐蔽性的对抗样本生成方法用于攻击现有的智能合约分类模型的实验结果表明,在替换一处变量名以生成对抗样本的场景下,上述方法生成的智能合约对抗样本的隐蔽性优于直接使用原有方法生成的对抗样本,且攻击成功率没有明显的降低。在替换多处变量名以生成对抗样本的场景下,新提出的方法攻击成功率略低于原有方法,但是在新变量名词性的隐蔽性上和扰动位点的稀疏性上都优于原有方法。