Aether v6.0 — Framework zur Sicherheitsanalyse von Smart Contracts

Version 6.0 | Neuerungen in v6.0 | Changelog

Aether ist ein auf Python basierendes Framework zur Analyse von Solidity-Smart-Contracts, zur Erzeugung von Schwachstellenbefunden, zur Erstellung von Foundry-basierten Proof-of-Concept-Tests (PoC) und zur Validierung von Exploits auf Mainnet-Forks. Es vereint Solidity-AST-Parsing, Taint-Analyse, Kontrollflussgraphen-Analyse, Cross-Contract-Analyse, symbolische Ausführung mit Halmos, 180+ musterbasierte statische Detektoren, eine kollaborative Multi-Agent-LLM-Pipeline (GPT/Gemini/Claude) mit gemeinsam genutztem SAGE-Institutionsgedächtnis, 14 Protokoll-Archetypen, eine Wissensbasis mit über 75 Exploits, ML-kalibrierte Erkennung, Erkennung von Token-Eigenheiten, Invariantenextraktion, Auflösung des Kontexts verwandter Verträge und erweitertes kontextbewusstes Filtern zu einer einzigen persistenten Vollbild-TUI.

Neuerungen in v6.0

Kollaborative Agenten-Pipeline — Die Deep-Analyse-Pipeline wandelt sich von 5 unabhängigen Durchläufen zu 5 kollaborativen Agenten, die strukturiertes Wissen über das institutionelle SAGE-Gedächtnis austauschen:

Gemeinsamer Sitzungsspeicher — Jeder Durchlauf speichert Befunde, Verwerfungen und verifizierte Schutzmaßnahmen in einer SAGE-Sitzung pro Audit. Spätere Durchläufe erhalten "Prior Pass Intelligence" anstelle von flachen Textzusammenfassungen.
Verwerfungen als erstklassige Datensätze — Wenn Pass 3 ein Bedenken verwirft (z. B. "Reentrancy durch nonReentrant-Modifikator geschützt"), wird Pass 5 es nicht erneut kennzeichnen. Dadurch wird die Quelle Nr. 1 für doppelte Befunde direkt beseitigt.
Herausforderungsmechanismus — Spätere Durchläufe können frühere Verwerfungen überstimmen, müssen jedoch NEUE Beweise liefern. "Pass 3 hat den Callback-Pfad durch diese andere Funktion nicht gesehen" ist gültig. "Ich bin anderer Meinung" gilt nicht.
Pass-übergreifende Bestätigung — Wenn mehrere Durchläufe einen Befund unabhängig voneinander bestätigen, erhält die Konfidenz eine Steigerung von 15 %. Pass-übergreifend bestätigte Befunde werden in Berichten priorisiert.
SAGE erforderlich — Das institutionelle Gedächtnis ist jetzt erforderlich, nicht optional. Kein SAGE = kein Audit. Führen Sie docker compose up -d aus, um zu starten.

Neuerungen in v5.0

SAGE-Institutionsgedächtnis — Aether lernt jetzt aus jedem Audit, reduziert False Positives und verbessert die Befundqualität im Laufe der Zeit:

Vortrainierte Wissensbasis — Wird mit 170 institutionellen Erinnerungen ausgeliefert: 75 Exploit-Muster, 63 Checklisten zu Protokoll-Archetypen, 12 Kategorien für Token-Eigenheiten, 20 kuratierte historische Exploits (DAO, Wormhole, Euler, Ronin, Curve und weitere)
Pipeline-Integration — SAGE ruft historische Befunde und Exploit-Muster in den Deep-Analyse-Passes 3 und 5 ab; speichert Audit-Erkenntnisse nach der Pipeline für den zukünftigen Abruf
Feedback-Schleife — Bestätigte Befunde werden als Fakten mit hoher Konfidenz gespeichert; abgelehnte Befunde (False Positives) werden gespeichert, damit zukünftige Audits sie vermeiden. Ergebnisse des AccuracyTracker fließen automatisch in SAGE ein
Validierungspipeline — Neue Stufe -1: Die SAGE-Bekannte-FP-Prüfung filtert Befunde, die zuvor abgelehnten Mustern entsprechen, bevor eine andere Validierung ausgeführt wird
Detektor-Genauigkeitssynchronisierung — SageFeedbackManager.sync_detector_accuracy() identifiziert Detektoren mit hoher/niedriger Leistung und speichert Dos-and-Don'ts-Reflexionen
Automatisches Seeding beim Start — Der erste Start mit laufendem SAGE-Docker initialisiert die vortrainierte Wissensbasis automatisch. Versionsbewusst: überspringt das Seeding, wenn bereits durchgeführt
TUI-Integration — SAGE-ON/OFF-Status mit Speicheranzahl, die in der CostBar angezeigt wird
Docker-Bereitstellung — docker compose up -d startet SAGE; Konfiguration über sage_enabled/sage_url in ~/.aether/config.yaml
Sanfte Degradation — Wenn SAGE nicht verfügbar ist, wird die Audit-Funktionalität niemals beeinträchtigt

Mitwirkende: Dank an @sashavdv für die Behebung hartcodierter Pfadvariablen (PR #1) und an @pro258b für das Identifizieren der fehlenden Methode validate_anthropic_key() (PR #2).

SAGE-Schnellstart

SAGE ist ein persistentes institutionelles Gedächtnissystem, das auf BFT-Konsens basiert. Die vollständige Dokumentation finden Sie im SAGE-Projekt.```bash

Install SAGE Python SDK

pip install sage-agent-sdk

Start SAGE (Docker required)

docker compose up -d

Run Aether — SAGE auto-seeds on first launch

python aether.py

Regenerate seed fixtures after updating knowledge bases (dev only)

python -c "from core.sage_seeder import SageSeeder; SageSeeder.generate_seed_fixtures()"

### Wie SAGE Audits verbessert```
Audit 1 → Findings + FPs → Record outcomes in SAGE
                                    ↓
Audit 2 → SAGE recalls FP patterns → Fewer false positives
                                    ↓
Audit 3 → Richer institutional context → Better severity calibration
                                    ↓
Audit N → Institutional expert-level knowledge → Bug-bounty-quality findings

Neuerungen in v4.7

Automatische PoC-Ausführung — Generierte Foundry-PoCs werden jetzt automatisch kompiliert und ausgeführt:

Die forge test --json-Integration führt PoCs unmittelbar nach der Kompilierung aus
JSON-Ergebnisanalyse mit der PoCTestResult-Dataclass für strukturierte Erfolgs-/Fehler-/Fehlermeldungen
Fork-Modus-Unterstützung zur Mainnet-Validierung von Exploits gegen den Live-Zustand
Neue POC_TESTING-Phase im JobManager für die Live-Fortschrittsverfolgung in der TUI

Symbolische Ausführung mit Halmos — Formale Verifikation mittels symbolischer Ausführung:

HalmosRunner zur Ausführung von Halmos-Symboltests gegen generierte Eigenschaften
HalmosPropertyGenerator zur automatischen Generierung von Verifikationseigenschaften aus extrahierten Invarianten
HalmosSymbolicNode-Pipelineknoten integriert in Validierungsstufe 1.95
Konfigurationsoptionen: enable_symbolic_verification, halmos_timeout
Fällt elegant zurück, wenn Halmos nicht installiert ist – die symbolische Verifikation wird ohne Fehler übersprungen

Kontrollflussgraphen-Analyse — Kontrollflussverständnis auf Compiler-Ebene:

BasicBlock-, CFGEdge- und ControlFlowGraph-Dataclasses in solidity_ast.py
build_cfg(), get_dominators(), get_loop_headers(), format_cfg_for_llm() für die Strukturanalyse
Assembly-Block-Parsing über parse_assembly_block() zur Unterstützung von Inline-Assembly
Verzweigungsbewusste Taint-Ausbreitung im Taint-Analyzer für pfadsensitive Analyse
CFG-Kontext wird zusammen mit Taint-Daten in die Pass-2-Analyse der Tiefenanalyse injiziert

ML-Feedback-Schleife — Kalibrierung auf Basis historischer Ergebnisse:

AccuracyTracker.record_finding_outcome() zur Verfolgung von Submission-Ergebnissen und Bounty-Einnahmen
get_detector_accuracy() und get_detector_weights() für detektorspezifische Leistungsstatistiken
DetectorStats-Dataclass zur Verfolgung von True/False Positives und der historischen Genauigkeit
Anpassung der Konfidenzgewichte im EnhancedVulnerabilityDetector basierend auf der Erfolgsbilanz des Detektors
In die Pass-5-Analyse der Tiefenanalyse fließt eine Schweregradkalibrierung aus historischen Daten ein

Kontext verwandter Verträge — Die LLM-Analyse sieht jetzt den vollständigen Quellcode der Abhängigkeiten:

aether

Beliebteste