Aether v6.0 — Marco de análisis de seguridad de contratos inteligentes

Versión 6.0 | Novedades en v6.0 | Registro de cambios

Aether es un marco basado en Python para analizar contratos inteligentes Solidity, generar hallazgos de vulnerabilidades, producir pruebas de concepto (PoC) basadas en Foundry y validar explotaciones en forks de mainnet. Combina análisis de AST de Solidity, análisis de flujo de datos (taint analysis), análisis de grafos de flujo de control, análisis entre contratos, ejecución simbólica con Halmos, más de 180 detectores estáticos basados en patrones, un pipeline colaborativo multi-agente LLM (GPT/Gemini/Claude) con memoria institucional SAGE compartida, 14 arquetipos de protocolos, una base de conocimiento de más de 75 explotaciones, detección calibrada con ML, detección de peculiaridades de tokens, extracción de invariantes, resolución de contexto de contratos relacionados y filtrado avanzado sensible al contexto, todo en una única TUI persistente de pantalla completa.

Novedades en v6.0

Pipeline de agentes colaborativos — El pipeline de análisis profundo pasa de 5 ejecuciones independientes a 5 agentes colaborativos que comparten conocimiento estructurado a través de la memoria institucional SAGE:

• Memoria de sesión compartida — Cada ejecución almacena hallazgos, descartes y protecciones verificadas en una sesión SAGE por auditoría. Las ejecuciones posteriores reciben "Inteligencia de Ejecuciones Previas" en lugar de resúmenes de texto planos.
• Descartes como registros de primera clase — Cuando la Ejecución 3 descarta una preocupación (p. ej., "reentrancy protegida por el modificador nonReentrant"), la Ejecución 5 no la volverá a marcar. Esto elimina directamente la fuente #1 de hallazgos duplicados.
• Mecanismo de desafío — Las ejecuciones posteriores pueden anular descartes previos, pero deben aportar NUEVAS evidencias. "La Ejecución 3 no vio la ruta de callback a través de esta otra función" es válido. "No estoy de acuerdo" no lo es.
• Confirmación entre ejecuciones — Cuando varias ejecuciones confirman un hallazgo de forma independiente, la confianza recibe un impulso del 15%. Los hallazgos confirmados entre ejecuciones se priorizan en los informes.
• SAGE obligatorio — La memoria institucional ahora es obligatoria, no opcional. Sin SAGE = sin auditoría. Ejecute docker compose up -d para iniciarlo.

---

Novedades en v5.0

Memoria institucional SAGE — Aether ahora aprende de cada auditoría, reduciendo falsos positivos y mejorando la calidad de los hallazgos con el tiempo:

• Base de conocimiento preentrenada — Incluye 170 memorias institucionales: 75 patrones de explotación, 63 listas de verificación de arquetipos de protocolos, 12 categorías de peculiaridades de tokens, 20 explotaciones históricas seleccionadas (DAO, Wormhole, Euler, Ronin, Curve y más)
• Integración en el pipeline — SAGE recuerda hallazgos históricos y patrones de explotación en las Ejecuciones 3 y 5 del análisis profundo; almacena aprendizajes de auditorías después del pipeline para su recuperación futura
• Bucle de retroalimentación — Los hallazgos confirmados se almacenan como hechos de alta confianza; los hallazgos rechazados (falsos positivos) se almacenan para que futuras auditorías los eviten. Los resultados de AccuracyTracker alimentan automáticamente a SAGE
• Pipeline de validación — Nueva Etapa -1: la verificación de FP conocidos de SAGE filtra hallazgos que coinciden con patrones previamente rechazados antes de que se ejecute cualquier otra validación
• Sincronización de precisión de detectores — SageFeedbackManager.sync_detector_accuracy() identifica detectores de alto/bajo rendimiento y almacena reflexiones de hacer/no hacer
• Auto-siembra al iniciar — El primer lanzamiento con Docker de SAGE en ejecución siembra automáticamente la base de conocimiento preentrenada. Consciente de versiones: omite si ya está sembrada
• Integración TUI — Estado SAGE ON/OFF con recuento de memoria mostrado en la CostBar
• Despliegue con Docker — docker compose up -d inicia SAGE; configuración mediante sage_enabled/sage_url en ~/.aether/config.yaml
• Degradación elegante — La indisponibilidad de SAGE nunca rompe ninguna funcionalidad de auditoría

Colaboradores: Gracias a @sashavdv por corregir variables de ruta codificadas (PR #1) y a @pro258b por identificar el método faltante validate_anthropic_key() (PR #2).

Inicio rápido de SAGE

SAGE es un sistema de memoria institucional persistente impulsado por consenso BFT. Consulte el proyecto SAGE para obtener documentación completa.```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()"

### Cómo SAGE mejora las auditorías```
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

---

Novedades en v4.7

Ejecución automática de PoC — Los PoC de Foundry generados ahora se compilan y ejecutan automáticamente:

• La integración con forge test --json ejecuta los PoC inmediatamente después de la compilación
• Análisis de resultados JSON con el dataclass PoCTestResult para informes estructurados de aprobado/fallo/error
• Soporte de modo fork para validar exploits en mainnet contra el estado en vivo
• Nueva fase POC_TESTING en JobManager para el seguimiento en vivo del progreso en la TUI

Ejecución simbólica de Halmos — Verificación formal mediante ejecución simbólica:

• HalmosRunner para ejecutar pruebas simbólicas de Halmos contra las propiedades generadas
• HalmosPropertyGenerator para auto-generar propiedades de verificación a partir de invariantes extraídas
• Nodo de pipeline HalmosSymbolicNode integrado en la Etapa 1.95 de validación
• Opciones de configuración: enable_symbolic_verification, halmos_timeout
• Degradación elegante si Halmos no está instalado: omite la verificación simbólica sin errores

Análisis de grafo de flujo de control — Comprensión del flujo de control a nivel de compilador:

• Dataclasses BasicBlock, CFGEdge, ControlFlowGraph en solidity_ast.py
• build_cfg(), get_dominators(), get_loop_headers(), format_cfg_for_llm() para análisis estructural
• Análisis de bloques de ensamblador mediante parse_assembly_block() para soporte de ensamblador inline
• Propagación de taint con conocimiento de ramas en el analizador de taint para análisis sensible a la ruta
• Contexto CFG inyectado en el Pass 2 del análisis profundo junto con los datos de taint

Bucle de retroalimentación de ML — Calibración basada en resultados históricos:

• AccuracyTracker.record_finding_outcome() para registrar resultados de envíos y recompensas de bounty
• get_detector_accuracy() y get_detector_weights() para estadísticas de rendimiento por detector
• Dataclass DetectorStats que rastrea verdaderos/falsos positivos y precisión histórica
• Ajuste del peso de confianza en EnhancedVulnerabilityDetector según el historial del detector
• Calibración de severidad a partir de datos históricos inyectada en el Pass 5 del análisis profundo

Contexto de contratos relacionados — El análisis LLM ahora ve el código fuente completo de las dependencias: