Aether v6.0 — Framework d'analyse de sécurité des contrats intelligents

Version 6.0 | Nouveautés de v6.0 | Changelog

Aether est un framework Python pour analyser les contrats intelligents Solidity, générer des constatations de vulnérabilités, produire des tests de preuve de concept (PoC) basés sur Foundry et valider des exploits sur des forks du mainnet. Il combine l'analyse AST Solidity, l'analyse de taint, l'analyse de graphe de flux de contrôle, l'analyse inter-contrats, l'exécution symbolique Halmos, plus de 180 détecteurs statiques basés sur des motifs, un pipeline LLM multi-agents collaboratif (GPT/Gemini/Claude) avec une mémoire institutionnelle SAGE partagée, 14 archétypes de protocoles, une base de connaissances de plus de 75 exploits, la détection calibrée par ML, la détection des particularités de jetons, l'extraction d'invariants, la résolution du contexte des contrats liés et un filtrage avancé sensible au contexte dans une interface TUI plein écran persistante unique.

Nouveautés de v6.0

Pipeline d'agents collaboratifs — Le pipeline d'analyse approfondie passe de 5 passes indépendantes à 5 agents collaboratifs partageant des connaissances structurées via la mémoire institutionnelle SAGE :

• Mémoire de session partagée — Chaque passe stocke les résultats, les rejets et les protections vérifiées dans une session SAGE par audit. Les passes suivantes reçoivent "Prior Pass Intelligence" au lieu de résumés de texte simples.
• Rejets en tant qu'enregistrements de première classe — Lorsque la passe 3 rejette un problème (par exemple, "réentrance protégée par le modificateur nonReentrant"), la passe 5 ne le signalera plus. Cela élimine directement la source n° 1 des constatations en double.
• Mécanisme de contestation — Les passes ultérieures peuvent annuler les rejets précédents, mais doivent fournir de NOUVELLES preuves. "La passe 3 n'a pas vu le chemin de rappel via cette autre fonction" est valide. "Je ne suis pas d'accord" ne l'est pas.
• Confirmation inter-passes — Lorsque plusieurs passes confirment indépendamment une constatation, la confiance augmente de 15%. Les constatations confirmées entre passes sont priorisées dans les rapports.
• SAGE requis — La mémoire institutionnelle est désormais requise, et non optionnelle. Pas de SAGE = pas d'audit. Exécutez docker compose up -d pour démarrer.

---

Nouveautés de v5.0

Mémoire institutionnelle SAGE — Aether apprend désormais de chaque audit, réduisant les faux positifs et améliorant la qualité des constatations au fil du temps :

• Base de connaissances pré-entraînée — Livrée avec 170 mémoires institutionnelles : 75 motifs d'exploits, 63 listes de contrôle d'archétypes de protocoles, 12 catégories de particularités de jetons, 20 exploits historiques sélectionnés (DAO, Wormhole, Euler, Ronin, Curve, et plus)
• Intégration au pipeline — SAGE rappelle les constatations historiques et les motifs d'exploits dans les passes 3 et 5 de l'analyse approfondie ; il stocke les enseignements des audits après le pipeline pour un rappel futur
• Boucle de rétroaction — Les constatations confirmées sont stockées comme des faits à haute confiance ; les constatations rejetées (faux positifs) sont stockées afin que les futurs audits les évitent. Les résultats d'AccuracyTracker alimentent automatiquement SAGE
• Pipeline de validation — Nouvelle étape -1 : le contrôle des FP connus de SAGE filtre les constatations correspondant à des motifs précédemment rejetés avant toute autre validation
• Synchronisation de la précision des détecteurs — SageFeedbackManager.sync_detector_accuracy() identifie les détecteurs à haute/basse performance et stocke des réflexions sur les comportements à adopter et à éviter
• Pré-remplissage automatique au démarrage — Le premier lancement avec SAGE Docker en cours d'exécution pré-remplit automatiquement la base de connaissances pré-entraînée. Sensible à la version : ignore si déjà pré-remplie
• Intégration TUI — Statut SAGE ON/OFF avec le nombre de mémoires affiché dans la CostBar
• Déploiement Docker — docker compose up -d démarre SAGE ; configuration via sage_enabled/sage_url dans ~/.aether/config.yaml
• Dégradation progressive — L'indisponibilité de SAGE ne casse jamais aucune fonctionnalité d'audit

Contributeurs: Merci à @sashavdv pour avoir corrigé les variables de chemin codées en dur (PR #1) et à @pro258b pour avoir identifié la méthode validate_anthropic_key() manquante (PR #2).

Démarrage rapide de SAGE

SAGE est un système de mémoire institutionnelle persistant propulsé par le consensus BFT. Consultez le projet SAGE pour la documentation complète.```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()"

### Comment SAGE améliore les audits```
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

---

Nouveautés de la v4.7

Exécution automatique des PoC — Les PoC Foundry générés se compilent et s'exécutent désormais automatiquement :

• L'intégration forge test --json exécute les PoC immédiatement après la compilation
• Analyse des résultats JSON avec la dataclass PoCTestResult pour un rapport structuré succès/échec/erreur
• Prise en charge du mode fork pour valider les exploits sur le mainnet contre l'état en direct
• Nouvelle phase POC_TESTING dans JobManager pour le suivi en direct de la progression dans la TUI

Exécution symbolique Halmos — Vérification formelle par exécution symbolique :

• HalmosRunner pour exécuter les tests symboliques Halmos contre les propriétés générées
• HalmosPropertyGenerator pour générer automatiquement des propriétés de vérification à partir des invariants extraits
• Nœud de pipeline HalmosSymbolicNode intégré à l'étape de validation 1.95
• Options de configuration : enable_symbolic_verification, halmos_timeout
• Dégradation progressive si Halmos n'est pas installé — ignore la vérification symbolique sans erreur

Analyse du graphe de flux de contrôle — Compréhension du flux de contrôle au niveau du compilateur :

• Classes de données BasicBlock, CFGEdge, ControlFlowGraph dans solidity_ast.py
• build_cfg(), get_dominators(), get_loop_headers(), format_cfg_for_llm() pour l'analyse structurelle
• Analyse des blocs d'assembly via parse_assembly_block() pour la prise en charge de l'assembly inline
• Propagation de taint sensible aux branches dans l'analyseur de taint pour une analyse sensible au chemin d'exécution
• Contexte CFG injecté dans l'analyse approfondie Pass 2 avec les données de taint

Boucle de rétroaction ML — Calibrage basé sur les résultats historiques :

• AccuracyTracker.record_finding_outcome() pour suivre les résultats de soumission et les gains de bounty
• get_detector_accuracy() et get_detector_weights() pour les statistiques de performance par détecteur
• Classe de données DetectorStats suivant les vrais/faux positifs et la précision historique
• Ajustement du poids de confiance dans EnhancedVulnerabilityDetector en fonction de l'historique du détecteur
• Calibrage de la sévérité à partir des données historiques injecté dans l'analyse approfondie Pass 5