Aether v6.0 — Framework di Analisi della Sicurezza per Smart Contract

Versione 6.0 | Novità nella v6.0 | Changelog

Aether è un framework basato su Python per analizzare smart contract Solidity, generare risultati di vulnerabilità, produrre test proof-of-concept (PoC) basati su Foundry e validare exploit su fork della mainnet. Combina parsing dell'AST di Solidity, analisi dei flussi di dati (taint analysis), analisi del grafo di controllo del flusso, analisi cross-contract, esecuzione simbolica Halmos, oltre 180 rilevatori statici basati su pattern, una pipeline LLM multi-agente collaborativa (GPT/Gemini/Claude) con memoria istituzionale condivisa SAGE, 14 archetipi di protocollo, una knowledge base di oltre 75 exploit, rilevamento calibrato tramite ML, rilevamento di token quirks, estrazione di invarianti, risoluzione del contesto dei contratti correlati e filtraggio avanzato sensibile al contesto, il tutto in un'unica TUI persistente a schermo intero.

Novità nella v6.0

Pipeline di agenti collaborativi — La pipeline di analisi profonda si trasforma da 5 passaggi indipendenti a 5 agenti collaborativi che condividono conoscenza strutturata attraverso la memoria istituzionale SAGE:

• Memoria di sessione condivisa — Ogni passaggio memorizza risultati, archiviazioni e protezioni verificate in una sessione SAGE per singolo audit. I passaggi successivi ricevono "Prior Pass Intelligence" invece di riassunti testuali piatti.
• Archiviazioni come record di prima classe — Quando il Passaggio 3 archivia una preoccupazione (ad es., "reentrancy protetta dal modificatore nonReentrant"), il Passaggio 5 non la ri-segnalerà. Questo elimina direttamente la causa n. 1 dei risultati duplicati.
• Meccanismo di contestazione — I passaggi successivi possono sovrascrivere le archiviazioni precedenti, ma devono fornire NUOVE prove. "Il Passaggio 3 non ha visto il percorso di callback attraverso quest'altra funzione" è valido. "Non sono d'accordo" non lo è.
• Conferma incrociata tra passaggi — Quando più passaggi confermano indipendentemente un risultato, la confidenza riceve un incremento del 15%. I risultati confermati in modo incrociato vengono prioritizzati nei report.
• SAGE obbligatorio — La memoria istituzionale è ora obbligatoria, non opzionale. Niente SAGE = niente audit. Esegui docker compose up -d per avviarlo.

---

Novità nella v5.0

Memoria istituzionale SAGE — Aether ora impara da ogni audit, riducendo i falsi positivi e migliorando la qualità dei risultati nel tempo:

• Knowledge base pre-addestrata — Include 170 memorie istituzionali: 75 pattern di exploit, 63 checklist di archetipi di protocollo, 12 categorie di token quirks, 20 exploit storici curati (DAO, Wormhole, Euler, Ronin, Curve e altri)
• Integrazione nella pipeline — SAGE richiama risultati storici e pattern di exploit nei Passaggi 3 e 5 dell'analisi profonda; memorizza gli apprendimenti dell'audit dopo la pipeline per un richiamo futuro
• Ciclo di feedback — I risultati confermati vengono memorizzati come fatti ad alta confidenza; i risultati rifiutati (falsi positivi) vengono memorizzati affinché i futuri audit li evitino. Gli esiti di AccuracyTracker confluiscono automaticamente in SAGE
• Pipeline di validazione — Nuovo Stage -1: il controllo SAGE known FP filtra i risultati che corrispondono a pattern precedentemente rifiutati prima che venga eseguita qualsiasi altra validazione
• Sincronizzazione dell'accuratezza dei rilevatori — SageFeedbackManager.sync_detector_accuracy() identifica i rilevatori ad alte/basse prestazioni e memorizza riflessioni di dos/don'ts
• Auto-seed all'avvio — Al primo avvio con Docker SAGE in esecuzione, la knowledge base pre-addestrata viene caricata automaticamente. Consapevole della versione: salta se già caricata
• Integrazione TUI — Stato SAGE ON/OFF con conteggio delle memorie visualizzato nella CostBar
• Deployment Docker — docker compose up -d avvia SAGE; configurazione tramite sage_enabled/sage_url in ~/.aether/config.yaml
• Degrado graduale — La non disponibilità di SAGE non interrompe mai alcuna funzionalità di audit

Contributori: Grazie a @sashavdv per aver corretto le variabili di percorso hardcoded (PR #1) e a @pro258b per aver individuato il metodo mancante validate_anthropic_key() (PR #2).

Avvio rapido di SAGE

SAGE è un sistema di memoria istituzionale persistente basato sul consenso BFT. Consulta il progetto SAGE per la documentazione 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()"

### Come SAGE Migliora gli Audit```
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

---

Novità nella v4.7

Auto-esecuzione dei PoC — I PoC Foundry generati ora vengono compilati ed eseguiti automaticamente:

• L'integrazione con forge test --json esegue i PoC subito dopo la compilazione
• Parsing dei risultati JSON con la dataclass PoCTestResult per report strutturati di superamento/fallimento/errore
• Supporto della modalità fork per la validazione su mainnet degli exploit rispetto allo stato live
• Nuova fase POC_TESTING in JobManager per il monitoraggio live dei progressi nella TUI

Esecuzione simbolica con Halmos — Verifica formale tramite esecuzione simbolica:

• HalmosRunner per eseguire test simbolici Halmos sulle proprietà generate
• HalmosPropertyGenerator per generare automaticamente proprietà di verifica dagli invarianti estratti
• Nodo di pipeline HalmosSymbolicNode integrato allo Stage 1.95 di validazione
• Opzioni di configurazione: enable_symbolic_verification, halmos_timeout
• Degradazione controllata se Halmos non è installato: salta la verifica simbolica senza errori

Analisi del grafo di flusso di controllo — Comprensione del flusso di controllo a livello di compilatore:

• Dataclass BasicBlock, CFGEdge, ControlFlowGraph in solidity_ast.py
• build_cfg(), get_dominators(), get_loop_headers(), format_cfg_for_llm() per l'analisi strutturale
• Parsing dei blocchi assembly tramite parse_assembly_block() per il supporto all'assembly inline
• Propagazione del taint sensibile ai rami nell'analizzatore di taint per l'analisi sensibile al percorso
• Il contesto CFG viene iniettato nell'analisi profonda Pass 2 insieme ai dati di taint

Ciclo di feedback ML — Calibrazione basata sui risultati storici:

• AccuracyTracker.record_finding_outcome() per monitorare i risultati delle submission e i guadagni dei bounty
• get_detector_accuracy() e get_detector_weights() per le statistiche di performance dei singoli detector
• La dataclass DetectorStats tiene traccia di veri/falsi positivi e dell'accuratezza storica
• Regolazione del peso di confidenza in EnhancedVulnerabilityDetector in base allo storico del detector
• Calibrazione della severità dai dati storici iniettata nell'analisi profonda Pass 5

Contesto dei contratti correlati — L'analisi LLM ora vede il codice sorgente completo delle dipendenze: