Aether v6.0 — Estrutura de Análise de Segurança de Contratos Inteligentes

Version 6.0 | Novidades na v6.0 | Registo de Alterações

Aether é uma estrutura baseada em Python para analisar contratos inteligentes Solidity, gerar descobertas de vulnerabilidades, produzir testes de prova de conceito (PoC) baseados no Foundry e validar exploits em forks da mainnet. Ela combina análise de AST do Solidity, análise de mancha, análise de grafo de fluxo de controlo, análise entre contratos, execução simbólica Halmos, mais de 180 detectores estáticos baseados em padrões, um pipeline LLM multi-agente colaborativo (GPT/Gemini/Claude) com memória institucional partilhada SAGE, 14 arquétipos de protocolo, uma base de conhecimento de mais de 75 exploits, deteção calibrada por ML, deteção de peculiaridades de tokens, extração de invariantes, resolução de contexto de contratos relacionados e filtragem avançada baseada em contexto numa única TUI persistente em tela cheia.

Novidades na v6.0

Pipeline de Agentes Colaborativos — O pipeline de análise profunda transforma-se de 5 passagens independentes para 5 agentes colaborativos que partilham conhecimento estruturado através da memória institucional SAGE:

• Memória de sessão partilhada — Cada passagem armazena descobertas, rejeições e proteções verificadas numa sessão SAGE por auditoria. Passagens posteriores recebem "Inteligência de Passagem Anterior" em vez de resumos de texto simples.
• Rejeições como registos de primeira classe — Quando a Passagem 3 rejeita uma preocupação (por exemplo, "reentrancy protegida por modificador nonReentrant"), a Passagem 5 não a sinalizará novamente. Isto elimina diretamente a fonte nº1 de descobertas duplicadas.
• Mecanismo de desafio — Passagens posteriores podem anular rejeições anteriores, mas devem fornecer NOVAS evidências. "A Passagem 3 não viu o caminho de callback através desta outra função" é válido. "Não concordo" não é.
• Confirmação entre passagens — Quando múltiplas passagens confirmam independentemente uma descoberta, a confiança recebe um aumento de 15%. As descobertas confirmadas entre passagens são priorizadas nos relatórios.
• SAGE necessário — A memória institucional é agora obrigatória, não opcional. Sem SAGE = sem auditoria. Execute docker compose up -d para iniciar.

---

Novidades na v5.0

Memória Institucional SAGE — Aether agora aprende com cada auditoria, reduzindo falsos positivos e melhorando a qualidade das descobertas ao longo do tempo:

• Base de conhecimento pré-treinada — Vem com 170 memórias institucionais: 75 padrões de exploit, 63 listas de verificação de arquétipos de protocolo, 12 categorias de peculiaridades de tokens, 20 exploits históricos curados (DAO, Wormhole, Euler, Ronin, Curve e mais)
• Integração no pipeline — SAGE recorda descobertas históricas e padrões de exploit na análise profunda Passagens 3 e 5; armazena aprendizados de auditoria pós-pipeline para recordação futura
• Ciclo de feedback — Descobertas confirmadas são armazenadas como factos de alta confiança; descobertas rejeitadas (falsos positivos) são armazenadas para que auditorias futuras as evitem. Os resultados do AccuracyTracker alimentam automaticamente o SAGE
• Pipeline de validação — Novo Estágio -1: a verificação de FP conhecidos do SAGE filtra descobertas que correspondem a padrões rejeitados anteriormente antes de qualquer outra validação ser executada
• Sincronização de precisão do detetor — SageFeedbackManager.sync_detector_accuracy() identifica detetores de alto/baixo desempenho e armazena reflexões de recomendações/práticas a evitar
• Auto-sementeira no arranque — O primeiro lançamento com o Docker do SAGE a executar auto-semeia a base de conhecimento pré-treinada. Ciente da versão: salta se já foi semeado.
• Integração na TUI — Estado LIGADO/DESLIGADO do SAGE com contagem de memória exibida na CostBar
• Implantação Docker — docker compose up -d inicia o SAGE; configurar através de sage_enabled/sage_url em ~/.aether/config.yaml
• Degradação graciosa — A indisponibilidade do SAGE nunca quebra qualquer funcionalidade de auditoria

Contribuidores: Agradecimentos a @sashavdv por corrigir variáveis de caminho codificadas (PR #1) e a @pro258b por identificar o método validate_anthropic_key() em falta (PR #2).

Início Rápido do SAGE

SAGE é um sistema de memória institucional persistente alimentado por consenso BFT. Consulte o projeto SAGE para documentação 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()"

### Como o SAGE Melhora as Auditorias```
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

---

Novidades na v4.7

Execução Automática de PoC — PoCs do Foundry geradas agora compilam e executam automaticamente:

• Integração forge test --json executa PoCs imediatamente após a compilação
• Análise de resultados JSON com a dataclass PoCTestResult para relatórios estruturados de sucesso/fracasso/erro
• Suporte a modo fork para validação de exploits em mainnet contra estado ativo
• Nova fase POC_TESTING no JobManager para acompanhamento ao vivo no TUI

Execução Simbólica Halmos — Verificação formal via execução simbólica:

• HalmosRunner para executar testes simbólicos Halmos contra propriedades geradas
• HalmosPropertyGenerator para geração automática de propriedades de verificação a partir de invariantes extraídos
• Nó de pipeline HalmosSymbolicNode integrado na Etapa 1.95 de validação
• Opções de configuração: enable_symbolic_verification, halmos_timeout
• Degradação suave se Halmos não estiver instalado — ignora verificação simbólica sem erros

Análise de Grafo de Fluxo de Controle — Compreensão do fluxo de controle em nível de compilador:

• Dataclasses BasicBlock, CFGEdge, ControlFlowGraph em solidity_ast.py
• build_cfg(), get_dominators(), get_loop_headers(), format_cfg_for_llm() para análise estrutural
• Parsing de blocos assembly via parse_assembly_block() para suporte a assembly inline
• Propagação de taint ciente de ramificações no analisador de taint para análise sensível ao caminho
• Contexto CFG injetado na Passagem 2 de análise aprofundada junto com dados de taint

Ciclo de Feedback de ML — Calibração baseada em resultados históricos:

• AccuracyTracker.record_finding_outcome() para rastrear resultados de submissão e ganhos de recompensas
• get_detector_accuracy() e get_detector_weights() para estatísticas de desempenho por detector
• Dataclass DetectorStats rastreando verdadeiros/falsos positivos e precisão histórica
• Ajuste de peso de confiança em EnhancedVulnerabilityDetector com base no histórico do detector
• Calibração de severidade a partir de dados históricos injetada na Passagem 5 de análise aprofundada

Contexto de Contratos Relacionados — Análise LLM agora vê o código-fonte completo das dependências: