Aether v6.0 — Фреймворк анализа безопасности смарт-контрактов

Версия 6.0 | Что нового в v6.0 | Журнал изменений

Aether — это фреймворк на Python для анализа смарт-контрактов Solidity, генерации отчетов об уязвимостях, создания proof-of-concept (PoC) тестов на основе Foundry и проверки эксплойтов на форках мейннета. Он объединяет парсинг AST Solidity, анализ потоков данных (taint analysis), анализ графа потока управления, межконтрактный анализ, символьное выполнение Halmos, более 180 паттерн-ориентированных статических детекторов, коллаборативный мультиагентный конвейер LLM (GPT/Gemini/Claude) с общей институциональной памятью SAGE, 14 протокольных архетипов, базу знаний из более 75 эксплойтов, калиброванное с помощью ML обнаружение, обнаружение особенностей токенов, извлечение инвариантов, разрешение контекста связанных контрактов и продвинутую контекстно-зависимую фильтрацию — все в едином полноэкранном TUI.

Что нового в v6.0

Коллаборативный конвейер агентов — Конвейер глубокого анализа преобразуется из 5 независимых проходов в 5 совместно работающих агентов, обменивающихся структурированными знаниями через институциональную память SAGE:

Общая память сессии — Каждый проход сохраняет находки, отклонения и подтвержденные защиты в сессии SAGE для каждого аудита. Последующие проходы получают «Интеллект предыдущего прохода» вместо плоских текстовых сводок.
Отклонения как первоклассные записи — Когда проход 3 отклоняет проблему (например, «реентрантность защищена модификатором nonReentrant»), проход 5 не будет повторно помечать ее. Это напрямую устраняет основной источник дублирующихся находок.
Механизм оспаривания — Последующие проходы могут отменять предыдущие отклонения, но должны предоставить НОВЫЕ доказательства. «Проход 3 не увидел путь коллбэка через эту другую функцию» — допустимо. «Я не согласен» — нет.
Межпроходное подтверждение — Когда несколько проходов независимо подтверждают находку, уверенность повышается на 15%. Находки, подтвержденные между проходами, получают приоритет в отчетах.
SAGE обязателен — Институциональная память теперь обязательна, а не опциональна. Нет SAGE = нет аудита. Запустите docker compose up -d, чтобы начать.

Что нового в v5.0

Институциональная память SAGE — Aether теперь учится на каждом аудите, снижая количество ложных срабатываний и улучшая качество находок со временем:

Предварительно обученная база знаний — Поставляется с 170 институциональными воспоминаниями: 75 шаблонов эксплойтов, 63 контрольных списка протокольных архетипов, 12 категорий особенностей токенов, 20 тщательно отобранных исторических эксплойтов (DAO, Wormhole, Euler, Ronin, Curve и другие)
Интеграция с конвейером — SAGE вспоминает исторические находки и шаблоны эксплойтов в проходах 3 и 5 глубокого анализа; сохраняет полученные знания после выполнения конвейера для дальнейшего использования
Обратная связь — Подтвержденные находки сохраняются как факты с высокой степенью достоверности; отклоненные находки (ложные срабатывания) сохраняются, чтобы будущие аудиты их избегали. Результаты AccuracyTracker автоматически передаются в SAGE
Конвейер проверки — Новый этап -1: проверка известных ложных срабатываний SAGE отфильтровывает находки, соответствующие ранее отклоненным шаблонам, до запуска любых других проверок
Синхронизация точности детекторов — SageFeedbackManager.sync_detector_accuracy() определяет детекторы с высокой/низкой производительностью и сохраняет рекомендации «что делать/не делать»
Автоматическое заполнение при запуске — Первый запуск с работающим Docker SAGE автоматически заполняет предварительно обученную базу знаний. С учетом версии: пропускает, если уже заполнено
Интеграция с TUI — Статус SAGE ВКЛ/ВЫКЛ с количеством воспоминаний отображается в CostBar
Развертывание в Docker — docker compose up -d запускает SAGE; настройка через sage_enabled/sage_url в ~/.aether/config.yaml
Плавная деградация — Недоступность SAGE никогда не нарушает функциональность аудита

Авторы: Благодарим @sashavdv за исправление жестко заданных переменных пути (PR #1) и @pro258b за выявление отсутствующего метода validate_anthropic_key() (PR #2).

Быстрый старт SAGE

SAGE — это система постоянной институциональной памяти, работающая на основе консенсуса BFT. Полную документацию см. в проекте SAGE.```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()"

### Как SAGE улучшает аудит```
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

Что нового в v4.7

Автоматическое выполнение PoC — Созданные PoC для Foundry теперь автоматически компилируются и выполняются:

Интеграция forge test --json сразу запускает PoC после компиляции
Разбор JSON-результатов с помощью dataclass PoCTestResult для структурированного отчета о прохождении/неудаче/ошибках
Поддержка fork-режима для проверки эксплойтов на основном сетевом состоянии
Новая фаза POC_TESTING в JobManager для отслеживания прогресса в реальном времени в TUI

Символическое выполнение Halmos — Формальная верификация с помощью символического выполнения:

HalmosRunner для выполнения символических тестов Halmos на основе сгенерированных свойств
HalmosPropertyGenerator для автоматической генерации свойств верификации из извлечённых инвариантов
Узел пайплайна HalmosSymbolicNode, интегрированный на этапе валидации Stage 1.95
Опции конфигурации: enable_symbolic_verification, halmos_timeout
Корректное ухудшение функциональности, если Halmos не установлен — пропускает символическую верификацию без ошибок

Анализ графа потоков управления — Понимание потока управления на уровне компилятора:

Dataclass BasicBlock, CFGEdge, ControlFlowGraph в solidity_ast.py
build_cfg(), get_dominators(), get_loop_headers(), format_cfg_for_llm() для структурного анализа
Разбор блоков ассемблера с помощью parse_assembly_block() для поддержки встроенного ассемблера
Распространение помеченных данных с учётом ветвлений в анализаторе помеченных данных для анализа, чувствительного к путям
Контекст CFG внедряется в глубокий анализ Pass 2 вместе с данными помеченных данных

Цикл обратной связи машинного обучения — Калибровка на основе исторических результатов:

AccuracyTracker.record_finding_outcome() для отслеживания результатов отправки и заработка вознаграждений
get_detector_accuracy() и get_detector_weights() для статистики производительности по каждому детектору
Dataclass DetectorStats, отслеживающий истинные/ложные срабатывания и историческую точность
Корректировка весов доверия в EnhancedVulnerabilityDetector на основе истории работы детектора
Калибровка серьёзности на основе исторических данных, внедрённая в глубокий анализ Pass 5

Контекст связанных контрактов — Анализ LLM теперь видит полный исходный код зависимостей:

aether

Популярное