PoCo: Agentic Proof-of-Concept Exploit Generation for Smart Contracts
Dieser Beitrag stellt PoCo vor, ein agentenbasiertes Framework, das autonome, ausführbare Proof-of-Concept-Exploits, die mit Foundry kompatibel sind, aus natürlichen Sprachbeschreibungen von Sicherheitslücken generiert und damit den für Smart-Contract-Sicherheitsaudits erforderlichen Zeit- und Arbeitsaufwand erheblich reduziert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Bauinspektor (ein Smart-Contract-Auditor), der gerade einen gefährlichen Fehler im Design eines Wolkenkratzers entdeckt hat. Sie wissen, dass der Aufzug herunterfallen kann, wenn jemand einen bestimmten Knopf drückt, aber um dies dem Gebäudeeigentümer und dem Baupersonal zu beweisen, können Sie nicht einfach sagen: „Er könnte herunterfallen." Sie müssen ein kleines, sicheres Modell des Aufzugs bauen und es tatsächlich auf kontrollierte Weise fallen lassen, um zu zeigen: „Sehen Sie? Das ist real, und hier ist genau, wie man ihn zerstört."
In der Welt der Blockchain wird dieses „Modell" als Proof-of-Concept (PoC) bezeichnet. Es ist ein Code-Schnipsel, der eine Schwachstelle demonstriert.
Das Problem:
Diese „Falltests" (PoCs) von Hand zu schreiben, ist wie der Versuch, ein komplexes Modellflugzeug zu bauen, während Sie blindfoldet sind. Es dauert lange, es ist leicht, einen Fehler zu machen, und Auditor:innen laufen oft gegen eine tickende Uhr. Wenn sie das Modell nicht schnell genug bauen können, könnten sie nicht in der Lage sein, zu beweisen, dass das Gebäude unsicher ist, bevor es fertiggestellt wird.
Die Lösung: PoCo
Die Arbeit stellt PoCo vor, was für „Proof-of-Concept" steht. Betrachten Sie PoCo nicht als einfachen Taschenrechner, sondern als einen robotischen Lehrling mit einer sehr spezifischen Aufgabe.
- Die Eingabe: Sie (der Auditor) geben dem Roboter eine Notiz in einfacher Sprache, die das Problem beschreibt. Zum Beispiel: „Wenn ein Nutzer Geld an Adresse Null sendet, bleiben die Gebühren stecken und verschwinden."
- Das Gehirn des Roboters (Agentic AI): Im Gegensatz zu älteren Tools, die nur versuchen, einmalig die Antwort zu erraten, ist PoCo ein „agentic" System. Das bedeutet, es denkt, handelt und lernt in einer Schleife, genau wie ein Mensch.
- Reason (Begründen): Es liest Ihre Notiz und betrachtet die Baupläne des Gebäudes (den Code).
- Act (Handeln): Es versucht, ein Skript zu schreiben, um den Aufzug zu zerstören.
- Observe (Beobachten): Es führt das Skript aus. Ist es abgestürzt? Ist es nicht kompiliert worden?
- Revise (Überarbeiten): Wenn es gescheitert ist, gibt der Roboter nicht auf. Es betrachtet die Fehlermeldung, findet heraus, was schiefgelaufen ist (z. B. „Ich habe das falsche Werkzeug verwendet"), und versucht es erneut.
- Die Ausgabe: Schließlich überreicht Ihnen der Roboter ein funktionierendes, ausführbares Skript, das den Fehler erfolgreich demonstriert. Es ist bereit, in den offiziellen Bericht aufgenommen zu werden.
Wie sie es getestet haben
Die Forscher hofften nicht einfach, dass es funktioniert; sie unterwarfen den Roboter einer strengen Prüfung:
- Der Datensatz: Sie sammelten 23 reale Sicherheitslücken aus tatsächlichen Blockchain-Projekten (wie eine Sammlung echter kaputter Aufzüge).
- Der Test: Sie baten PoCo, für jede einzelne einen „Falltest" zu bauen.
- Die Baselines: Sie verglichen PoCo mit zwei anderen Methoden:
- Der „One-Shot"-Ansatz: Eine intelligente KI auffordern, den gesamten Code auf einmal zu schreiben, ohne ihre Arbeit zu überprüfen. (Dies scheiterte die meiste Zeit, wie ein Schüler, der bei einem Mathe-Test rät.)
- Der „Workflow"-Ansatz: Der KI eine starre, schrittweise Checkliste zu geben. (Dies war besser, blieb aber stecken, wenn das Problem erforderte, außerhalb der Checkliste zu schauen.)
- Das Ergebnis: PoCo war der klare Gewinner. Es baute erfolgreich funktionierende „Falltests" für 50 von 69 Versuchen (über verschiedene KI-Modelle hinweg), während die anderen Methoden erheblich Schwierigkeiten hatten.
Der „Patch"-Trick
Wie wussten sie, dass die „Falltests" des Roboters tatsächlich korrekt waren und nicht nur glückliche Ratschläge? Sie verwendeten einen cleveren Trick namens Patch-Based Validation (Validierung auf Patch-Basis).
- Stellen Sie sich vor, das Baupersonal repariert den Aufzug (der „Patch").
- Die Forscher nahmen den „Falltest" des Roboters und führten ihn gegen den reparierten Aufzug aus.
- Die Logik: Wenn der Test des Roboters versagt, den reparierten Aufzug zu zerstören, bedeutet dies, dass der Test tatsächlich gut war – er hat erfolgreich die alte, kaputte Version ausgenutzt, und die Reparatur funktionierte. Wenn der Test immer noch auf dem reparierten Aufzug funktionierte, hatte der Roboter versagt, das echte Problem zu finden.
Wichtige Erkenntnisse aus der Arbeit
- Autonomie ist entscheidend: Die Fähigkeit des Roboters, den Code zu erkunden, Fehlermeldungen zu lesen und seinen eigenen Plan zu ändern, war wichtiger als die bloße Verwendung des „smartesten" verfügbaren KI-Modells. Selbst ein etwas weniger leistungsfähiges KI-Modell schnitt besser ab, wenn es die Freiheit hatte, zu iterieren.
- Details zählen: Je detaillierter die Notiz des Auditors war, desto besser performte der Roboter. Allerdings verwirrte es den Roboter manchmal, ihm ein starres, schrittweises Skript darüber zu geben, wie er es zerstören soll. Es ist besser, dem Roboter zu sagen, was kaputt ist und warum, und den Roboter selbst herausfinden zu lassen, wie.
- Sicherheit: Der Roboter operiert in einer sicheren, isolierten Sandbox (einer digitalen „Garage"), damit er nicht versehentlich echtes Geld oder echte Verträge zerstören kann.
Zusammenfassung
PoCo ist ein Werkzeug, das die Beschreibung einer Sicherheitslücke durch einen Menschen in einen funktionierenden, automatisierten Test verwandelt, der beweist, dass die Lücke existiert. Es spart Auditor:innen Zeit, reduziert Fehler und hilft Entwickler:innen, Schwachstellen schneller zu beheben, wodurch das Blockchain-Ökosystem sicherer wird. Die Arbeit beweist, dass ein KI-Agent, der „denken, handeln und lernen" kann, Tools weit überlegen ist, die nur einem statischen Skript folgen oder einmalig raten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.