Resumen Técnico: Inseguridad mediante la Oscuridad: Vulnerabilidades Veladas en Contratos de Código Cerrado

1. Planteamiento del Problema

En las blockchains públicas como Ethereum, el bytecode de los contratos inteligentes es accesible públicamente; sin embargo, muchos desarrolladores optan por mantener su código fuente cerrado o emplear la ofuscación de bytecode para proteger la lógica de negocio propietaria y disuadir ataques (por ejemplo, el frontrunning). Aunque la ofuscación busca proporcionar "seguridad mediante la oscuridad", este artículo argumenta que a menudo conduce a la "inseguridad mediante la oscuridad". La ofuscación, particularmente la ofuscación de flujo de control mediante saltos indirectos (indirect jumps), dificulta la capacidad de las herramientas de seguridad existentes para analizar los contratos, lo que potencialmente enmascara vulnerabilidades críticas en la gestión de activos.

El artículo identifica una brecha específica: las herramientas existentes tienen dificultades para escalar a contratos grandes, de código cerrado y ofuscados, especialmente aquellos que manejan activos significativos como los bots de Valor Extraíble Máximo (MEV). Estos bots suelen emplear una lógica compleja que involucra trading, préstamos relámpago (flash loans) e interacciones con DeFi. Al ser ofuscados, se convierten en "cajas negras" donde las vulnerabilidades —específicamente aquellas que permiten a los adversarios robar activos— permanecen sin ser detectadas hasta que son explotadas.

2. Metodología: La herramienta skanf

Para abordar estos desafíos, los autores presentan skanf, una novedosa herramienta de análisis de bytecode de la EVM diseñada para contratos de código cerrado y ofuscados. skanf opera en tres etapas principales:

A. Desofuscación de Flujo de Control

El primer desafío es que los contratos ofuscados utilizan saltos indirectos (donde el destino es un valor en tiempo de ejecución) para ocultar las rutas de ejecución. Las herramientas existentes suelen clasificar erróneamente estos bloques como inalcanzables o no logran analizarlos.

• Enfoque: skanf aprovecha una propiedad específica de la Máquina Virtual de Ethereum (EVM): los destinos de salto válidos deben estar marcados explícitamente con el opcode JUMPDEST.
• Técnica: La herramienta escanea estáticamente el bytecode para recolectar todas las direcciones JUMPDEST legales. Luego, instrumenta el bytecode insertando una tabla de ramificación (una secuencia de comprobaciones condicionales) en una dirección de programa (PC) alta (por ejemplo, 0xe000).
• Transformación: Los saltos indirectos se reescriben para saltar a esta tabla de ramificación. La tabla compara el destino de salto en tiempo de ejecución contra todas las direcciones JUMPDEST válidas conocidas. Si se encuentra una coincidencia, la ejecución procede al objetivo; de lo contrario, continúa con la siguiente comprobación. Esto convierte los saltos indirectos opacos en saltos directos explícitos y estáticamente analizables, restaurando el Grafo de Flujo de Control (CFG) sin alterar la lógica del contrato.

B. Ejecución Simbólica Sembrada por Transacciones

El segundo desafío es el problema de la "explosión de rutas" en la ejecución simbólica, exacerbado por la complejidad de los bots de MEV.

• Enfoque: En lugar de depender únicamente de entradas aleatorias o especificaciones manuales, skanf utiliza transacciones históricas como semillas concretas de alta calidad.
• Técnica:
  1. Extracción de Semillas: La herramienta recupera transacciones históricas exitosas para un contrato objetivo desde un nodo de archivo. Extrae entradas (llamante, origen, calldata, valor) que dispararon llamadas externas, filtrando específicamente aquellas que involucran transferencias de ERC-20.
  2. Ejecución Sembrada: Estas entradas concretas inicializan el motor de ejecución simbólica. El motor explora rutas guiadas por estas semillas, lo que reduce significativamente el espacio de búsqueda y la complejidad de resolución de restricciones en comparación con la ejecución simbólica pura.
  3. Análisis de Taint (Mancha): Durante la exploración de rutas, skanf realiza una propagación de taint a nivel de bytes. Rastrea cómo las entradas adversarias (tainted calldata) fluyen hacia los parámetros críticos de las instrucciones CALL (dirección de destino, selector de función, argumentos).

C. Detección de Vulnerabilidades y Generación de Exploits

• Oráculo de Vulnerabilidad: Una instrucción CALL se marca como una posible vulnerabilidad de gestión de activos si:
  1. Es alcanzable desde un punto de entrada público.
  2. Sus parámetros son controlables por el adversario (tainted) o riesgosos (fijos pero peligrosos, por ejemplo, una dirección de token ERC-20 fija o un selector de la función transfer).
  3. Específicamente, si la función es transfer o approve, la herramienta verifica si el destinatario y el monto pueden ser manipulados por el adversario.
• Síntesis de Exploit: Para las vulnerabilidades identificadas, skanf construye una transacción para explotar la falla. Resuelve las restricciones para generar un calldata específico que dispare la llamada vulnerable y transfiera activos a una dirección controlada por el adversario.
• Validación: Los exploits generados se validan en un entorno de blockchain local (usando un nodo de archivo para reconstruir estados históricos) para asegurar que se ejecuten con éxito y transfieran los activos.

3. Contribuciones Clave

1. Método de Desofuscación: Una técnica novedosa para eliminar la ofuscación de flujo de control en el bytecode de la EVM mediante la reconstrucción de tablas de salto, permitiendo que las herramientas de análisis estático funcionen en contratos ofuscados.
2. Ejecución Simbólica Sembrada por Transacciones: Un enfoque escalable que utiliza transacciones históricas públicas como semillas concretas para guiar la ejecución simbólica, mitigando la explosión de rutas y mejorando la eficiencia en la detección de vulnerabilidades.
3. Implementación de skanf: Una herramienta que integra la desofuscación y la ejecución sembrada para detectar vulnerabilidades de gestión de activos y generar automáticamente exploits para contratos de código cerrado.
4. Evaluación Empírica: Un estudio a gran escala de 6,554 bots de MEV reales, demostrando la prevalencia de las vulnerabilidades y la efectividad del enfoque propuesto.
5. Descubrimiento de Ataques de Phishing de MEV: Identificación de una nueva clase de ataques donde los adversarios atraen a los bots de MEV a interactuar con contratos maliciosos mediante oportunidades diseñadas, resultando en pérdidas financieras significativas.

4. Resultados

Los autores evaluaron skanf en un conjunto de datos de 6,554 bots de MEV:

• Efectividad de la Desofuscación: skanf aumentó con éxito la cobertura de código para los contratos ofuscados. Para contratos donde las herramientas estándar (Gigahorse) tenían una cobertura inferior al 50%, skanf restauró la cobertura a casi el 100% en el 90% de los casos.
• Detección de Vulnerabilidades:
  • skanf identificó 1,030 contratos vulnerables.
  • Logró generar y validar exploits para 394 de estos contratos.
  • La pérdida económica potencial de estos exploits sintetizados se estima en $10.6 millones (basado en los saldos de tokens al momento de la redacción y máximos históricos).
  • En comparación con las herramientas de vanguardia (Mythril, ETHBMC, JACKAL, Securify), skanf detectó significativamente más vulnerabilidades, debido principalmente a su capacidad para manejar la ofuscación y utilizar la ejecución sembrada.
• Ataques del Mundo Real:
  • El estudio descubrió 104 ataques de "phishing de MEV" en el mundo real dirigidos a 37 bots de MEV entre 2021 y 2025.
  • Estos ataques resultaron en una pérdida total de $2.76 millones.
  • skanf fue capaz de redescubrir vulnerabilidades en 28 de los contratos explotados, lo que sugiere que estos ataques podrían haberse evitado.
  • Solo 3 de los 104 ataques habían sido reportados públicamente anteriormente.

5. Significado y Reivindicaciones

El artículo sostiene que la "inseguridad mediante la oscuridad" es un riesgo tangible en el ecosistema de los contratos inteligentes. Al ocultar el código, los desarrolladores impiden inadvertidamente que las herramientas de seguridad detecten fallas críticas, particularmente aquellas relacionadas con la gestión de activos.

• Implicación de Seguridad: La ofuscación no mejora la seguridad; más bien, crea una falsa sensación de seguridad mientras enmascara vulnerabilidades que conducen a pérdidas financieras sustanciales.
• Utilidad Práctica: skanf proporciona un mecanismo defensivo para que los desarrolladores y auditores analicen el bytecode de código cerrado u ofuscado antes de su despliegue o interacción, identificando riesgos que de otro modo permanecerían ocultos.
• Contexto de MEV: El estudio destaca que los bots de MEV, que manejan grandes volúmenes de activos y suelen ser de código cerrado, son un objetivo principal para estas vulnerabilidades. El descubrimiento de los "ataques de phishing de MEV" revela un vector de ataque sofisticado donde los adversarios explotan la naturaleza automatizada de estos bots.
• Modestia: Los autores reconocen limitaciones, como la dependencia de las herramientas subyacentes (Gigahorse y Greed) para el análisis inicial y el enfoque actual centrado principalmente en las instrucciones CALL (excluyendo DELEGATECALL, CALLCODE, etc.). También señalan que, aunque identificaron muchos ataques, su método de detección se basa en patrones y puede omitir ataques que no se ajusten a los criterios específicos de "phishing".

En resumen, el artículo demuestra que, sin las herramientas de análisis adecuadas capaces de manejar la ofuscación, la estrategia de "seguridad mediante la oscuridad" en los contratos inteligentes es fundamentalmente defectuosa, dejando activos significativos expuestos a la explotación.