Communitygithub.com

auditing-foundry-smart-contract-security

Führt eine mehrschichtige Sicherheitsüberprüfung von Foundry-Smart-Contracts vor dem Deployment durch, um kritische Schwachstellen zu identifizieren.

Was ist auditing-foundry-smart-contract-security?

Diese KI-Fähigkeit führt eine umfassende Sicherheitsüberprüfung von Foundry-Smart-Contracts vor dem Deployment durch, indem sie vier unabhängige Techniken kombiniert: statische Analyse mit Slither und Aderyn für bekannte Anti-Patterns, optionale symbolische Ausführung mit Mythril für tiefe Logikfehler, eigenschaftsbasierte Tests mit Foundry-Fuzzing- und Invariantentests, sowie eine manuelle Überprüfung anhand einer Checkliste und ein Schlüssel-Audit. Sie ist speziell für Entwickler konzipiert, die Solidity-Contracts auf Ethereum-kompatiblen Netzwerken bereitstellen, und erfordert Foundry, Slither, Aderyn sowie optional Mythril und Gitleaks. Die Ergebnisse werden in einem JSON-Bericht mit SWC-Kennungen, Schweregraden und einer PASS/FAIL-Entscheidung zusammengefasst, wobei der Deploy-Vorgang blockiert wird, wenn hohe/kritische statische Fehler, fehlgeschlagene Tests undichte Schlüssel oder unzureichende Testabdeckung gefunden werden. Diese Fähigkeit ist ideal für Foundry-Projekte mit Wertflüssen wie Token, Vaults, AMMs oder Bridges und muss vor dem Deployment auf einem Testnetz oder Mainnet ausgeführt werden.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/mukul975/Anthropic-Cybersecurity-Skills/tree/main/skills/auditing-foundry-smart-contract-security

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Auditing Foundry Smart Contract Security

Übersicht

Bereitgestellte Smart Contracts sind unveränderlich und verwalten echte Gelder, daher kann ein auf Mainnet ausgelieferter Bug nicht mehr gefixt werden – er kann nur ausgenutzt werden. Die meisten katastrophalen DeFi-Verluste stammen aus einer kleinen Gruppe wiederkehrender Fehlerklassen: Wiedereintritt, defekte Zugriffskontrolle, Oracle-/Preismanipulation sowie ungeprüfte Arithmetik oder externe Aufrufe.

Diese Fähigkeit führt eine verteidigungsbasierte Sicherheitsüberprüfung vor dem Deployment eines Foundry-Projekts durch, die vier unabhängige Techniken schichtet, von denen jede die Fehler erkennt, die die anderen übersehen:

  1. Statische Analyse – slither (90+ Detektoren) und aderyn (Cyfrin, Rust) scannen den AST/IR in Sekunden nach bekannten Anti-Patterns.
  2. Symbolische Ausführung – mythril (optional, langsam) durchläuft Ausführungspfade und löst per SMT tiefe Arithmetik-/Wiedereintrittsfehler.
  3. Eigenschaftsbasierte Tests – forge test mit Fuzzing (testFuzz_*) und Invariantentests (invariant_* + Handler-Contracts mit Ghost-Variablen) beweist, dass Protokolleigenschaften über Millionen zufälliger Sequenzen hinweg gelten.
  4. Manuelle Überprüfung + Schlüsselhygiene – eine strukturierte Checkliste (siehe references/vulnerability-checklist.md) und ein Secrets/Keystore-Audit, damit kein privater Schlüssel je im Klartext liegt und die Bereitstellung über einen verschlüsselten cast-Keystore erfolgt (siehe references/secure-deployment-and-keys.md).

Die Fähigkeit ist entwicklerseitig und vor dem Deployment – sie wird vom Entwickler ausgeführt, der den Contract erstellt, nicht von einem SOC nach einem Vorfall. Erkenntnisse sperren den Deploy: Jeder hohe/kritische statische Fehler, fehlgeschlagener Test, durchgesickerter Schlüssel oder niedrige Abdeckung = FAIL.

Wann zu verwenden

  • Vor dem Deployment eines Solidity-Contracts in ein Testnetz oder Mainnet-EVM-Netzwerk.
  • Beim Schreiben oder Überprüfen eines Foundry-Projekts (foundry.toml, src/, test/, script/).
  • Wenn ein Contract Werte verwaltet: Token (ERC-20/721/1155), Vaults, Staking, AMMs, Bridges, Governance.
  • Beim Hinzufügen von Fuzz- oder Invariantentests oder wenn die Abdeckung von werttransferierenden Funktionen unbekannt ist.
  • Beim Verkabeln von Deployment-Skripten – um zu verifizieren, dass Schlüssel in einem verschlüsselten Keystore liegen, nicht als .env-Klartext.
  • Bei der Integration eines Preis-Oracles, externen Aufrufs, delegatecall oder upgradeable Proxys.
  • Beim Triagieren eines Slither/Aderyn-Berichts und der Notwendigkeit, echte Bugs von False Positives zu trennen.

Voraussetzungen

  • Foundry installiert (forge, cast, anvil): curl -L https://foundry.paradigm.xyz | bash && foundryup
  • Slither + solc: pip install slither-analyzer und solc-select install <ver> && solc-select use <ver>
  • Aderyn (empfohlen): cargo install aderyn (oder npm i -g @cyfrin/aderyn)
  • Mythril (optional, langsame symbolische Ausführung): pip install mythril
  • gitleaks (Schlüssel-Leak-Scan): siehe die begleitende Fähigkeit implementing-secret-scanning-with-gitleaks
  • Ein Foundry-Projekt, das kompiliert (forge build erfolgreich) – Analysewerkzeuge benötigen Build-Artefakte.
  • Es wird Solidity ^0.8.x angenommen (eingebaute Overflow-Prüfungen); Contracts vor 0.8 benötigen eine zusätzliche SafeMath-Überprüfung.

Installieren Sie die Python-Werkzeuge in einer virtualenv (empfohlen auf extern verwalteten Distributionen). Führen Sie niemals eine Analyse gegen unvertrauten Contract-Quellcode auf einem Rechner mit entsperrten, finanzierten Wallets durch.

Schritte

Schritt 1: Projekt bauen und auf Korrektheit prüfen

forge build                    # Analysewerkzeuge benötigen frische Artefakte
forge fmt --check              # Style-Check (optional)
cat foundry.toml               # solc-Version, Optimizer, Remappings, evm_version notieren

Schritt 2: Statische Analyse (schnell, jedes Mal ausführen)

# Slither — komplettes Projekt (nutzt automatisch foundry.toml + remappings)
slither . --json slither-report.json

# Aderyn — Cyfrin Rust-Analyzer, komplementäre Detektoren
aderyn . -o aderyn-report.json

Oder den gebündelten Orchestrator ausführen, der beide ausführt, dedupliziert und das Ergebnis filtert:

python3 scripts/agent.py --project . --output audit-report.json

Schritt 3: Symbolische Ausführung auf kritischen Contracts (optional, langsam)

# Nur auf dem/den höchstwertigen Contract(s) — Mythril ist pfadexplosiv
myth analyze src/Vault.sol --solc-json mythril.config.json --execution-timeout 300 -o json
# oder: python3 scripts/agent.py --project . --mythril src/Vault.sol

Schritt 4: Eigenschaftsbasierte Tests — Fuzz + Invarianten

forge test -vvv                                  # Unit + Fuzz-Tests
forge coverage --report summary                  # Abdeckung von werttransferierendem Code
forge test --match-test invariant_ -vvv          # Invarianten-Suite (handlerbasiert)

Jeder werttransferierende Contract sollte Invariantentests mit einem Handler haben (begrenzte Eingaben, Ghost-Variablen, targetContract(handler)) – nicht nur Unit-Tests. Siehe references/api-reference.md für das Handler-Muster und schreiben Sie einen test_RevertWhen_* (mit vm.expectRevert) für jede Zugriffskontrollsicherung.

Schritt 5: Manuelle Überprüfung anhand der Checkliste

Durchlaufen Sie references/vulnerability-checklist.md für jeden Contract: Wiedereintritt (Checks-Effects-Interactions / nonReentrant), Zugriffskontrolle, Oracle-Manipulation, delegatecall/Proxy Storage Layout, ungeprüfte Rückgabewerte, tx.origin, schwache Zufallszahlen, DoS, Front-Running/MEV und ERC-spezifische Fallstricke (Approve-Race, Fee-on-Transfer, Rebasing).

Schritt 6: Schlüsselhygiene & sicheres Deployment

gitleaks detect --no-banner            # keine privaten Schlüssel / Mnemonics / .env committen
git ls-files | grep -E '\.env$|keystore' && echo "WARN: secrets tracked by git"

# Den Bereitstellungsschlüssel EINMAL in einen verschlüsselten Keystore importieren — niemals eine Klartext-Umgebungsvariable PRIVATE_KEY
cast wallet import deployer --interactive

# Deployment über das Keystore-Konto (zuerst Testnetz), vor --broadcast simulieren
forge script script/Deploy.s.sol --account deployer --rpc-url <testnet> --broadcast --verify

Siehe references/secure-deployment-and-keys.md für die vollständigen Härtungsregeln (MetaMask-Hygiene, Hardware-Wallet für Mainnet, RPC-Vertrauen, Post-Deploy-Verifikation).

Schritt 7: Triagieren und Bericht

Kombinieren Sie Slither- + Aderyn- + Mythril- + Testergebnisse, deduplizieren Sie nach (Datei, Zeile), entfernen Sie bestätigte False Positives, ordnen Sie nach Ausnutzbarkeit × finanzieller Auswirkung und ordnen Sie jeden Befund seiner SWC-ID zu. Der Orchestrator gibt audit-report.json mit einem PASS/FAIL-Gate aus.

Erwartete Ausgabe

Ein JSON-Auditbericht mit SWC-Identifikatoren, Schweregrad, Werkzeugquelle, betroffenem Contract/Funktion/Zeile und Abhilfe; sowie die Test-/Abdeckungszusammenfassung und ein einzelnes PASS / FAIL-Deployment-Gate. FAIL bei jedem hohen/kritischen statischen Fehler, fehlgeschlagenem Test, durchgesickertem Geheimnis oder Abdeckung unter dem konfigurierten Schwellenwert für werttransferierenden Code.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

abusing-dpapi-for-credential-access

Extract and decrypt Windows DPAPI-protected secrets (Credential Manager, browser logins/cookies, Wi-Fi credentials, KeePass keys) online or offline using SharpDPAPI, SharpChrome, Mimikatz, or Impacket

abusing-shadow-credentials-for-privesc

Take over Active Directory accounts by writing attacker-controlled public keys to msDS-KeyCredentialLink (Shadow Credentials) with pyWhisker, Whisker, or Certipy, then authenticate via PKINIT to recover the target

achieving-cmmc-level-2-compliance

>-

acquiring-disk-image-with-dd-and-dcfldd

Create forensically sound bit-for-bit disk images with dd or dcfldd on a Linux forensic workstation, preserving evidence integrity through hash verification (MD5/SHA) during acquisition. Use when imaging a suspect drive, USB device, or memory card for investigation, preserving volatile disk evidence during incident response, or producing a verified copy for legal or law-enforcement proceedings before any destructive analysis.

analyzing-active-directory-acl-abuse

Detect dangerous ACL misconfigurations in Active Directory using ldap3

analyzing-android-malware-with-apktool

Perform static analysis of Android APK malware using apktool for resource decompilation, jadx for Java source recovery, and androguard for manifest inspection, dangerous permission-combination detection, and identification of obfuscated code, dynamic code loading, and reflection-based API calls. Use to statically triage a suspicious APK without executing it or to build mobile malware detection rules.

analyzing-api-gateway-access-logs

Parses API Gateway access logs (AWS API Gateway, Kong, Nginx) to detect

analyzing-apt-group-with-mitre-navigator

Query ATT&CK data with attackcti, mitreattack-python, and stix2, then build MITRE ATT&CK Navigator layers and multi-layer heatmap overlays mapping one or more APT groups

analyzing-azure-activity-logs-for-threats

Queries Azure Monitor activity logs and sign-in logs via azure-monitor-query

analyzing-bootkit-and-rootkit-samples

Analyzes bootkit and advanced rootkit malware infecting the Master

analyzing-browser-forensics-with-hindsight

Parse Chromium-based browser databases with Hindsight to extract and correlate browsing history, downloads, cookies, cached content, autofill data, saved passwords, and extensions from Chrome, Edge, Brave, Opera, and Vivaldi into a unified timeline (XLSX, JSON, or SQLite output). Use during incident response, insider-threat investigations, or criminal cases when you need to reconstruct a user

analyzing-campaign-attribution-evidence

Systematically evaluate cyber-campaign evidence to attribute an operation to a threat actor, using the Diamond Model and Analysis of Competing Hypotheses (ACH) to weigh infrastructure overlaps, TTP consistency, malware code similarity, and timing/language artifacts into confidence-weighted attribution assessments. Use when an incident investigation needs a defensible attribution confidence level.

analyzing-certificate-transparency-for-phishing

Monitor Certificate Transparency logs using crt.sh and Certstream to

analyzing-cloud-storage-access-patterns

Detect abnormal access in AWS S3, GCS, and Azure Blob Storage by analyzing CloudTrail Data Events, GCS audit logs, and Azure Storage Analytics for after-hours bulk downloads, new-IP access, and API-call spikes (e.g. GetObject) via statistical baselines and time-series anomaly detection. Use when investigating suspected cloud data exfiltration or building related detection rules.

analyzing-cobalt-strike-beacon-configuration

Extract and analyze Cobalt Strike beacon configuration from PE files

analyzing-cobaltstrike-malleable-c2-profiles

Parse and analyze Cobalt Strike Malleable C2 profiles with dissect.cobaltstrike (profiles and beacon-payload configs) and pyMalleableC2 (AST parsing) to extract HTTP/DNS transforms, URIs, headers, sleep/jitter, and injection behavior, then generate network detection signatures. Use when reverse-engineering a captured malleable profile or building detections against Cobalt Strike Beacon traffic.

analyzing-command-and-control-communication

Analyzes malware C2 communication over HTTP, HTTPS, DNS, and custom

analyzing-cyber-kill-chain

Analyzes intrusion activity against the Lockheed Martin Cyber Kill Chain

analyzing-disk-image-with-autopsy

Perform comprehensive forensic analysis of raw (dd), E01, or AFF disk images with Autopsy and The Sleuth Kit, recovering deleted files, examining metadata and embedded artifacts, keyword searching, and building investigation timelines with visual reports. Use for structured analysis of a forensic disk image or when stakeholders need visual reports from evidence.

analyzing-dns-logs-for-exfiltration

Analyzes DNS query logs to detect data exfiltration via DNS tunneling,

Verwandte Skills