Da sich Smart Contracts von kleinen Experimenten zu großen Finanzsystemen mit über 400 Milliarden Dollar an verwalteten Vermögenswerten entwickeln, wird Sicherheit immer wichtiger.
Im Gegensatz zu herkömmlicher Software können die meisten Blockchain-Programme nach der Bereitstellung nicht mehr geändert werden, was bedeutet, dass selbst kleinste Programmierfehler zu dauerhaften finanziellen Verlusten führen können.
Um zu bewerten, wie künstliche Intelligenz in diesem risikoreichen Umfeld abschneidet, haben Forscher von OpenAI, Paradigm und OtterSec EVMbench entwickelt.
Anstatt einfacher Testaufgaben werden 120 reale Schwachstellen aus 40 Blockchain-Projekten verwendet, wodurch die Bewertung näher an den realen Bedingungen liegt.
In einem Blogbeitrag von OpenAI wurde dazu angemerkt,
„Wir evaluieren eine Reihe von fortschrittlichen Agenten und stellen fest, dass sie in der Lage sind, Schwachstellen von Anfang bis Ende bei aktiven Blockchain-Instanzen zu entdecken und auszunutzen.“
Weiter heißt es,
„Wir veröffentlichen Code, Aufgaben und Tools, um die fortlaufende Messung dieser Fähigkeiten und zukünftige Arbeiten zur Sicherheit zu unterstützen.“
Verändert KI tatsächlich die Sicherheit von Smart Contracts?
Während KI die Überprüfung und Fehlerbehebung erheblich verbessert, kann sie auch Schwächen im System ausnutzen. Um dies zu adressieren, hilft EVMbench Forschern, diese Risiken nachzuverfolgen.
Es leitet zudem eine verantwortungsvolle KI-Entwicklung für hochwertige Finanzsysteme an.
Das heißt, EVMbench testet KI-Agenten in drei Phasen.
Quelle: OpenAI
Jede Phase steht für ein anderes technisches Schwierigkeitsniveau und spiegelt die zunehmende Sicherheitsverantwortung wider.
Die Community schätzt dieses Engagement
Ein X-Nutzer bemerkte anerkennend,
„Dies ist ein Wendepunkt für die Sicherheit von Smart Contracts. Der Sprung von 31,9 % auf 72,2 % Erfolg bei Ausnutzungen in nur 6 Monaten zeigt, dass KI-Agenten nicht nur besser im Lesen von Code werden – sie beherrschen die gesamte Angriffskette.“
In ähnlichem Ton ergänzte ein anderer Nutzer ,
„Der sechsfach höhere Erfolg bei Ausnutzungen ist ein enormer Fortschritt, aber es ist etwas beunruhigend, wie schnell sich offensive Fähigkeiten entwickeln.“
Jüngster Vorfall sorgte für Aufsehen
Trotz dieses Optimismus ereignete sich kurz nach der Einführung von EVMbench durch OpenAI etwas Unerwartetes. Ein Exploit unter Beteiligung von Claude Opus 4.6 weckte ernsthafte Bedenken hinsichtlich der Risiken von „vibe-coded“ Smart Contracts.
In diesem Fall half die KI dabei, fehlerhaften Solidity-Code zu schreiben, wodurch der Preis des cbETH-Assets fälschlicherweise auf 1,12 $ statt des tatsächlichen Wertes von etwa 2.200 $ gesetzt wurde. Dies löste Liquidationen aus und verursachte Verluste in Höhe von fast 1,78 Millionen Dollar.
Quelle: X
Dies zeigt, dass das Vertrauen in KI bei kritischer Finanzlogik ohne sorgfältige menschliche Prüfung kleine Fehler in große Verluste verwandeln kann.
Einschränkungen bleiben bestehen
EVMbench hat klare Einschränkungen. Es enthält nur 120 kuratierte Schwachstellen und kann neu entdeckte Probleme nicht bewerten.
Der „Detect Mode“ produziert zudem Fehlalarme. Die geringe Anzahl von Patch- und Exploit-Aufgaben spiegelt den hohen manuellen Aufwand wider, der für deren Erstellung erforderlich ist.
Außerdem bildet die isolierte Testumgebung reale Bedingungen wie Cross-Chain-Aktivitäten, zeitliche Komplexitäten und langfristige Netzwerkhistorie nicht vollständig ab.
Es versteht sich von selbst, dass mit der beschleunigten Einführung von Blockchain auch deren Missbrauch immer rascher voranschreitet.
Kürzlich zeigte eine Untersuchung von Group-IB, dass die DeadLock-Ransomware Polygon-Smart-Contracts nutzt, um Server-Infrastruktur zu verschleiern und der Entdeckung zu entgehen.
Diese Entwicklungen deuten gemeinsam auf eine beunruhigende Verschiebung hin, bei der Smart Contracts, ursprünglich zur Erhöhung von Transparenz und Vertrauen entwickelt, zunehmend als Werkzeuge für Cyberkriminalität zweckentfremdet werden.
Fazit
- Tools wie EVMbench helfen Forschern, KI-Fähigkeiten unter realistischen Sicherheitsbedingungen zu messen.
- Begrenzte Datensätze und kontrollierte Umgebungen können die Komplexität realer Blockchain-Systeme dennoch nicht vollständig abbilden.
