Pemilihan Tools Analisis Kerentanan Smart Contract Ethereum
Platform rekomendasi cerdas yang membantu pengembang dan peneliti keamanan memilih tools audit keamanan smart contract secara objektif berdasarkan 10 kriteria evaluasi teknis.
5 Tools
Alternatif Tools
Conkas, Manticore, teEther, Mythril, Slither
10 Kriteria
Kriteria Evaluasi
Aspek Fungsional & Non-Fungsional
DASP Top 10
Standar Taksonomi
Acuan Kerentanan Smart Contract
Metode SAW
Metode Pengambilan Keputusan
Simple Additive Weighting
5 Alternatif Tools Terpilih
Dipilih melalui penyaringan 140 tools berdasarkan kriteria kelayakan publikasi, tipe input, dan kapabilitas deteksi mandiri.
Conkas
Perangkat analisis statis berbasis eksekusi simbolik yang memanfaatkan modul Rattle untuk membangun Control Flow Graph (CFG) dan mengonversinya ke Intermediate Representation (IR).
Deteksi Kerentanan:
Manticore
Dynamic symbolic execution framework dari Trail of Bits dengan mesin SMT solver Z3 untuk mengeksplorasi jalur eksekusi secara komprehensif, mendukung CLI dan Python API.
Deteksi Kerentanan:
teEther
Alat eksekusi simbolik otomatis berfokus pada deteksi kerentanan transaksi serta pembuatan exploit secara otomatis pada tingkat EVM bytecode.
Deteksi Kerentanan:
Mythril
Alat analisis keamanan open-source dari ConsenSys yang menggabungkan mesin eksekusi simbolik LASER-Ethereum, concolic analysis, dan SMT solver Z3.
Deteksi Kerentanan:
Slither
Framework analisis statis mutakhir berbasis Intermediate Representation (SlithIR) dan SSA dari Trail of Bits. Memiliki kecepatan eksekusi tinggi dan terintegrasi mulus dengan alur CI/CD.
Deteksi Kerentanan:
Bagaimana Metode Simple Additive Weighting (SAW) Bekerja?
Metode SAW (penjumlahan terbobot) mencari total nilai preferensi setiap alternatif dengan menjumlahkan hasil kali rating kinerja ternormalisasi dengan vektor bobot kriteria yang dimasukkan pengguna.
Menyusun matriks nilai kinerja 5 tools terhadap 10 kriteria evaluasi teknis sesuai hasil validasi empiris dan studi literatur.
Menyamakan skala seluruh kriteria menggunakan rumus atribut benefit: Rᵢⱼ = Xᵢⱼ / Max(Xⱼ).
Mengalikan matriks normalisasi R dengan bobot W yang diinputkan pengguna untuk memperoleh peringkat rekomendasi akhir: Vᵢ = ∑ WⱼRᵢⱼ.