Крипто компании за киберсигурност Trugard, съвместно с протокола за доверие на блокчейна Webacy, създадоха система, базирана на изкуствен интелект, предназначена да открива отравяне на криптовалутни адреси. Както беше обявено на 21 май чрез Cointelegraph, това ново решение е интегрирано в софтуера за крипто решения на Webacy и „използва надзорен модел за машинно обучение, трениран върху реални транзакционни данни, комбиниран с аналитика на блокчейна, инженеринг на характеристики и поведенски контекст. “ Инструментът постига съобщено 97% успеваемост, валидирана в известни ситуации на атаки. „Отравянето на адреси е една от най-недооценяваните, но и най-скъпите измами в криптото, използваща най-простото предположение: Това, което виждаш, е това, което получаваш, “ заяви съоснователката на Webacy Майка Исогоава. Отравянето на крипто адреси е измамна техника, при която нападателите изпращат малки суми криптовалута от адреси, които приличат много на истинския адрес на жертвата — често споделяйки едни и същи начален и краен символ. Този подход цели да заблуди потребителите да копират и използват повторно адреса на нападателя в по-нататъшни транзакции, което води до финансови загуби. Тази измама използва навиците на потребителите да разчитат на частични съвпадения на адреси или история в клипборда при прехвърляне на криптовалута. Проучване от януари 2025 г. разкри повече от 270 милиона опити за отравяне в BNB Chain и Ethereum между 1 юли 2022 г. и 30 юни 2024 г. , с 6000 успешни опита, довели до загуби над 83 милиона долара. Свързано: Какви са атаките чрез отравяне на адреси в крипто и как да ги избегнем? Прилагане на сигурност от Web2 към Web3 Главният технологичен директор на Trugard, Джереми О’Конър, каза на Cointelegraph, че екипът носи значителни знания в областта на киберсигурността от Web2, които прилагат към данните в Web3 от ранните дни на криптовалутите. Те използват опит в инженерството на характеристиките чрез алгоритмични методи от традиционните системи, за да подобрят сигурността на Web3.

Той отбеляза: „Повечето съществуващи инструменти за откриване на атаки в Web3 разчитат на статични правила или базова филтрация на транзакции, които често изостават спрямо развиващите се тактики, техники и процедури на нападателите. “ За разлика от тях, новосъздадената от тях система използва машинно обучение за непрекъснато учене и адаптация към заплахите от отравяне на адреси. О’Конър подчертава, че това, което отличава системата им, е „фокусът ѝ върху контекста и разпознаването на модели. “ Исогоава допълни, че „изкуственият интелект може да засече модели, които често са извън аналитичните възможности на човека. “ Свързано: Джеймсън Лоп предупреждава за атаки чрез отравяне на Bitcoin адреси Моделът с машинно обучение О’Конър обясни, че Trugard е създал синтетични обучителни данни, за да подражава на разнообразните атаки. Моделът е обучен чрез надзорно машинно обучение — техника, при която моделът учи от означени данни, съдържащи входове и правилни изходи. Целта е моделът да разбира връзките между входовете и изходите, за да може да предсказва правилно резултати върху нови, невиждани данни. Типичните приложения включват филтриране на спам, разпознаване на изображения и прогнозиране на цени. Освен това, моделът се актуализира непрекъснато чрез повторно обучение с нови данни, докато нападателите разработват нови стратегии. „Освен това, създадохме слой за синтетично генериране на данни, който позволява непрекъснато тестване на модела срещу симулирани сценарии на отравяне, “ каза той. „Този подход се оказа изключително ефективен за обобщаване и запазване на стабилност на модела с течение на времето. “