Kompanija za kibernetsku sigurnost u kriptovalutama Trugard, zajedno sa onchain trust protokolom Webacy, kreirali su sistem vođen umjetnom inteligencijom dizajniran za otkrivanje trovanja adresa kripto novčanika. Kao što je najavljeno 21. maja putem Cointelegrapha, ovo novo rješenje je integrisano u Webacyjev skup alata za donošenje odluka u svijetu kriptovaluta i “ koristi nadzorni model strojnog učenja obučavan na podacima o stvarnim transakcijama u kombinaciji sa onchain analizama, inženjerstvom karakteristika i kontekstom ponašanja. ” Alat navodno postiže stopu uspjeha od 97%, što je potvrđeno na poznatim scenarijima napada. “Trovanje adresa je jedno od najpodcijenjenijih, ali i najskupljih prevara u kriptovalutama, iskorištavajući najjednostavnije pretpostavke: da je ono što vidite, ono što dobijate, ” izjavio je suosnivač Webacyja Maika Isogawa. Trovanje adresa u kriptovalutama je prevara u kojoj napadači šalju manje količine kriptovaluta sa adresa koje liče na pravu adresu žrtve — često dijele iste početne i završne karaktere. Ovaj pristup ima za cilj prevariti korisnike da kopiraju i ponovo koriste adresu napadača u kasnijim transakcijama, što dovodi do finansijskih gubitaka. Ova prevara iskorištava navike korisnika da se oslanjaju na djelimično poklapanje adresa ili istoriju u međuspremniku pri transferu kriptoa. Studija iz januara 2025. godine otkrila je više od 270 miliona pokušaja trovanja na BNB Chain i Ethereum-u od 1. jula 2022. do 30.

juna 2024. , s 6. 000 uspješnih pokušaja koji su rezultirali gubicima većim od 83 miliona dolara. Povezano: Šta su napadi trovanja adresa u kriptovalutama i kako ih izbjegavati? Primjena sigurnosnog znanja iz Web2 u Web3 Jereimah O’Connor, glavni tehnički direktor Trugarda, rekao je Cointelegraphu da tim donosi obimno znanje iz sigurnosti sajber prostora iz Web2 domena, kojeg su primjenjivali na Web3 podatke još od ranih dana kriptovaluta. Oni koriste iskustvo u algoritamskom inženjerstvu karakteristika iz tradicionalnih sistema da bi unaprijedili sigurnost Web3. Napomenuo je: „Većina postojećih alata za otkrivanje napada u Web3 oslanja se na statična pravila ili osnovno filtriranje transakcija, što često zaostaje za evolucijom taktika, tehnika i procedura napadača. “ Nasuprot tome, njihov novi sistem koristi strojno učenje za kontinuirano učenje i prilagođavanje u svrhu otkrivanja prijetnji trovanja adresa. O’Connor je istaknuo da se ono što ih razlikuje je “fokus na kontekst i prepoznavanje obrazaca. ” Isogawa je dodala da “AI može prepoznati obrasce često izvan ljudskih analitičkih mogućnosti. ” Povezano: Jameson Lopp upozorava na napade trovanja Bitcoin adresa Pristup strojnog učenja O’Connor je objasnio da je Trugard kreirao sintetičke skupove podataka za obuku AI koja će imitirati razne metode napada. Model je zatim obučavan pomoću nadziranog učenja — tehnike strojnog učenja gdje model uči iz označenih podataka koji sadrže ulazne vrijednosti i odgovarajuće tačne rezultate. Cilj je da model razumije odnose između ulaza i izlaza kako bi mogao tačno predviđati ishode za nove, neviđene podatke. Uobičajene primjene uključuju filtriranje neželjene pošte, prepoznavanje slika i predviđanje cijena. Dodatno, model se kontinuirano ažurira retrenirajući se novim podacima dok napadači razvijaju nove strategije. „Takođe, izgradili smo sloj za generisanje sintetičkih podataka koji omogućava stalno testiranje modela na simuliranim scenarijima trovanja, ” rekao je. „Ovaj pristup se pokazao izrazito efikasnim u pomažući modelu da se generalizira i održi otpornost tokom vremena. ”