Empresa de ciberseguretat crypto Trugard, juntament amb el protocol de confiança en blockchain Webacy, ha creat un sistema impulsat per IA dissenyat per detectar elençament d’adreces de carteres de criptomonedes. Com es va anunciar el 21 de maig via Cointelegraph, aquesta nova solució està integrada a la suite de presa de decisions en criptomonedes de Webacy i “utilitza un model d’aprenentatge automàtic supervisat entrenat amb dades de transaccions en viu combinades amb anàlisi en cadena, enginyeria de característiques i context conductual. ” L’eina aconsegueix, al·legadament, un índice de èxit del 97%, validat a partir de escenaris d’atac coneguts. “L’enlencament d’adreces és una de les estafes menys denunciades però més costoses en el món de les criptomonedes, explotant l’assumpció més simple: que el que veus és el que obtens, ” va afirmar Maika Isogawa, cofundadora de Webacy. L’enlencament d’adreces de crypto és una tècnica de frau on els atacants envien petites quantitats de criptomonedes des de adreces de cartera que s’assema gairebé a la de la víctima, sovint compartint els mateixos caràcters inicials i finals. Aquest enfocament pretén enganyar els usuaris perquè copiïn i reutilitzin l’adreça de l’atacant en transaccions Posteriors, provocant pèrdues econòmiques. Aquesta estafa treu profit dels hàbits dels usuaris de confiar en la coincidència parcial d’adreces o en l’historial del porta-retalls quan transfereixen criptomonedes. Un estudi de gener de 2025 va revelar més de 270 milions d’intents d’enlencament a BNB Chain i Ethereum entre l’1 de juliol de 2022 i el 30 de juny de 2024, amb 6. 000 intents amb èxit que van ocasionar més de 83 milions de dòlars en pèrdues. Relacionat: Què són els atacs d’enlencament d’adreces en criptomonedes i com evitar-los? Experts en seguretat Web2 aplicats a Web3 Jeremiah O’Connor, director de tecnologia de Trugard, va explicar a Cointelegraph que l’equip aporta un coneixement substancial en ciberseguretat del món Web2, que han estat aplicant a les dades de Web3 des dels primers dies de la criptomoneda. Treballen amb l’experiència en enginyeria de característiques d’algoritmes de sistemes tradicionals per millorar la seguretat en Web3. Va dir: “La majoria d’eines existents de detecció d’atacs en Web3 depenen de regles estàtiques o filtratge bàsic de transaccions, que sovint no poden seguir el ritme de les tàctiques, tècniques i procediments canviants dels atacants. ” En canvi, el seu sistema recentment desenvolupat utilitza aprenentatge automàtic per aprendre contínuament i adaptar-se a les amenaçes d’enlencament d’adreces.

O’Connor va subratllar que el que els diferencia és “el seu focus en el context i el reconeixement de patrons. ” Isogawa va afegir que “la IA pot identificar patrons sovint més enllà de les capacitats analítiques humanes. ” Relacionat: Jameson Lopp alarma sobre els atacs d’enlencament d’adreces de Bitcoin L’enfocament d’aprenentatge automàtic O’Connor va explicar que Trugard va crear dades de treinament sintètiques perquè la IA pugui emular diverses методов d’atac. El model es va entrenar amb aprenentatge supervisat, una tècnica d’aprenentatge automàtic on el model aprèn a partir de dades etiquetades que combinen inputs i outputs correctes. L’objectiu és que el model entengui les relacions entre entrada i sortida per predir correctament els resultats en dades noves i no vistes abans. Les aplicacions típiques inclouen filtres de spam, reconeixement d’imatges i previsió de preus. A més, el model s’actualitza de manera contínua amb noves dades realitzant noves sessions de entrenament. “A més, hem creat una capa de generació de dades sintètiques que permet provar de manera contínua el model contra escenaris d’enlencament simulats, ” va dir. “Aquest enfocament ha demostrat ser molt efectiu per ajudar el model a generalitzar i mantenir la seva robustesa amb el temps. ”