Kryptoměnová kyberbezpečnostní společnost Trugard ve spolupráci s onchain trust protokolem Webacy vytvořila systém poháněný umělou inteligencí, který je navržen tak, aby odhaloval otravy kryptoměnových peněženek. Jak bylo oznámeno 21. května prostřednictvím Cointelegraph, toto nové řešení je integrováno do souboru rozhodovacích nástrojů Webacy pro kryptoměny a „používá dozorovaný model strojového učení trénovaný na živých transakčních datech ve spojení s onchain analytikou, inženýrstvím vlastností a behaviorálními kontexty. “ Nástroj údajně dosahuje úspěšnosti 97 %, což bylo ověřeno na známých scénářích útoků. „Otravování adres je jedním z nejméně hlášených, ale nákladných podvodů v kryptoměnách, který využívá nejjednodušší předpoklad: že to, co vidíte, je to, co dostanete, “ uvedla spoluzakladatelka Webacy Maika Isogawa. Otravování kryptoměnových adres je podvodná technika, při níž útočníci posílají malé částky kryptoměny z adres peněženek, které se podobají skutečné adrese oběti — často sdílejí stejné počáteční a koncové znaky. Tento přístup má za cíl oklamat uživatele, aby kopírovali a znovu používali adresu útočníka při pozdějších transakcích, což může vést ke finančním ztrátám. Tento podvod využívá zvyků uživatelů spoléhat na částečné shody v adresách nebo na historii z clipboardu při převodech kryptoměn. Studie z ledna 2025 odhalila více než 270 milionů pokusů o otravu na sítích BNB Chain a Ethereum mezi 1. červencem 2022 a 30. červnem 2024, přičemž 6 000 z nich bylo úspěšných a způsobily ztráty přes 83 milionů dolarů. Související: Co jsou útoky na adresy v kryptoměnách a jak se jim vyhnout? Bezpečnostní zkušenosti z Web2 aplikované na Web3 Technický ředitel Trugardu Jeremiah O’Connor řekl Cointelegraphu, že jejich tým přináší významné znalosti z kybernetické bezpečnosti z oblasti Web2, které používají při práci s daty Web3 již od raných dob kryptoměn.

Využívají zkušenosti s inženýrstvím vlastností v algoritmických systémech, aby zvýšili bezpečnost Web3. Zdůraznil: „Většina stávajících nástrojů pro detekci útoků ve Web3 závisí na statických pravidlech nebo základním filtrováním transakcí, což často nestačí na stále vyvíjející se taktiky, techniky a procedury útočníků. “ Na rozdíl od toho jejich nově vyvinutý systém využívá strojové učení, které se neustále učí a přizpůsobuje hrozbám otravy adres. O’Connor zdůraznil, že to, co jejich systém odlišuje, je „jeho zaměření na kontext a rozpoznávání vzorů. “ Isogawa dodala, že „umělá inteligence dokáže identifikovat vzory často přesahující lidské analytické schopnosti. “ Související: Jameson Lopp varuje před útoky na adresy Bitcoinů Přístup založený na strojovém učení O’Connor vysvětlil, že Trugard vytvořil syntetická tréninková data, aby AI mohla napodobovat různé metody útoků. Model byl poté trénován pomocí dozorovaného učení – techniky strojového učení, při níž se model učí na označených datech, obsahujících vstupy a správné výstupy. Cílem je, aby model pochopil vztahy mezi vstupy a výstupy, a tak správně předpovídal výsledky u nových, neznámých dat. Typické použití zahrnuje filtrování spamu, rozpoznávání obrázků a předpovědi cen. Navíc je model neustále aktualizován retrénováním s novými daty, jak útočníci vyvíjejí nové strategie. „Dále jsme vybudovali vrstvu generování syntetických dat, která umožňuje průběžné testování modelu proti simulovaným scénářům otravy, “ řekl. „Tento přístup se ukázal být velmi efektivní při pomoci modelu generalizovat a udržet si robustnost v čase. “