Kryptosikkerhedsfirmaet Trugard, sammen med onchain trust-protokollen Webacy, har skabt et AI-drevet system designet til at opdage kryptowallet-adresseforgiftning. Som annonceret den 21. maj via Cointelegraph er denne nye løsning integreret i Webacy’s kryptobeslutningsværktøjssæt og “påvirker en overvåget maskinlæringsmodel, der er trænet på live transaktionsdata kombineret med onchain-analyse, feature engineering og adfærdsanalyser. ” Værktøjet formodes at opnå en succesrate på 97 %, valideret over kendte angrebsscenarier. “Adresseforgiftning er en af de mest underrapporterede, men omkostningstunge svindelmetoder i crypto, der udnytter den simpleste antagelse: At det, du ser, er det, du får, ” erklærede Webacy’s medstifter Maika Isogawa. Crypto-adresseforgiftning er en svindelteknik, hvor angribere sender små mængder kryptovaluta fra wallet-adresser, der ligner offerets rigtige adresse – ofte med samme start- og sluttegn. Denne metode har til formål at narre brugere til at kopiere og genbruge angriberens adresse i senere transaktioner, hvilket kan medføre økonomiske tab. Denne svindel udnytter, at brugere ofte stoler på delvise adresser eller clipboard-historik, når de overfører crypto. En undersøgelse fra januar 2025 viste over 270 millioner forsøg på forgiftning på BNB Chain og Ethereum mellem 1. juli 2022 og 30. juni 2024, med 6. 000 vellykkede forsøg, der har resulteret i tab på over 83 millioner dollars. Relateret: Hvad er adresseforgiftning i crypto, og hvordan undgår man det? Web2-sikkerhedsekspertise anvendt i Web3 Trugards CTO, Jeremiah O’Connor, fortalte til Cointelegraph, at teamet bringer væsentlig cybersikkerhedsviden fra Web2-domænet, som de har anvendt på Web3-data siden kryptovalutaens tidlige dage.

De udnytter erfaring med algoritmisk feature engineering fra traditionelle systemer til at forbedre Web3-sikkerheden. Han bemærkede: “De fleste eksisterende Web3-attackdetektionsværktøjer er afhængige af statiske regler eller basal transaktionsfiltrering, som ofte halter efter angriberes udviklende taktikker, teknikker og procedurer. ” I modsætning hertil bruger deres nyligt udviklede system maskinlæring til løbende at lære og tilpasse sig trusler om adresseforgiftning. O’Connor understregede, at det, der adskiller deres system, er “fokus på kontekst og mønstergenkendelse. ” Isogawa tilføjede, at “AI kan opdage mønstre, der ofte ligger uden for menneskelig analytisk kapacitet. ” Relateret: Jameson Lopp advarer om Bitcoin-adresseforgiftning Maskinlæringsmetoden O’Connor forklarede, at Trugard har skabt syntetiske træningsdata til AI’en for at efterligne forskellige angrebsteknikker. Modellen blev derefter trænet ved hjælp af overvåget læring – en maskinlæringsmetode, hvor modellen lærer af mærkede data, der består af input kombineret med korrekte outputs. Formålet er, at modellen skal forstå input-output-forhold for at kunne forudsige resultater for nye, usete data. Typiske anvendelser inkluderer spamfiltrering, billedgenkendelse og prisforudsigelse. Desuden opdateres modellen løbende ved at gen-træne den med nye data, efterhånden som angribere udvikler nye strategier. “Derudover har vi opbygget et lag til generering af syntetiske data, der muliggør løbende test af modellen mod simulerede forgiftning scenarioer, ” forklarede han. “Denne tilgang har vist sig yderst effektiv i at hjælpe modellen med at generalisere og opretholde robusthed over tid. ”