Krüptokaitseasutus Trugard on koostöös onchain usalduse protokoll Webacyga loonud tehisintellekti juhitava süsteemi, mis on mõeldud crypto rahakoti aadressi mürgitamise avastamiseks. Nagu teatatud 21. mail Cointelegraphi kaudu, on see uus lahendus integreeritud Webacy krüptopädevuse tööriistakomplekti ning “kasutab juhendatud masinõppemudelil põhinevat süsteemi, mis on koolitatud reaalajas tehingute andmetel ning ühendab onchain analüütika, omaduste inseneri ja käitumusliku kontekstiga. ” Tööriist väidetavalt saavutab 97% edukuse, mida on kinnitatud tuntud rünnakuolukordades. “Aadressi mürgitamine on üks kõige alahinnatumaid, kuid samas kõige kulukamaid pettusi kriptomaailmas, kasutades ära kõige lihtsamat eeldust: et see, mida näed, on see, mida saad, ” ütles Webacy kaasasutaja Maika Isogawa. Krüptoaadressi mürgitamine on pettusmeetod, mille käigus ründajad saadavad väikeses koguses krüptovaluutat kasutaja rahakoti aadressilt, mis on väga sarnane ohvri tegelikule aadressile — sageli jagavad nad sama alg- ja lõpuharufektsiooni. Selle eesmärk on petta kasutajaid kopeerima ja kordama ründaja aadressi hilisemate tehingute puhul, põhjustades finantsilisi kaotusi. See pettus kasutab ära kasutajate harjumust toetuda osalisele aadressi vastele või lõikelaual olevate ajalugu, kui tehti krüptoülekanne. Jaanuarikuine 2025. aasta uuring näitas, et vahemikus 1. juuli 2022 kuni 30. juuni 2024 oli BNB Chainil ja Ethereumil üle 270 miljoni mürgitamiskatse, millest 6000 olid õnnestunud ja põhjustasid üle 83 miljoni dollari suuruse kahju. Seotud teema: Mis on aadressi mürgituskatsed krüptomaailmas ja kuidas neist hoiduda? Web2 turvalisuse teadmiste rakendamine Web3-le Trugardi peamine tehnoloogiaalase juht Jeremiah O’Connor ütles Cointelegraphile, et meeskond toob kaasa märkimisväärse küberkaitse teadmiste pagasi Web2 valdkonnast ning kasutab neid Web3 andmetes juba krüptoraha algusaegadest saadik.

Nad kasutavad kogemust algoritmilise omadusinseneritöö osas, mis tuleneb traditsioonilistest süsteemidest, et parandada Web3 turvalisust. Ta märkis: “Enamik olemasolevaid Web3 rünnaku avastamise tööriistu põhinevad statilistel reeglidel või lihtsal tehingute filtreerimisel, mis sageli jäävad maha arenevatest ründajate taktikatest, tehnikatest ja protseduuridest. ” Vastupidiselt kasutavad nende hiljuti välja töötatud süsteem masinõpet, et pidevalt õppida ja kohaneda mürgitamisohuprogrammides. O’Connor rõhutas, et mida nad peamiselt püüavad välja tuua, on “konteksti ja musteride äratundmise fookus. ” Isogawa lisas, et “TEHIS saab tuvastada mustreid, mis sageli jäävad inimese analüüsivõimeväljast välja. ” Seotud teema: Jameson Lopp tõmbab hoiatusmärgi Bitcoin aadressi mürgitusrünnakute osas Masinõppemeetodi selgitus O’Connor selgitas, et Trugard lõi tehisintellekti jaoks sünteetilise koolitusandmestiku, et jäljendada erinevaid ründusmeetodeid. Mudelit koolitati seejärel juhendatud õppimise abil — masinõppemeetod, kus mudel õpib märgistatud andmetel, mis koosnevad sisenditest ja õigetest väljunditest. Eesmärk on, et mudel mõistab sisendi ja väljundi seoseid, et õigesti prognoosida tulemusi uue ja nähtamatu andmekogumi puhul. Tavalised rakendused hõlmavad rämpsposti filtreerimist, pildituvastust ja hindade prognoosimist. Lisaks uuendatakse mudelit pidevalt uue andmetega, viies läbi retrainimise, kuna ründajad arendavad uusi strateegiaid. “Samuti oleme loonud sünteetilise andmete generatsiooni kihi, mis võimaldab pidevalt testida mudelit simuleeritud mürgitusstsenaariumide abil, ” ütles ta. “See lähenemine on osutunud väga tõhusaks, aidates mudelil üldistada ja säilitada tugevust aja jooksul. ”