شرکت امنیت سایبری ارزهای دیجیتال Trugard، همراه با پروتکل اعتماد زنجیره‌ای Webacy، سامسونای مبتنی بر هوش مصنوعی را ایجاد کرده است که برای شناسایی سمپاشی آدرس کیف پول‌های کریپتو طراحی شده است. همانطور که در ۲۱ می از طریق کوین‌تلگراف اعلام شد، این راه‌حل جدید در مجموعه تصمیم‌گیری‌های کریپتو Webacy یکپارچه شده است و «از یک مدل یادگیری ماشین نظارت‌شده استفاده می‌کند که بر اساس داده‌های تراکنش‌های زنده آموزش دیده است، و با تحلیل‌های زنجیره‌ای، مهندسی ویژگی و زمینه‌سازی رفتاری ترکیب شده است. » گفته شده است که این ابزار به درصد موفقیت ۹۷٪ دست یافته و در سناریوهای حمله شناخته‌شده تأیید شده است. مایکا ایسوگawa، یکی از بنیان‌گذاران Webacy، اظهار داشت: «سمپاشی آدرس یکی از کم‌توجه‌ترین اما پرهزینه‌ترین کلاه‌برداری‌های رمزارزی است که از فرضیه ساده‌ای بهره می‌برد: اینکه آنچه می‌بینی همان چیزی است که دریافت می‌کنی. » سمپاشی آدرس در کریپتو، یک روش فریب است که در آن حمله‌کنندگان مقدار کمی رمزارز از آدرس‌های کیف پولی که شباهت نزدیکی به آدرس واقعی قربانی دارند، ارسال می‌کنند—اغلب کاراکترهای شروع و پایان یکسان. هدف این است که کاربران فریب بخورند و آدرس حمله‌کننده را در تراکنش‌های بعدی کپی و استفاده کنند، و در نتیجه ضررهای مالی وارد شود. این کلاه‌برداری از عادت کاربران بهره می‌گیرد که هنگام انتقال رمزارز به تطابق جزئی آدرس یا تاریخچه کلیپ‌بورد اعتماد می‌کنند. مطالعه‌ای در ژانویه ۲۰۲۵ نشان داد که در بازه زمانی ۱ ژوئیه ۲۰۲۲ تا ۳۰ ژوئن ۲۰۲۴، بیش از ۲۷۰ میلیون تلاش سمپاشی در شبکه BNB و اتریوم صورت گرفته است، که در نتیجه آن ۶۰۰۰ تلاش موفق انجام شده و بیش از ۸۳ میلیون دلار ضرر وارد شده است. مرتبط: حملات سمپاشی آدرس در کریپتو چیست و چگونه از آن‌ها جلوگیری کنیم؟ تاکید بر تخصص امنیت Web2 در Web3 جریمان اوکونر، مدیر فناوری شرکت Trugard، به کوین‌تلگراف گفت که تیم آن‌ها دانش عمیقی در زمینه امنیت سایبری Web2 دارد که از زمان اولیه رمزارزها در آن به کار برده شده است. آن‌ها از تجربیات در مهندسی ویژگی‌های الگوریتمی در سیستم‌های سنتی بهره می‌برند تا امنیت Web3 را تقویت کنند. او افزود: «بیشتر ابزارهای تشخیص حملات موجود در Web3 به قوانین ثابت یا فیلترهای ساده تراکنش وابسته هستند که غالباً در مقابل تاکتیک‌ها، تکنیک‌ها و روش‌های متغیر مهاجمان عقب می‌مانند. » در مقابل، سیستم جدید آن‌ها از یادگیری ماشین برای یادگیری و تطبیق مداوم با تهدیدهای سمپاشی آدرس استفاده می‌کند.

اوکونر تأکید کرد که تفاوت سیستم آن‌ها در «تمرکز بر زمینه و تشخیص الگو» است. ایسوگawa نیز افزود که «هوش مصنوعی می‌تواند الگوهایی را شناسایی کند که اغلب فراتر از توانایی‌های تحلیلی انسانی است. » مرتبط: Jameson Lopp درباره حملات سمپاشی آدرس بیت‌کوین هشدار می‌دهد رویکرد یادگیری ماشین اوکونر توضیح داد که Trugard داده‌های آموزش مصنوعی برای هوش مصنوعی ساخته است تا روش‌های مختلف حمله را شبیه‌سازی کند. سپس مدل با استفاده از یادگیری نظارت‌شده آموزش دیده است—یک تکنیک یادگیری ماشین که در آن مدل از داده‌های برچسب‌دار یاد می‌گیرد که شامل ورودی‌ها و خروجی‌های صحیح است. هدف این است که مدل رابطه بین ورودی و خروجی را درک کند تا بتواند نتایج را برای داده‌های جدید و ناشناخته درست پیش‌بینی کند. برنامه‌های رایج شامل فیلتر کردن ایمیل‌های هرزنامه، شناسایی تصویر و پیش‌بینی قیمت است. علاوه بر این، مدل به طور مداوم با بروز رسانی‌های جدید داده می‌گیرد و مجدداً آموزش می‌بیند تا استراتژی‌های جدید حمله را پیگیری کند. او گفت: «علاوه بر این، ما لایه تولید داده‌های مصنوعی ساخته‌ایم که امکان آزمایش مداوم مدل در مقابل سناریوهای شبیه‌سازی‌شده سمپاشی را فراهم می‌کند. این رویکرد در کمک به تعمیم و حفظ استحکام مدل در طول زمان بسیار مؤثر بوده است. »