Crypto-kyberturvallisuusyritys Trugard on yhdessä onchain-tre Vaktrust Protocol Webacyn kanssa luonut tekoälypohjaisen järjestelmän, joka on suunniteltu havaitsemaan kryptolompakon osoitepäästöjä. Kuten Cointelegraph kertoi 21. toukokuuta, tämä uusi ratkaisu on integroitu Webacyn kryptopäätöksenteon työkalupakkiin ja "hyödyntää valvottua koneoppimismallia, joka on koulutettu reaaliaikaisista tapahtumatiedoista yhdistettynä onchain-analytiikkaan, ominaisuusinsinöörityöhön ja käyttäytymiskontekstiin. " Työkalun kerrotaan saavuttavan 97 % onnistumisasteen, mikä on vahvistettu tunnetuissa hyökkäystilanteissa. "Osoitepäästö on yksi aliarvostetuimmista mutta kalleimmista kryptohuijauksista, jotka hyödyntävät yksinkertaista oletusta: että mikä näkyy, sitä myös saa, " totesi Webacyn perustaja Maika Isogawa. Crypto-osoitenpäästö on huijaustekniikka, jossa hyökkääjät lähettävät pieniä määriä kryptovaluuttaa lompakko-osoitteista, jotka muistuttavat erittäin paljon uhrin todellista osoitetta—usein alkuna ja lopusta yhteneviä merkkejä. Tällä pyritään huijamaan käyttäjiä kopioimaan ja käyttämään hyökkääjän osoitetta myöhemmissä tapahtumissa, mikä johtaa taloudellisiin menetyksiin. Tämä huijaus hyödyntää käyttäjien tapaa luottaa osittaiseen osoitteen vertailuun tai leikepöydän historiaan kryptin siirtämisessä. Tammikuussa 2025 julkaistussa tutkimuksessa paljastettiin yli 270 miljoonaa päästöyritystä BNB Chainissä ja Ethereumissa heinäkuun 1. 2022 ja kesäkuun 30. 2024 välillä, joista 6 000 oli onnistuneita ja aiheuttivat yli 83 miljoonan dollarin menetykset. Liittyen: Mitä ovat osoitenpäästöhyökkäykset kryptossa ja kuinka niiltä voi välttyä? Web2-turvallisuusosaamisen soveltaminen Web3:een Trugardin teknologiajohtaja Jeremiah O’Connor kertoi Cointelegraphille, että tiimi tuo mukanaan vankan kyberturvallisuuden osaamisen Web2-alalta, jota he ovat soveltaneet Web3-dataan kryptovaluutan alkumetreiltä asti.

He hyödyntävät perinteisistä järjestelmistä peräisin olevaa algoritmista ominaisuusinsinöörityötä parantaakseen Web3:n turvallisuutta. Hän totesi: "Useimmat nykyiset Web3-hyökkäysten havaitsemisvälineet perustuvat staattisiin sääntöihin tai perus tapahtumien suodattamiseen, mutta ne jäävät usein jälkeen kehittyvistä hyökkääjien taktiikoista, tekniikoista ja menettelyistä. " Sen sijaan heidän juuri kehittämä järjestelmänsä käyttää koneoppimista jatkuvasti oppiakseen ja sopeutuakseen osoitteiden päästöuhkiin. O’Connor korosti, että heidän järjestelmänsä erottaa muista "sen keskittyminen kontekstiin ja kaava-analyysiin. " Isogawa lisäsi, että "tekoäly voi havaita kuvioita usein inhimillisen analyysin rajojen yli. " Liittyen: Jameson Lopp huolestuu Bitcoin-osoitenpäästöhyökkäyksistä Koneoppimisstrategia O’Connor selitti, että Trugard loi tekoälylle synteettistä koulutusdataa, jolla se pystyi jäljittelemään erilaisia hyökkäysmenetelmiä. Mallia koulutettiin sitten valvotulla oppimisella— koneoppimisen menetelmällä, jossa malli oppii merkittyjen aineistojen, eli syötteiden ja oikeiden tulosten parien, avulla. Tavoitteena on, että malli ymmärtää syöte- ja tulostussuhteet ja pystyy siten oikealla tavalla ennustamaan lopputuloksia uusille, näkemättömille tiedoille. Tavanomaisia sovelluksia ovat roskapostin suodatus, kuvien tunnistus ja hintojen ennustaminen. Lisäksi malli päivittyy jatkuvasti uudelleenkoulutuksin uusilla tiedoilla sitä mukaan, kun hyökkääjät kehittävät uusia strategioita. Hän sanoi: "Lisäksi olemme rakentaneet synteettisen datan generointikerroksen, joka mahdollistaa mallin jatkuvan testauksen simuloiduilla päästötilanteilla. " Hän lisää, että tämä lähestymistapa on osoittautunut erittäin tehokkaaksi auttaen mallia yleistymään ja pysymään kestävänä ajan myötä.