Entreprise de cybersécurité spécialisée dans la crypto, Trugard, en partenariat avec le protocole de confiance onchain Webacy, a créé un système alimenté par l’IA conçu pour détecter la poisoning des adresses de portefeuilles cryptographiques. Comme annoncé le 21 mai via Cointelegraph, cette nouvelle solution s’intègre à la suite de prise de décision crypto de Webacy et « utilise un modèle d'apprentissage automatique supervisé entraîné sur des données de transaction en direct, combiné à des analyses onchain, à une ingénierie des caractéristiques et à un contexte comportemental ». L’outil aurait un taux de succès de 97 %, validé dans le cadre de scénarios d’attaque connus. « La poisoning d’adresses est l’une des arnaques les moins signalées mais les plus coûteuses dans la crypto, exploitant l’hypothèse la plus simple : que ce que vous voyez est ce que vous obtenez », a déclaré Maika Isogawa, co-fondatrice de Webacy. La poisoning d’adresses crypto est une technique de fraude où les attaquants envoient de petites quantités de cryptomonnaie depuis des adresses de portefeuille qui ressemblent étroitement à la vraie adresse de la victime — partageant souvent les mêmes caractères de début et de fin. Cette méthode vise à tromper les utilisateurs pour qu’ils copient et réutilisent l’adresse de l’attaquant lors de transactions ultérieures, entraînant des pertes financières. Cette arnaque exploite les habitudes des utilisateurs qui se fient à la correspondance partielle d’adresses ou à l’historique du presse-papiers lors du transfert de crypto. Une étude de janvier 2025 a révélé plus de 270 millions de tentatives de poisoning sur BNB Chain et Ethereum entre le 1er juillet 2022 et le 30 juin 2024, avec 6 000 tentatives réussies ayant causé plus de 83 millions de dollars de pertes. En savoir plus : Qu’est-ce qu'une attaque de poisoning d’adresse en crypto et comment l’éviter ? Expertise en sécurité Web2 appliquée au Web3 Jeremiah O’Connor, directeur technique de Trugard, a confié à Cointelegraph que l’équipe apporte une connaissance approfondie en cybersécurité du domaine Web2, qu’elle applique depuis les premiers jours de la cryptomonnaie au traitement des données Web3. Ils mettent à profit leur expérience en ingénierie de caractéristiques algébriques issues des systèmes traditionnels pour renforcer la sécurité Web3. Il a précisé : « La plupart des outils existants de détection d’attaques Web3 dépendent de règles statiques ou de filtrages transactionnels basiques, qui ont souvent du mal à suivre l’évolution des tactiques, techniques et procédures des attaquants. » En revanche, leur système récemment développé utilise l’apprentissage automatique pour apprendre et s’adapter en permanence face aux menaces de poisoning d’adresses.

O’Connor a souligné que ce qui différencie leur système, c’est « son accent sur le contexte et la reconnaissance des schémas ». Isogawa a ajouté que « l’IA peut détecter des motifs souvent au-delà des capacités analytiques humaines ». En savoir plus : Jameson Lopp sonne l’alarme sur les attaques de poisoning d’adresses Bitcoin La méthode basée sur l’apprentissage automatique O’Connor a expliqué que Trugard a créé des données d’entraînement synthétiques pour permettre à l’IA d’imiter diverses méthodes d’attaque. Le modèle a ensuite été entraîné avec l’apprentissage supervisé — une technique d’apprentissage machine où le modèle apprend à partir de données étiquetées, comprenant des entrées associées à des sorties correctes. L’objectif est que le modèle comprenne les relations entre entrées et sorties pour pouvoir prévoir correctement les résultats sur de nouvelles données non vues auparavant. Les applications typiques incluent le filtrage des spams, la reconnaissance d’images et la prévision des prix. De plus, le modèle est mis à jour en permanence par un retrainement avec de nouvelles données, à mesure que les attaquants développent de nouvelles stratégies. « De plus, nous avons construit une couche de génération de données synthétiques qui permet de tester en continu le modèle face à des scénarios de poisoning simulés », a-t-il ajouté. « Cette approche s’est avérée très efficace pour aider le modèle à se généraliser et à maintenir sa robustesse dans le temps. »