क्रिप्टो साइबर सुरक्षा कंपनी Trugard, ऑनचेन ट्रस्ट प्रोटोकॉल Webacy के साथ मिलकर, एक AI-संचालित प्रणाली विकसित कर रही है जिसका उद्देश्य क्रिप्टो वॉलेट पते के विषाक्तता (पॉइज़निंग) का पता लगाया जाना है। 21 मई को Cointelegraph के माध्यम से घोषित किया गया कि इस नई समाधान को Webacy के क्रिप्टो निर्णय लेने वाले सूट में एकीकृत किया गया है और “यह एक पर्यवेक्षित मशीन लर्निंग मॉडल का उपयोग करता है जो लाइव लेनदेन डेटा पर प्रशिक्षित है, साथ ही ऑनचेन एनालिटिक्स, फीचर इंजीनियरिंग और व्यवहार संदर्भ के साथ।” यह उपकरण लगभग 97% सफलता दर प्राप्त करता है, जिसे ज्ञात हमले परिदृश्य के माध्यम से मान्य किया गया है। Webacy के सह-संस्थापक माइका इसोगावा ने कहा, “पते का विषाक्तता क्रिप्टो में सबसे कम रिपोर्ट किया गया लेकिन सबसे महंगे स्कैम में से एक है, जिसमें सबसे आसान धारणा का लाभ उठाया जाता है: कि जो आप देखते हैं वही आप प्राप्त करते हैं।” क्रिप्टो पता विषाक्तता एक धोखाधड़ी तकनीक है जिसमें हमलावरों द्वारा उस वॉलेट पते से छोटी मात्रा में क्रिप्टोकरेंसी भेजी जाती है जो पीड़ित के वास्तविक पते के बहुत करीब होता है—अक्सर शुरूआती और अंतिम वर्ण भाग साझा करते हैं। इस तरीके का उद्देश्य उपयोगकर्ताओं को धोखा देना है ताकि वे उस हमलावर का पता कॉपी और दोहराएं और बाद में लेनदेन में उसका फिर से उपयोग करें, जिससे वित्तीय नुकसान हो। यह धोखा उपयोगकर्ताओं की आदत का फायदा उठाता है, जहां वे क्रिप्टो ट्रांसफर करते वक्त आंशिक पते से मिलान या क्लिपबोर्ड इतिहास पर भरोसा करते हैं। जनवरी 2025 के एक अध्ययन में खुलासा किया गया कि 1 जुलाई 2022 से 30 जून 2024 के बीच BNB चेन और Ethereum पर 270 मिलियन से अधिक विषाक्तता प्रयास किए गए, जिनमें 6, 000 सफल प्रयास थे, जिनसे 83 मिलियन डॉलर से अधिक का नुकसान हुआ। संबंधित: क्रिप्टो में पता विषाक्तता हमले क्या हैं और इन्हें कैसे टाला जाए? Web2 सुरक्षा विशेषज्ञता को Web3 पर लागू करना Trugard के मुख्य तकनीकी अधिकारी, जेरमियाह ओ’कोनर ने Cointelegraph को बताया कि उनकी टीम के पास Web2 डोमेन से व्यापक साइबर सुरक्षा ज्ञान है, जिसे उन्होंने क्रिप्टोकरेंसी के शुरुआती दिनों से Web3 डेटा पर लागू किया है। वे पारंपरिक सिस्टम से एल्गोरिदमिक फीचर इंजीनियरिंग का अनुभव लेते हैं ताकि Web3 सुरक्षा को मजबूत किया जा सके। उन्होंने कहा: “अधिकांश मौजूदा Web3 हमले का पता लगाने वाले उपकरण स्थैतिक नियमों या आधारभूत लेन-देन फ़िल्टरिंग पर निर्भर हैं, जो अक्सर विकसित हो रहे हत्यारों की रणनीतियों, तकनीकों और प्रक्रियाओं के साथ पिछड़ जाते हैं।“ विपरीत रूप से, उनका नया विकसित सिस्टम मशीन लर्निंग का उपयोग करता है ताकि विषाक्तता का खतरा निरंतर सीखते और अनुकूलित हो सके। ओ’कोनर ने बताया कि उनके सिस्टम को क्या अलग बनाता है, वह “संदर्भ और पैटर्न पहचान पर केंद्रित है।” इसोगावा ने जोड़ा कि “AI अक्सर मानवीय विश्लेषणात्मक क्षमताओं से परे पैटर्न का पता लगा सकता है।” संबंधित: जेम्सन लॉप बिटकॉइन पता विषाक्तता हमलों पर चेतावनी देते हैं मशीन लर्निंग दृष्टिकोण ओ’कोनर ने समझाया कि Trugard ने AI के लिए सिंथेटिक प्रशिक्षण डेटा तैयार किया ताकि विभिन्न हमले के तरीकों का अनुकरण किया जा सके। उस मॉडल को फिर से पर्यवेक्षित शिक्षा का उपयोग करके प्रशिक्षित किया गया—यह एक मशीन लर्निंग तकनीक है जिसमें मॉडल को उन इनपुट के साथ जुड़े सही आउटपुट वाले लेबल वाले डेटा से सीखने में सक्षम बनाया जाता है। उद्देश्य यह है कि मॉडल इनपुट-आउटपुट संबंधों को समझ सके ताकि नए, अनदेखे डेटा के लिए सही भविष्यवाणी कर सके। सामान्य अनुप्रयोगों में स्पैम फ़िल्टरिंग, छवि मान्यता, और कीमत भविष्यवाणी शामिल हैं। इसके अलावा, मॉडल को लगातार नए डेटा के साथ पुनः प्रशिक्षित करके अपडेट किया जाता है क्योंकि हमलावर नई रणनीतियों का विकास करते हैं। उन्होंने कहा, “इसके साथ ही, हमने एक सिंथेटिक डेटा जेनरेशन लेयर भी बनाई है जो मॉडल का परीक्षण लगातार उत्पन्न विषाक्तता परिदृश्यों के खिलाफ करने में सक्षम बनाती है।” “यह दृष्टिकोण मॉडल को सामान्यीकृत करने और समय के साथ सुदृढ़ता बनाए रखने में अत्यंत प्रभावी रहा है।”