Kripto sigurnosna tvrtka Trugard, zajedno s onchain povjereničkim protokolom Webacy, kreirala je sustav vođen umjetnom inteligencijom dizajniran za otkrivanje nanošenja zagađenja na adrese kripto novčanika. Kako je najavljeno 21. svibnja putem Cointelegrapha, ovo novo rješenje integrirano je u Webacyjev skup alata za donošenje odluka u kriptovalutama i “koristi nadzirani model strojnog učenja treniran na podacima o stvarnim transakcijama, kombiniran s onchain analizama, inženjerstvom značajki i kontekstom ponašanja. ” Alat navodno postiže stopu uspješnosti od 97%, potvrđenu kroz poznate scenarije napada. “Zagađenje adresa je jedan od najpodcjenjenijih, ali i najskupljih prevara u kriptosvijetu, iskorištavajući najjednostavnije pretpostavke: da je ono što vidite, ono što dobijete, ” izjavila je suosnivačica Webacyja Maika Isogawa. Zagađenje kripto adresa predstavlja prijevarnu tehniku u kojoj napadači šalju male količine kriptovaluta s adresa koje vrlo sliče pravoj adresi žrtve — često dijele iste početne i završne znakove. Cilj je zavarati korisnike da kopiraju i ponovno koriste adresu napadača u kasnijim transakcijama, što dovodi do financijskih gubitaka. Ovaj prevarni način iskorištava navike korisnika koji se oslanjaju na djelomično usklađivanje adresa ili povijest u međuspremniku pri prijenosu kriptovaluta. Studija iz siječnja 2025. pokazala je više od 270 milijuna pokušaja nanošenja zagađenja na BNB Chainu i Ethereumu između 1. srpnja 2022. i 30.

lipnja 2024. , s 6. 000 uspješnih pokušaja koji su rezultirali gubicima većim od 83 milijuna dolara. Povezano: Što su napadi nanošenja zagađenja adresa u kriptovalutama i kako ih izbjeći? Primjena sigurnosnog znanja Web2 u Web3 Glavni tehnološki direktor Trugarda, Jeremiah O’Connor, izjavio je za Cointelegraph da tim donosi značajno znanje o kibernetičkoj sigurnosti iz domene Web2, koje primjenjuju na Web3 podatke još od početaka kriptovaluta. Iskustvo u inženjerstvu značajki algoritamskih sustava koriste za poboljšanje sigurnosti u Web3. Napomenuo je: “Većina trenutnih alata za otkrivanje napada u Web3 oslanja se na statička pravila ili osnovno filtriranje transakcija, što često zakasni za evolucijom taktika, tehnika i procedura napadača. ” Za razliku od toga, njihov novouvedeni sustav koristi strojno učenje za stalno učenje i prilagodbu prijetnjama nanošenja zagađenja. O’Connor je istaknuo da je ono što ih razlikuje “usredotočenost na kontekst i prepoznavanje uzoraka. ” Isogawa je dodala da “AI može prepoznati obrasce koje često nadilaze ljudske analitičke sposobnosti. ” Povezano: Jameson Lopp upozorava na napade nanošenja zagađenja Bitcoin adresa Pristup strojnog učenja O’Connor je objasnio da je Trugard kreirao sintetičke podatke za obuku AI kako bi oponašala razne načine napada. Model je zatim treniran koristeći nadzirano učenje — tehniku strojnog učenja u kojoj model uči iz označenih podataka, gdje su ulazi povezani s ispravnim izlazima. Cilj je da model razumije odnose između ulaza i izlaza kako bi točno predvidio rezultate za nove, neviđene podatke. Uobičajene primjene uključuju filtriranje neželjene pošte, prepoznavanje slika i predviđanje cijena. Nadalje, model se kontinuirano ažurira retrenirajući s novim podacima kako bi se prilagodio novim strategijama napadača. “Također smo izgradili sloj za generiranje sintetičkih podataka koji omogućava stalno testiranje modela na simuliranim scenarijima nanošenja zagađenja, ” rekao je. “Ovaj pristup se pokazao vrlo učinkovitim u pomažući modelu da generalizira i održi čvrstost tijekom vremena. ”