A Trugard kriptó-biztonsági cég, az onchain trust protokoll Webacy-vel együttműködve létrehozott egy mesterséges intelligencián alapuló rendszert, amely a kriptovaluta tárcacímtámadásokat próbálja felismerni. Amint azt május 21-én a Cointelegraph bejelentette, ez az új megoldás be van építve a Webacy kriptós döntési csomagjába, és „egy felügyelt gépi tanulási modellt használ, amely élő tranzakciós adatokon alapul, kombinálva onchain elemzésekkel, jellemzőkészítéssel és viselkedési kontextussal. ” Aly szerint az eszköz állítólag 97%-os sikerrátát ér el, és különböző ismert támadási forgatókönyveken tesztelték. Maika Isogawa, a Webacy társalapítója kijelentette: „A címmérgezés az egyik legkevésbé jelentett, mégis legdrágább csalási forma a kriptóban, ami a legegyszerűbb feltevést használja ki: amit látsz, az a valóság. ” A kriptócím-mérgezés egy csalási technika, amely során a támadók kis mennyiségű kriptovalutát küldenek a címzett valódi címéhez nagyon hasonló tárcákról – gyakran ugyanazokat a kezdő és végső karaktereket megosztva. Célja, hogy a felhasználókat megtévessze, és másolva, újra felhasználva a támadó címét, pénzügyi veszteséget okozzon. Ez a csalási módszer kihasználja a felhasználók szokását, hogy részleges címegyezést vagy a vágólapról másolt adatok alapján bíznak a tranzakciókban. Egy 2025 januári tanulmány több mint 270 millió mérgezési kísérletről számolt be a BNB Chain-en és az Ethereumon 2022. július 1. és 2024. június 30. között, amelyek közül 6 000 sikeres volt, több mint 83 millió dolláros veszteséget okozva. Kapcsolódó: Mi az a címmérgezéses támadás kriptóban, és hogyan lehet elkerülni? Web2-biztonsági szakértelem alkalmazása Web3-ban Jeremiah O’Connor, a Trugard műszaki igazgatója elmondta a Cointelegraphnak, hogy a csapat jelentős kiberbiztonsági tapasztalattal rendelkezik a Web2-es területről, melyet a kriptovaluta korai időszakától kezdve alkalmaznak Web3 adatain.

Szerintük e tapasztalatokat kihasználva fejlesztettek ki algoritmikus jellemzőkészítési módszereket, hogy növeljék a Web3 biztonságát. Megjegyezte: „A legtöbb létező Web3 támadásészlelő eszköz statikus szabályokra vagy alapvető tranzakció-szűrésre alapoz, amelyek gyakran nem tudnak lépést tartani a folyamatosan fejlődő támadói taktikákkal, módszerekkel és eljárásokkal. ” Ezzel szemben az általuk kifejlesztett rendszer gépi tanulást alkalmaz, hogy folyamatosan tanuljon és alkalmazkodjon a címmérgezéses fenyegetésekhez. O’Connor hangsúlyozta, hogy az ő rendszerüket az különbözteti meg, „hogy a hangsúlyt a kontextus és a mintafelismerés kapja”. Isogawa hozzátette, hogy „az AI képes olyan mintázatokat felismerni, amelyek sokszor az emberi elemző képességeinken túlmutatnak. ” Kapcsolódó: Jameson Lopp riasztást ad a Bitcoin-címmérgezéses támadások miatt A gépi tanulási megközelítés O’Connor szerint a Trugard szintetikus tréningadatokat készített az AI számára, hogy különböző támadási módszereket modellezzen. A modellt ezután felügyelt tanulás segítségével képezték – ez egy gépi tanulási technika, ahol a modell a címkézett adatokból tanul, amelyek bemeneteket és helyes kimeneteket tartalmaznak. A cél az, hogy a modell megértse a bemenet-kimenet kapcsolatokat, és képes legyen helyesen jósolni új, még nem látott adatok esetében is. Szokásos alkalmazások közé tartozik a spam szűrés, képfelismerés vagy árfolyam-prognózis. Ezenkívül a modellt folyamatosan frissítik az új adatokkal, ahogy a támadók új stratégiákat dolgoznak ki. „Ezenkívül építettünk egy szintetikus adatgenerálási réteget is, amely folyamatosan teszteli a modellt szimulált mérgezési forgatókönyvek ellen” – mondta. „Ez a megközelítés rendkívül hatékonynak bizonyult a modell általánosításában és időbeli robusztusságának megőrzésében. ”