Կրիպտոային սիբերանվտանգության Trugard ընկերությունը համատեղ Webacy հարթակիս վստահության պրոտոկոլի հետ ստեղծել է AI կենտրոնացած համակարգ, որը նախատեսված է քրիպտոային դրամապանակի հասցեների թունավորման հայտնաբերման համար։ Ինչպես հայտարարվեց 2023թ. մայիսի 21-ին Cointelegraph-ով, այս նոր լուծումն ինտեգրված է Webacy-ի կրիպտո որոշման հավաքածուում և օգտվում է հմուտ մեքենայական ուսուցման մոդելից, որը թրեյնավորված է լիովին կենդանի փոխանցումների տվյալներով, միաժամանակ օգտագործելով onchain վերլուծություններ, հատկանիշների մշակում և վարքային կոնտեկստ։ Հայտարարվել է, որ այս գործիքը հասնում է 97%-անոց հաջողության ցուցանիշի՝ ճշգրիտ ստուգված հայտնի հարձակումների իրավիճակներում։ Webacy-ի համահիմնադիր Maika Isogawa-ն նշել է.

«Հասցեի թունավորումը یکی է ամենավտանգավոր հետաքննվող, բայց շատ ծախսատար չարագործություններից կրիպտոյում, որն օգտագործում է պարզագույն ենթադրությունը՝ այն, ինչ տեսնում ես, դա է այն, ինչ ստանում ես»։ Կրիպտո հասցեի թունավորում տեխնիկան է, երբ հարձակողները ուղարկում են փոքր քանակության կրիպտոներ փոխանցելով այնպիսի դրամապանակի հասցեներից, որոնք շատ նման են տուժողի իրական հասցեին՝ հաճախ ստորաբաժանումների նույն սկզբնամասերով և վերջամասերով։ Այս մոտեցումը նպատակ ունի խառնել օգտվողներին՝ պատճենելու և կրկնելու հարձակողի հասցեն հետագա փոխանցումներում, ինչը կարող է հանգեցնել ֆինանսական կորուստների։ Այս սխալը exploit է օգտվողների սովորությունները՝ հույս դնելով մասամբ համընաճկած հասցեների հանապազօրյա գործառնություններին կամ քեշի պատմությանը։ 2025 թվականի հունվարին անցկացված ուսումնասիրությունը հայտնաբան է, որ եղել է ավելի քան 270 միլիոն թունավորման փորձ BNB Chain և Ethereum-ով 2022թ․ հուլիսի 1-ից մինչև 2024թ․ հունիսի 30-ը, որոնցից 6, 000-ը հաջողությամբ ավարտվել են և պատճառ եղել է ավելի քան 83 միլիոն դոլարի կորուստ։ Համապատասխան՝ Ինչ են կրիպտոային հասցեի թունավորման հարձակումներն ու ինչպես խուսափել նրանից։ Web2-ի անվտանգության փորձառությունը կիրառվում է Web3-ում Trugard-ի գլխավոր տեխնիկական օպերատոր, Jeremiah O’Connor-ը Cointelegraph-ին հայտնել է, որ թիմը բերում է Web2 դաշտից կանխիկ չպարտվող սիբերանվտանգության մեծ փորձառություն, որը նրանք կիրառել են Web3 տվյալների մշակման գործընթացում՝ սկսած կրիպտոուրյակը։ Նրանք օգտվում են ավանդական համակարգերի ալգորիթմային հատկանիշների մշակման փորձից՝ բարելավելու համար Web3-ի անվտանգությունը։ Նա նշեց՝ «Որպես կանոն, առկա Web3 հարձակումների հայտնաբերման գործիքների մեծ մասը հիմնված են վերակառուցվող կանոնների կամ պարզ փոխանցման ֆիլտրների վրա, որոնք հաճախ մնում են ետ գնալու՝ զարգացող հարձակվողական հնարքների, մեթոդների և ընթացակարգերի հետ»։ Հակառակ՝ նրանց նոր զարգացրած համակարգը կիրառում է մեքենայական ուսուցում՝ շարունակաբար սովորելու և հարձակումների թունավորման վտանգներին արձագանքելու համար։ O’Connor-ը շեշտեց, որ իրենց համակարգը տարբեր է «ակնատեսության և ձևանմուշների ճանաչման կենտրոնացած» լինելուն։ Isogawa-ն ավելացրեց, որ «AI-ն հաճախ կարող է որոշումներ ընդունել այնպիսի օրինակներ, որոնք մարդը շատ դժվար է տեսնել կամ հասկանալ»։ Համապատասխան՝ Jameson Lopp-ը հնչեցրել է ահազանգ՝ Bitcoin-ի հասցեների թունավորման հարձակումների մասին։ Մեքենայական ուսուցման մեթոդը O’Connor-ը բացատրեց, որ Trugard-ը սինթիական տվյալներ է ստեղծել՝ AI-ին հուշելով տարբեր հարձակումների մեթոդներ։ Մոդելը թրեյնավորվել է supervised learning-ի միջոցով՝ այսինքն՝ այն սովորում է նշասխալ՝ ճշգրիտ վերլուծելով նշված տվյալների ընդունման և ճիշտ արդյունքի վրա։ Հետագա նպատակն է, որ մոդելը բավականին լավ հասկանա մուտքային և ելքային հարաբերությունները՝ ճիշտ կանխատեսումներ տալու նոր, դեռ չտեսած տվյալների վրա։ Օրինակ՝ spam ֆիլտրում, պատկերների ճանաչում և գնի կանխատեսում։ Բացի այդ, մոդելը հետևողականորեն թարմացվում է նոր տվյալներով՝ հարձակումների նոր ռազմավարությունների դեպքում։ «Մենք նաև համակցել ենք սինթետիկ տվյալների սերունդ ստեղծելու շերտ, որը թույլ է տալիս շարունակաբար փորձարկել մոդելը սիմուլացված թունավորման իրավիճակների վրա, » - ասել է նա։ «Այս մոտեցումն ապացուցված է, որ բարձր արդյունավետություն ունի՝ օգնելով մոդելին ընդհանուր հարմարվողական և կայուն հիմք ունենալով ժամանակի ընթացքում։»