Perusahaan keamanan siber kripto Trugard, bersama dengan protokol kepercayaan onchain Webacy, telah menciptakan sistem berbasis AI yang dirancang untuk mendeteksi penipuan alamat dompet kripto. Seperti diumumkan pada 21 Mei melalui Cointelegraph, solusi baru ini terintegrasi ke dalam rangkaian pengambilan keputusan kripto Webacy dan “menggunakan model pembelajaran mesin terawasi yang dilatih dengan data transaksi langsung yang digabungkan dengan analitik onchain, rekayasa fitur, dan konteks perilaku. ” Alat ini dikabarkan mencapai tingkat keberhasilan 97%, yang telah diverifikasi melalui berbagai skenario serangan yang dikenal. “Penipuan alamat adalah salah satu dari scam yang paling kurang dilaporkan namun paling mahal di dunia kripto, yang memanfaatkan asumsi paling sederhana: Bahwa apa yang Anda lihat adalah apa yang Anda dapatkan, ” ujar Maika Isogawa, co-founder Webacy. Penipuan alamat kripto adalah teknik penipuan di mana penyerang mengirim sejumlah kecil cryptocurrency dari alamat dompet yang sangat mirip dengan alamat korban—seringkali berbagi karakter awal dan akhir yang sama. Pendekatan ini bertujuan untuk menipu pengguna agar menyalin dan menggunakan kembali alamat penyerang dalam transaksi berikutnya, yang menyebabkan kerugian finansial. Skema penipuan ini memanfaatkan kebiasaan pengguna yang mengandalkan pencocokan alamat parsial atau riwayat clipboard saat mentransfer kripto. Sebuah studi pada Januari 2025 mengungkapkan lebih dari 270 juta upaya penipuan di BNB Chain dan Ethereum antara 1 Juli 2022 dan 30 Juni 2024, dengan 6. 000 upaya berhasil yang menyebabkan kerugian lebih dari $83 juta. Terkait: Apa itu serangan penipuan alamat di kripto dan bagaimana cara menghindarinya? Keamanan Web2 diterapkan ke Web3 Chief technology officer Trugard, Jeremiah O’Connor, mengatakan kepada Cointelegraph bahwa tim membawa pengetahuan keamanan siber yang substansial dari domain Web2, yang telah mereka terapkan pada data Web3 sejak awal kemunculan cryptocurrency. Mereka memanfaatkan pengalaman dalam rekayasa fitur algoritmik dari sistem tradisional untuk meningkatkan keamanan Web3. Ia menjelaskan: “Sebagian besar alat deteksi serangan Web3 yang ada saat ini bergantung pada aturan statis atau filter transaksi dasar, yang sering tertinggal di belakang taktik, teknik, dan prosedur penyerang yang terus berkembang. ” Sebaliknya, sistem terbaru yang mereka kembangkan menggunakan pembelajaran mesin untuk secara terus-menerus belajar dan beradaptasi terhadap ancaman penipuan alamat.

O’Connor menekankan bahwa yang membedakan sistem mereka adalah “fokusnya pada konteks dan pengenalan pola. ” Isogawa menambahkan bahwa “AI dapat mendeteksi pola yang sering di luar kemampuan analitis manusia. ” Terkait: Jameson Lopp menyuarakan kekhawatiran tentang serangan penipuan alamat Bitcoin Pendekatan pembelajaran mesin O’Connor menjelaskan bahwa Trugard menciptakan data pelatihan sintetis agar AI dapat meniru berbagai metode serangan. Model kemudian dilatih menggunakan pembelajaran terawasi—teknik pembelajaran mesin di mana model belajar dari data berlabel yang terdiri dari input dan output yang benar. Tujuannya adalah agar model memahami hubungan antara input dan output agar dapat memprediksi hasil secara akurat untuk data baru yang tidak dilihat sebelumnya. Aplikasi tipikal meliputi penyaringan spam, pengenalan gambar, dan peramalan harga. Selain itu, model diperbarui secara terus-menerus dengan melatih ulang menggunakan data baru seiring penyerang mengembangkan strategi baru. “Selain itu, kami telah membangun lapisan pembuatan data sintetik yang memungkinkan pengujian berkelanjutan terhadap model dalam skenario penipuan simulasi, ” ujarnya. “Pendekatan ini terbukti sangat efektif dalam membantu model menggeneralisasi dan mempertahankan ketahanan dari waktu ke waktu. ”