Tölvuöryggisfyrirtækið Trugard, ásamt onchain traust-protócollinu Webacy, hefur búið til gervigreindarstýrt kerfi sem er ætlað að greina eitrun á vefslóðum crypto-walleta. Eins og tilkynnt var 21. maí á Cointelegraph er þessi nýja lausn innbyggð í ákvörðunartól Webacy um crypto og „notar stjórnað vélrænt læringarlíkan sem hefur verið þjálfað á líflegum viðskiptagögnum, saman með onchain greiningum, eiginleikarum og hegðunarsamhengi. “ Tæknibúnaðurinn nær samkvæmt upplýsingum að ná 97% árangri, staðfest á þekktum árásarforðunum. „Eitra/slóðafölsun er ein af þeim skorti-tilkynntustu en kostnaðarsamustu svindlunum í crypto, sem nýta einföldustu forsendu: Að það sem þú sérð er það sem þú færð, “ sagði Maika Isogawa, samstarfsaðili Webacy. Eitra/slóðafölsun í crypto er svikaleiki þar sem árásarmenn senda litlar fjárhæðir af krypto frá slóðum sem líkist mjög raunverulegum slóðum fórnarlambsins—oft með sameiginlegum upphafs- og endarlitnum. Markmiðið er að blekkja notendur til að afrita og endurnota slóð árásarmannsins í seinni viðskiptum, sem getur leitt til fjárhagslegs tjóns. Þessi svindl nýttir þá venjur notenda sem treysta á hlutbundnar slóðaviðmið eða klippivistarsögu þegar þau framkvæma fjárfestingar í crypto. Rannsókn frá janúar 2025 sýndi yfir 270 milljónir eitrunaraðgerða á BNB Chain og Ethereum frá 1. júlí 2022 til 30. júní 2024, með 6. 000 árásum sem leiddu til tapanna sem námu yfir 83 milljónum dollara. Tengd: Hvað eru slóðafölsunárásir í crypto og hvernig er hægt að forðast þær? Tæknileg sérfræðiþekking fyrir Web2 notuð í Web3 Tengiliður stjórnandi tæknimála hjá Trugard, Jeremiah O’Connor, sagði við Cointelegraph að liðið hafi mikla þekkingu á tölvuöryggi frá Web2 geiranum, sem þeir hafa nýtt sér á Web3 gögn síðan snemma á tíð cryptocurrencies.

Þeir nýta reynslu af eiginleikatengingu í módelum frá hefðbundnum kerfum til að styrkja öryggi Web3. Hann benti á: „Flest núverandi tæki til upptöku á árásum í Web3 reiða sig á föst skilyrði eða grunn viðskiptahluta, sem oft eiga við sig yfir í þróun árásarmanna, tækni og aðferðir. “ Á hinn bóginn notar nýja kerfið þeirra vélrænt lærdóm til að læra stöðugt og aðlagast til að koma í veg fyrir eitrunartilraunir. O’Connor lagði áherslu á að það sem greinir kerfið þeirra frá öðrum er „áhersla á samhengi og mynsturgreiningu. “ Isogawa bætti við að „gervigreind getur greint mynstur oft langt fram yfir mannanalýtni. “ Tengd: Jameson Lopp hvetur til viðvörunar vegna Bitcoin slóðafölsunarárása Vélrænt lærdómstilgangurinn O’Connor útskýrði að Trugard hafi búið til gerviþjálfunargögn fyrir gervigreindina til að líkja eftir ýmsum aðferðum árásarmanna. Modelið var síðan þjálfað með stjórnaðri lærð—tækni þar sem líkanið lærir af merktum gögnum sem innihalda inntak og rétt svör. Markmiðið er að modelið lærir sambandið milli inntaks og úttaks til að á réttan hátt spá fyrir um niðurstöður fyrir ný gögn sem eru óþekkt. Venjuleg notkun felur í sér ruslpóstsíun, myndgreiningu og verðtölur. Jafnframt er það uppfært stöðugt með nýjum gögnum þegar árásarmenn þróa nýjar aðferðir. „Við höfum líka byggt upp lag þar sem hægt er að búa til gervigögn til að prófa kerfið áfram með tilraunum á eitrunartilvikum, “ sagði hann. „Þessi nálgun hefur sýnt sig vera mjög árangursrík til að hjálpa kerfinu að aðlagast og halda stöðugleika tímans tönn. “