La società di cybersicurezza criptografica Trugard, insieme al protocollo di fiducia onchain Webacy, ha creato un sistema guidato dall’intelligenza artificiale progettato per rilevare il poisoning di indirizzi di portafogli crypto. Come annunciato il 21 maggio tramite Cointelegraph, questa nuova soluzione è integrata nella suite di decision-making criptografiche di Webacy e “utilizza un modello di machine learning supervisionato addestrato su dati di transazioni live, combinato con analisi onchain, ingegneria delle caratteristiche e contesto comportamentale”. Lo strumento raggiunge, a quanto si riferisce, un tasso di successo del 97%, validato attraverso scenari di attacco noti. “Il poisoning di indirizzi è una delle frodi meno segnalate ma più costose nel mondo crypto, che sfrutta l’assunto più semplice: Che ciò che vedi sia ciò che ottieni, ” ha dichiarato Maika Isogawa, cofondatrice di Webacy. Il poisoning di indirizzi crypto è una tecnica fraudolenta in cui i malintenzionati inviano piccole quantità di criptovaluta da indirizzi che somigliano molto a quello reale della vittima—spesso condividendo gli stessi caratteri iniziali e finali. Questo metodo mira a ingannare gli utenti facendogli copiare e riutilizzare l’indirizzo dell’attaccante in transazioni successive, causando perdite finanziarie. Questa truffa sfrutta le abitudini degli utenti di affidarsi a corrispondenze parziali degli indirizzi o alla cronologia degli appunti quando trasferiscono crypto. Uno studio di gennaio 2025 ha rivelato oltre 270 milioni di tentativi di poisoning su BNB Chain ed Ethereum tra il 1 luglio 2022 e il 30 giugno 2024, con 6. 000 tentativi riusciti che hanno comportato perdite superiori a 83 milioni di dollari. Related: Cos’è un attacco di poisoning di indirizzi in crypto e come evitarlo? Esperienza di sicurezza Web2 applicata a Web3 Il chief technology officer di Trugard, Jeremiah O’Connor, ha detto a Cointelegraph che il team porta una significativa conoscenza di cybersicurezza dal dominio Web2, che hanno applicato ai dati di Web3 fin dai primi giorni delle criptovalute. Sfruttano l’esperienza nell’ingegneria delle caratteristiche algoritmiche dei sistemi tradizionali per migliorare la sicurezza di Web3. Ha osservato: “La maggior parte degli strumenti di rilevamento degli attacchi Web3 esistenti si basa su regole statiche o filtraggio di transazioni di base, che spesso non seguono l’evolversi delle tattiche, tecniche e procedure degli attaccanti. ” Al contrario, il loro sistema recentemente sviluppato impiega il machine learning per apprendere e adattarsi costantemente alle minacce di poisoning degli indirizzi.

O’Connor ha sottolineato che ciò che distingue il loro sistema è “l’attenzione al contesto e al riconoscimento di pattern. ” Isogawa ha aggiunto che “l’IA può individuare schemi spesso oltre le capacità analitiche umane. ” Related: Jameson Lopp lancia l’allarme sugli attacchi di poisoning di indirizzi Bitcoin L’approccio del machine learning O’Connor ha spiegato che Trugard ha creato dati di formazione sintetici affinché l’IA potesse emulare diverse metodologie di attacco. Il modello è stato poi addestrato tramite apprendimento supervisionato—una tecnica di machine learning in cui il modello impara da dati etichettati costituiti da input associati a output corretti. L’obiettivo è che il modello comprenda le relazioni tra input e output, per prevedere correttamente gli esiti con dati nuovi e non visti prima. Le applicazioni tipiche includono il filtro dello spam, il riconoscimento delle immagini e le previsioni di prezzo. Inoltre, il modello viene aggiornato continuamente tramite retraining con nuovi dati, man mano che gli attaccanti sviluppano nuove strategie. “Abbiamo anche costruito uno strato di generazione di dati sintetici che consente di testare costantemente il modello contro scenari di poisoning simulati, ” ha detto. “Questo approccio si è dimostrato molto efficace nel aiutare il modello a generalizzare e mantenere la robustezza nel tempo. ”