暗号資産のサイバーセキュリティ企業Trugardは、オンチェーン信頼プロトコルWebacyと共同で、暗号ウォレットアドレスの毒化（アドレスポイズニング）を検出するAI駆動型システムを開発しました。 5月21日にCointelegraphで発表されたこの新しいソリューションは、Webacyの暗号決定支援スイートに統合されており、「実際の取引データを用いて監督学習された機械学習モデルと、オンチェーン分析、特徴エンジニアリング、行動コンテキストを組み合わせて利用しています。」 このツールは、既知の攻撃シナリオで検証され、97％の成功率を達成しています。Webacyの共同創設者である磯川真依香氏は、「アドレスポイズニングは、暗号において最も過少報告でありながらコストのかかる詐欺のひとつです。これは、“見たままがすべて”という最も単純な前提を悪用しています」と述べました。 暗号アドレスの毒化は、攻撃者が被害者の実際のアドレスに非常に似たウォレットアドレスから少額の暗号資産を送信し、最初と最後の文字列が一致することが多いため、騙されやすくなっています。この手法は、ユーザーがアドレスの一部分やクリップボードの履歴だけに頼って暗号資産を送金する習慣を悪用しています。2025年1月の調査では、2022年7月1日から2024年6月30日までにBNB ChainとEthereum上で2億7000万を超えるポイズニング試みがあり、そのうち6000件の成功例から8300万ドル以上の損失が生じました。 関連：暗号のアドレスポイズニング攻撃とは何か、どう回避すればいいか？ Web3へのWeb2セキュリティの応用 Trugardの最高技術責任者（CTO）ジェラミー・オコナーは、Cointelegraphに対し、「私たちはWeb2のサイバーセキュリティの豊富な知識を持っており、それを暗号通貨の初期段階からWeb3のデータに適用してきた」と述べました。彼らは、従来のシステムでのアルゴリズムによる特徴エンジニアリングの経験を活かし、Web3のセキュリティを強化しています。彼は次のように付け加えました。 「多くの既存のWeb3攻撃検出ツールは静的なルールや基本的な取引フィルタリングに頼っていますが、これらはしばしば攻撃者の戦術や手法の進化に追いつけません。」 それに対し、彼らの新たに開発したシステムは、機械学習を用いて継続的に学習し、アドレスポイズニングの脅威に適応します。オコナーは、「このシステムの差別化点は“コンテキストとパターン認識に焦点を当てている”点です」と強調しました。磯川氏も、「AIは人間の分析能力を超えるパターンを検出できることが多い」と付け加えました。 関連：ジェイソン・ラップがBitcoinアドレスポイズニング攻撃への警鐘を鳴らす 機械学習のアプローチ オコナーは、TrugardがAIに多様な攻撃手法を模倣させるための合成学習データを作成したと説明しました。その後、モデルは監督学習を用いて訓練されました。これは、入力と正解のペアとなるラベル付けされたデータから学習する機械学習の手法です。 モデルは、入力と出力の関係性を理解し、新しい未見のデータに対しても正確に結果を予測できるようになることが目的です。応用例としては、スパムフィルタリングや画像認識、価格予測などがあります。 さらに、攻撃者が新たな戦略を展開するたびに、新しいデータを使って継続的に再訓練し、モデルを更新しています。「加えて、シンセティック（合成）データ生成層を構築しており、これにより継続的にシミュレートされた毒化シナリオに対してモデルのテストを行える」と述べました。「このアプローチは、モデルが長期的に一般化しやすく、堅牢性を維持するのに非常に効果的です」と締めくくっています。