ქროპტო ციფრული უსაფრთხოების კომპანია Trugard ერთობლივად და onchain Trust Protocol Webacy-თან ერთად შექმნეს AI-მამოქმედი სისტემა, რომელიც განკუთვნილია კრიპტო ჯიპოის შესამოწმებლად მისამართის მოწამვლის დაფიქსირებისთვის. როგორც 21 მაისს Cointelegraph-მა გამოაცხადა, ეს ახალი პროდუქტი ინტეგრირებულია Webacy-ის კრიპტო გადაწყვეტილებების სიუტში და „გამოიყენებს ზედამხედველობიან მექანიკურ სწავლებას, რომელიც ტრანზაქციის რეალურ მონაცემებზეა სწავლებული, გააზრებულია onchain ანალიტიკის, თვისებების ინჟინერიის და ქცევის კონტექსტის საშუალებით. “ თვალსაჩინო არის, რომ ამ ხელსაწყოს წარმატებული შედეგი აღწევს 97%-მდე, რაც ამტკიცებს მას ცნობილი თავდასხმებისას. „მისამართის მოწამვევა არის ერთ-ერთი ყველაზე ნაკლებად განხილული, მაგრამ ყველაზე ძვირად ღირებული მახვარა კრიპტოში, რომელიც იყენებს მარტივ ჰიპოთეზას: ის რაც თქვენ ხედავთ, ის არის, რაც მიიღებთ, “ განაცხადა Webacy-ის თანადამფუძნებელმა მაიკა_ISogawa. კრიპტო მისამართის მოწამვები არის მოტყუების ტექნიკა, სადაც თავდამსხმელები მცირე რაოდენობის კრიპტოვალუტას ეგზავნიან უახლოვს მყიდველს სასახელო მისამართიდან, რომელიც გადაიყვანოს თავდამსხმელის რეალურ მისამართს, ხშირად საიდანაც იწყება და მთავრდება ერთდროულად. ეს მეთოდი მიზნად ისახავს მომხმარებელთა მიტაცებას, რათა დამყაროს გამარტივებული და ადვილი იდენტიფიცირების უპირატესობა. ეს მახვარა exploit-ით მომართვებს უშლის იმედით, რომ ისწავლით მთელი მისამართის ნაწილობრივი შეთავაზებით ან კლიპბორდის ისტორიით ტრანზაქციის დროს. იანვარი 2025-ის კვლევამ აჩვენა, რომ ბნბი კამპანიას და ეტერიუმზე მოხდა 270 միլիոնზე მეტი მოწამვლის მცდელობა, რომელიც დაფიქსირდა 2022 წლის 1 ივლისიდან 2024 წლის 30 ივნისამდე, მათ შორის 6000 წარმატებული მცდელობა, რამაც გამოიწვია 83 მილიონ დოლარამდე ზარალი. მნიშვნელოვანია: რა არის კრიპტო მისამართის მოწამვლის თავდასხმები და როგორ თავიდან ავიცილოთ მათ? Web2-ის უსაფრთხოების გამოცდილება Web3-ზე გამოყენებული Trugard-ის ტექნოლოგიური დირექტორი ჯერამია ო’კონერი Cointelegraph-ს უყვება რომ, გუნდი მოიძია საკმაოდ ძირითადი სიბრძნით Cybersecurity-ის სფეროდან Web2-ზე, რომელსაც გამოიყენებს Web3-ის მონაცემებზე მისართველის პირველი დღეებიდან. ის იყენებს ტრადიციული სისტემებიდან ალგორითმული თვისებების ინჟინერიის გამოცდილებას, რათა გააუმჯობესოს Web3-ის უსაფრთხოება. იგი აღინიშნა: „მეტი არსებული Web3 მტრული შეტევის აღმოჩენის ხელსაწყოები ეყრდნობიან სტატიკურ წესებს ან საფუძველშივე ტრანზაქციის ფილტრაციას, რაც ხშირად ჩამორჩება თავდამსხმელთა ახალი ტაქტიკებს, ტრიკებს და ტექნიკებს. “ მათ მიერ შექმნილი ახალი სისტემა იყენებს მექანიკურ სწავლებას მუდმივად დასადგურებისა და ადაპტაციის მიზნით, რათა შეებრძოლოს მისამართის მოწამვლის საფრთხეებს.

ო’კონერი ხაზს უსვამს, რომ მათი სისტემის რა არის განსხვავება, მისი „ფოკუსი გარემოსა და ამოცნობის მახასიათებლებზეა. “ ISogawa-მა აღნიშნა, რომ „AI ისოიურად შეუძლია დადგინოს მრავალი დარტყმა ადამიანები ანალიტიკური შესაძლებლობებით უტოლად. “ მექანიკური სწავლის მეთოდიკა ო’კონერმა განმარტა, რომ Trugard-მა შექმნა სინთეტიკური სასწავლო მონაცემები AI-სთვის, რათა ის იფლობდეს წარუმატებელი თავდასხმების სხვადასხვა მეთოდებს. მოდელი დაამზადეს ზედამხედველობით სწავლების გამოყენებით — მექანიკური სწავლის ერთ-ერთი ტექნიკა, სადაც მოდელი სწავლობს ლაგებული მონაცემებიდან, რომლებიც შეიცავს შესაბამის სრულყოფილ შედეგებს. მიზანი არის ის, რომ მოდელმა გააანალიზოს შიდა ურთიერთობები, რათა დაადასტუროს სწორად პროგნოზირება ახალი, უცნობი მონაცემებისთვის. გავრცელებული გამოყენებები მოიცავს სპამის ფილტრაციას, სურათების ამოცნობას და ფასების წინასწარ პროგნოზირებას. ასევე, მოდელი მუდმივად განახლდება ახალი მონაცემებით, რადგან თავდამსხმელები განახლებენ სტრატეგიებს. „გარდა ამისა, ჩვენ დავუკეთ სინთეტიკური მონაცემების გენერირების ფენა, რომელიც მუდმივად ტესტავს მოდელს სემულაციური მოწამვლის სცენარებზე, “ ამბობს იგი. „ეს მიდგომა ძალიან ეფექტური აღმოჩნდა მოდელის საერთო გამჭვირვალობისა და გამძლეობის შესამოწმებლად დროის განმავლობაში. “