Crypto киберқауіпсіздік компаниясы Trugard және onchain сенім протоколы Webacy бірге криптовалюттық әмиян мекенжайларын улау (аулау) қауіптерін анықтауға арналған AI негізіндегі жүйе құрды. Мамырдың 21-інде Cointelegraph арқылы хабарланғандай, бұл жаңа шешім Webacy-дің крипто шешімдер жиынтығына енгізілген және «тірі транзакция деректері негізінде оқытылған бақылаулы машина оқыту моделін, onchain аналитикасы мен мінез-құлықтық контекстті пайдаланады». Құрал reportedly 97% табыс деңгейіне жетеді, белгілі шабуыл сценарийлерінде тексерілген. «Мекенжай улау — крипто әлемінде ең көп хабарланбайтын әрі қымбат алаяқтық түрлерінің бірі, ең қарапайым болжамды пайдаланады: көруіңмен алатын нәрсең бірдей болады деген кабылдау», — деп Webacy-дің әріптесі Маика Исогава атап өтті. Крипто мекенжай улау — алаяқтық әдісі, онда шабуылдаушылар жәбірленушінің нақты мекенжайына ұқсас аз мөлшерде криптовалюта жібереді — көбінесе бірінші және соңғы таңбалары бірдей болады. Бұл тәсіл пайдаланушыларды шабуылдаушының мекенжайын көшіруге және келесі транзакцияlarda қайта қолдануға алдап, қаржылық шығындарға әкеледі. Бұл алаяқтық пайдаланушылардың жартылай мекенжайды сәйкестендіру немесе буферлі сақтау (Clipboard) тарихына сүйену әдеттерін пайдаланады. 2025 жылдың қаңтарында жүргізілген зерттеу бойынша, 2022 жылдың 1 шілдесінен 2024 жылдың 30 маусымына дейін BNB Chain және Ethereum желілерінде 270 миллионға жуық улау әрекеті жүзеге асырылған, оның 6000-і сәтті болып, 83 миллион доллардан астам шығынға әкелген. Қатысты: Мекенжай улау шабуылдары деген не және олардан қалай сақтану керек? Web2 қорғау білімін Web3-те қолдану Trugard-тың бас технологиялық директоры Джеремия О’Коннор Cointelegraph-қа берген сұхбатында 팀нің Web2 саласынан маңызды киберқауіпсіздік білімі бар екенін, оны криптовалюта өрісінің алғашқы күндерінен бері Web3 деректеріне қолданатынын айтты. Олар дәстүрлі жүйелердегі алгоритмдік ерекшелік инженериясын пайдалана отырып, Web3 қауіпсіздігін күшейтуде тәжірибесін пайдаланады. Ол атап көрсетті: «Көптеген ағымдағы Web3 шабуылдарын анықтау құралдары статикалық ережелер немесе негізгі транзакциялық сүзгілерге негізделген, олар жиі дамып келе жатқан шабуылдаушылардың тактикалары, әдістері мен процедураларынан артта қалады». Ал олардың жаңа әзірлеген жүйесі машина оқытуды пайдалана отырып, улау қаупіне үздіксіз үйреніп, бейімделеді.

О’Коннор олардың жүйесін ерекшелендіретін нәрсе — «бақылау контексі мен үлгіні тану». Исогава қосымша айтты: «AI жиі адам аналитикалық мүмкіндіктерінен жоғары үлгілерді анықтай алады». Қатысты: Джеймсон Лоп Bitcoin мекенжай улау шабуылдары туралы ескертті Машина оқыту әдісі О’Коннор Trugard арнайы синтетикалық оқу деректерін құрғанын, ол түрлі шабуыл әдістерін имитациялай алатындығын түсіндірді. Бұл модель бақылаулы оқыту әдісімен оқытылған — қайсыдады белгіленген деректер негізінде, ол кірістер мен дұрыс нәтижелер жиынтығынан тұрады. Мақсаты — модельдің кіріс-шығыс қатынастарын түсіну, жаңа, бұрын көрмеген деректер үшін дұрыс болжау жасау. Әдетте қолданылатын салалар — спам сүзгілеу, сурет тану және баға болжау. Сонымен қатар, модель үздіксіз жаңа деректермен қайта оқытылып, шабуылдаушылардың жаңа стратегиялық әдістеріне бейімделеді. «Біз сондай-ақ синтетикалық деректер генерациялау деңгейін құрдық, ол модельдің улау сценарийлеріне қарсы үздіксіз тестілеуін қамтамасыз етеді», — деді ол. «Бұл әдіс модельдің жалпылауын жақсартып, уақытпен беріктілігін сақтауда айтарлықтай әсер етті».