Kasybos kriptografijos apsaugos nuo kibernetinių atakų įmonė Trugard, bendradarbiaudama su Webacy – blokų grandinės pasitikėjimo protokolu, sukūrė dirbtinio intelekto valdomą sistemą, skirtą aptikti kriptovaliutų piniginės adresų užkrėtimą. Kaip buvo paskelbta gegužės 21 d. Cointelegraph puslapyje, ši nauja sprendimas integruotas į Webacy kriptovaliutų sprendimų rinkinį ir „naudoja prižiūrimą mašininio mokymosi modelį, mokytą naudotojų atsiliepimų pagrindu ir gyvųjų transakcijų duomenimis, derinyje su blokų grandinės analize, funkcijų kūrimu bei elgesio kontekstu. “ Pasak pranešimų, šis įrankis pasiekia 97% sėkmės rodiklį, patikrintą per žinomus atakų scenarijus. „Adresų užkrėtimas – vienas iš labiausiai nepakankamai atskleistų, bet brangiausių sukčiavimų kriptovaliutų pasaulyje, kuris pasinaudoja paprasta prielaida: tai, ką matote, yra tai, ką gaunate, “ teigė Webacy įkūrėja Maika Isogawa. Kriptovaliutų adresų užkrėtimas – tai sukčiavimo būdas, kai atakų autoriai siunčia menkas sumas kriptovaliutos iš piniginės arčiau tikrosios aukos adreso, dažnai pradedančio ir baigiančio tomis pačiomis simbolių reikšmėmis. Šiuo būdu siekiama apgauti naudotojus kopijuoti ir pakartotinai naudoti atakų autoriaus adresą vėlesnėse transakcijose, taip sukelti finansinius nuostolius. Šis sukčiavimas pasinaudoja naudotojų įpročiu remtis daliniais adreso atitikimais arba iškarpinės istorija, atliekant kriptovaliutų pervedimus. 2025 metų sausio tyrimas parodė daugiau nei 270 milijonų užkrėtimo bandymų BNB Chain ir Ethereum tinkle nuo 2022 m. liepos 1 d. iki 2024 m. birželio 30 d. , iš kurių 6 000 buvo sėkmingi ir lėmė daugiau nei 83 milijonų dolerių nuostolių. Susiję: Kas yra adresų užkrėtimo atakos kriptovaliutų pasaulyje ir kaip jų išvengti? Web2 saugumo patirties pritaikymas Web3 Trugard vyriausiasis technologijų vadovas Jeremiah O’Connor papasakojo Cointelegraph, kad komanda sukaupė didelę kibernetinio saugumo patirtį iš Web2 srities, kurią jie nuo pat pirmųjų kriptovaliutų dienų taiko Web3 duomenims.

Jie panaudoja tradicinės sistemos algoritminį funkcijų kūrimą ir patirtį, kad pagerintų Web3 saugumą. Jis pažymėjo: „Dauguma esamų Web3 atakų aptikimo įrankių remiasi statinėmis taisyklėmis arba paprastu transakcijų filtru, kurie dažnai atsiliksta nuo besikeičiančių užpuolikų taktikų, technikų ir procedūrų. “ Skirtingai nuo to, jų neseniai sukurtas sistema naudoja mašininį mokymąsi, kad nuolat mokytųsi ir prisitaikytų prie adresų užkrėtimo grėsmių. O’Connor pabrėžė, kad jų sistema išsiskiria „dėmesiu kontekstui ir modelių atpažinimui. “ Isogawa pridūrė, kad „dirbtinis intelektas dažnai gali aptikti modelius, viršijančius žmogaus analitinį gebėjimą. “ Susiję: Jamesonas Loppas įspėjo apie Bitcoin adresų užkrėtimo atakas Mašininio mokymosi metodas O’Connor paaiškino, kad Trugard sukūrė dirbtinio intelekto mokomąjį sintetinių duomenų rinkinį, leidžiantį modeliui imituoti įvairius atakų metodus. Modelis buvo apmokytas naudodamas prižiūrimą mokymąsi – mašininio mokymosi techniką, kai modelis mokosi iš žymėtų duomenų, sudarytų iš įvesties ir tinkamo išėjimo porų. Tikslas yra, kad modelis suprastų įvesties ir išvesties ryšius ir galėtų tiksliai prognozuoti rezultatą naujiems, nepažįstamiems duomenims. Tipiniai taikymai apima spam'o filtravimą, vaizdų atpažinimą ir kainų prognozavimą. Be to, modelis nuolat atnaujinamas, pertraukiant mokymąsi naujais duomenimis, kai užpuolikai kuria naujas strategijas. „Be to, mes sukūrėme sintetinių duomenų generavimo sluoksnį, kuris leistų nuolat testuoti modelį su simuliuotomis užkrėtimo scenarijų, – teigė jis. – Šis požiūris įrodė esąs labai veiksmingas, padedantis modeliui bendriausia ir išlikti patikimam laikui bėgant. “