Kripto kiberdrošības uzņēmums Trugard kopā ar onchain uzticības protokolu Webacy izveidojis AI vadītu sistēmu, kas paredzēta, lai atklātu kriptovalūtu maciņu adresu piesārņošanu. Kā tika paziņots 21. maijā Cointelegraph, šī jauna risinājuma integrācija ir iekļauta Webacy kripto lēmumu pieņemšanas komplektā un „izmanto uzraudzītu mašīnmācīšanās modeli, kas apmācīts uz reālas operāciju datiem, kombinējot ar onchain analīzi, funkciju inženieriju un uzvedības kontekstu. ” Sākotnēji ziņots, ka rīks sasniedz 97% veiksmes līmeni, verifikācija veikta dažādos uzbrukumu scenārijos. “Adreses piesārņošana ir viens no mazāk ziņotajiem, bet dārgākajiem kriptovalūtas internētājprātnes veidiem, kas izmanto vienkāršāko pieņēmumu: “Kas ir redzams, tas ir patiesībā, ”” atzina Webacy līdzdibinātāja Maika Isogawa. Kripto adreses piesārņošana ir fraudu metode, kurā uzbrucēji sūta nelielas kriptovalūtas summas no maciņu adresēm, kas līdzīgas upura īstajai adresei – bieži vien sākas un beidzas ar līdzīgiem rakstzīmju rakstiem. Tas mērķēts uz to, lai maldinātu lietotājus, mudinot viņus kopēt un atkārtoti izmantot uzbrucēja adresi turpmākās darījumos, radot finansiālus zaudējumus. Šis scams izmanto lietotāju ieradumu paļauties uz daļēju adreses atbilstību vai pēc kopēšanas saglabātu vēsturi starpliktuvē, veicot pārskaitījumus. 2025. gada janvārī publiskotā pētījumā norādīts, ka laika posmā no 2022. gada 1. jūlija līdz 2024.

gada 30. jūnijam notikuši vairāk nekā 270 miljoni piesārņošanas mēģinājumu uz BNB ķēdi un Ethereum, no kuriem 6 000 bija veiksmīgi, radot vairāk nekā 83 miljonus dollaru zaudējumu. Saistīts: Kas ir adreses piesārņošanas uzbrukumi kriptovalūtā un kā no tiem izvairīties? Web2 drošības zināšanas pielietotas Web3 Trugard galvenais tehnoloģiju direktors Jeremiah O’Connor Cointelegraph pastāstīja, ka komanda nāk no ievērojamas kiberdrošības pieredzes Web2 jomā, kuru viņi jau kopš kriptovalūtas sākumiem pielieto Web3 datu drošībā. Viņš uzsvēra: “Lielākā daļa esošo Web3 uzbrukumu noteikšanas rīku balstās uz statiskām noteikumu kopām vai vienkāršu darījumu filtru, kas bieži atpaliek no mainīgajām uzbrucēju taktiku, metodiku un procedūru. ” Savukārt viņu izstrādātā jauna sistēma izmanto mašīnmācīšanos, lai nepārtraukti mācītos un pielāgotuies adreses piesārņošanas draudiem. O’Connor uzsvēra, ka “atšķirībā no citiem rīkiem, viņu sistēmas galvenā atšķirība ir uzmanība uz kontekstu un patternu atpazīšanu. ” Isogawa piebilda, ka “mākslīgais intelekts bieži spēj atpazīt modeļus, kas pārsniedz cilvēka analītiskās spējas. ” Saistīts: Jameson Lopp uztraucas par Bitcoin adreses piesārņošanas uzbrukumiem Mašīnmācīšanās pieeja O’Connor skaidroja, ka Trugard ir radījis sintētiskus apmācību datus, lai AI varētu imitēt dažādus uzbrukuma veidus. Modeļa apmācība tika veikta ar uzraudzītu mācīšanos – mašīnmācīšanās tehniku, kurā modelis mācās no marķētiem datiem ar ievadiem, kas ir saistīti ar pareizajiem izvadiem. Mērķis ir, lai modelis spētu saprast ievades un izvades sakarības, pareizi prognozējot rezultātus jauniem, nezināmiem datiem. Piemēri ietver surogātpasta filtru, attēlu atpazīšanu un cenu prognozēšanu. Turklāt, modelis tiek nepārtraukti atjaunināts, retrenējoties ar jauniem datiem, jo uzbrucēji attīsta jaunas stratēģijas. “Papildus mēs esam izveidojuši sintētisku datu ģenerēšanas slāni, kas ļauj nepārtraukti testēt modeli dažādās piesārņošanas scenārijos, ” viņš teica. “Šī pieeja ir pierādījusi augstu efektivitāti, palīdzot modelim vispirms generalizēt un saglabāt spēju pielāgoties laika gaitā. ”