Крипто-компанијата за сајбер безбедност Trugard, заедно со onchain довербениот протокол Webacy, создадоа систем базиран на вештачка интелигенција кој е дизајниран да открива труење со крипто-адреси на паричници. Како што беше соопштено на 21 мај преку Cointelegraph, ова ново решение е интегрирано во склопот за одлучување во крипто светот на Webacy и „користи супервизираен модел за машинско учење обучен на податоци од живи трансакции, комбинирано со аналитика на ланот, инженерство на својства и контекст на однесување. “ Според информациите, алатката постигнува успех од 97%, потврден низ познати сценарија на напади. „Труењето со адреси е една од најнезвестените, а воедно и најскапите измами во крипто светот, која искористува наједноставната претпоставка: она што го гледаш е тоа што го добиваш, ” изјави ко-функционерката на Webacy, Маика Исогава. Труењето со крипто-адреси е техника на измама каде напаѓачите испраќаат мали количества криптовалута од паричници кои изгледаат слично на вистинската адреса на жртвата, често делејќи исти почетни и крајни карактери. Овој пристап има за цел да измами корисници да копираат и повторно да користат адреса на напаѓачот во кčејте трансакции, што води до финансиски загуби. Оваа измама ја искористува навиката на корисниците да се потпираат на делумна проверка на адреси или на историјата во clipboard при пренос на крипто. Студија од јануари 2025 година откри над 270 милиони обиди за труење на BNB Chain и Ethereum помеѓу 1 јули 2022 и 30 јуни 2024, со 6000 успешни обиди што резултирале со загуби над 83 милиони долари. Поврзано: што се нападите со труење на адреси во крипто и како да се избегнат? Експертска поддршка од Web2 применета во Web3 Техничкиот директор на Trugard, Jeremiah O’Connor, изјави за Cointelegraph дека тимот носи значително знаење од царството на сајбер безбедноста од Web2, кое го применуваат во податоците од Web3 од раните денови на криптовалутите. Тие користат искуство во алгоритмичко инженерство на својства од традиционалните системи за да ја подобрат безбедноста во Web3. Тој додаде: „Повеќето постојни алатки за откривање напади во Web3 зависат од статички правила или основно филтрирање на трансакции, што честопати заостанува во однос на еволутивните тактики, техники и процедури на напаѓачите. “ За разлика од тоа, нивниот нов систем користи машинско учење за континуирано учење и прилагодување кон заканите од труење.

O’Connor нагласи дека она што го разликува нивниот систем е „фокусот врз контекст и препознавање на образци. “ Исогава додава дека „вештачката интелигенција може да открие образци кои често се над човечките аналитички капацитети. “ Поврзано: Џајмсон Лоп алармира за напади со труење на Bitcoin адреси Пристапот со машинско учење O’Connor објасни дека Trugard создаде синтетички податочен сет за обука на AI-от кој имитира разни методи за напад. Моделот потоа беше трениран со супервизирано учење – техника на машинско учење каде што моделот учи од означени податоци со врзани примери на влезови и правилни излози. Целта е моделот да разбере релациија помеѓу влезот и излогот за да може точно да ги предвиди исходите за нови, непознати податоци. Стандардните примени вклучуваат филтрирање на спам, препознавање на слики и прогнози за цени. Покрај тоа, моделот е постојано ажуриран со нови податоци преку ре-тренирање. „Исто така, изградивме слој за генерирање синтетички податоци кој овозможува постојано тестирање на моделот против симулирани сценарија за труење, ” изјави тој. „Овој пристап се покажа како многу ефикасен во помагањето на моделот да генерлизира и да одржува стабилност со текот на времето. ”