ക്രിപ്റ്റೋ സൈബർസുരક્ષા കമ്പനിയായ ട്രുഗാർഡ്, ഓൺചെയിൻ ട്രസ്റ്റ് പ്രോട്ടോക്കോൾ വെബസിൻികളുമായി ചേർന്ന് ക്രിപ്റ്റോ വാലറ്റ് വിലാസ വിഷ ബാധ തേടി കണ്ടെത്താൻ രൂപപ്പെടുത്തിയ ഒരു എഐ-ചലിത സംവിധാനം നിർമ്മിച്ചിട്ടുണ്ട്. മെയ് 21-ന് Cointelegraph-ൽ പ്രഖ്യാപിച്ച എന്ഡൂൾ പരിഹാരമဲ ഒപ്പം വെബാസിയുടെ ക്രിപ്റ്റോ തീരുമാനസൂട്ട്-ൽ സംയോജിപ്പിച്ചിട്ടുണ്ട്, “ലൈവ് ട്രാൻസക്ഷൻ ഡാറ്റയിൽ പരിശീലനം നേടിയ സൂപ്പർവൈസ്ഡ് മെഷീൻ ലേണിംഗ് മോദലും, ഓൺചെയിൻ അനാലിറ്റിക്സും, ഫീച്ചർ എൻജിനീയറിംഗ്, പെരുമാറ്റ പശ്ചാത്തലങ്ങൾ എന്നിവയുമായി ഇത് പ്രവർത്തിക്കുന്നു. ” പ്രതിവേദനങ്ങളായി അറിയുന്ന ആക്രമണ പ്രതിച്ഛായകളിൽ 97% വിജയം നേടിയതായി റിപ്പോർട്ടാണ്. “വിലാസ വിഷം എന്നത് ക്രിപ്റ്റോയിൽ ഏറ്റവും കുറവായി റിപ്പോർਟ ചെയ്തവയും ചിലവേറിയവയും ആണ്, നിങ്ങൾ കാണുന്നത് തന്നെയെന്ന് അനുമാനിച്ചുള്ള ഏറ്റവും സാധാരണമായ ചിന്തനത്തെ exploited ചെയ്തുകൊണ്ട്, ” വെബാസി സഹസ്ഥാപക മായ്ക ഇസോഗാവ പറഞ്ഞു. ക്രിപ്റ്റോ വിലാസ വിഷം ഒരു തട്ടിപ്പ് തന്ത്രമായിട്ടാണ്, ലൂറ്റൻവാലറ്റ് വിലാസങ്ങളിൽ ചെറിയ മാദ്ധ്യമങ്ങൾ അയച്ചുകൊണ്ട് ആക്രമണക്കാർ പെടേണ്ടയാളുടെ യഥാർത്ഥ വിലാസവുമായി വളരെ പരസ്പരം സമാനമായ വിലാസങ്ങൾ അയയ്‌ക്കുന്നു—അതാണ് സാധാരണയായി ആരംഭത്തിലും അവസാനത്തിലും സാമ്യമുള്ളത്. ഈ സമീപനം ഉപയോക്താക്കളെ പറ്റി ഭ്രാന്തതയോടെ അട്ടിമറിക്കാനുള്ള ശ്രമമാണ്, പിന്നീട് തട്ടിപ്പ് വിലാസം പകർന്നു ഉപയോഗിക്കുന്നതിനാൽ സാമ്പത്തിക നാശങ്ങൾ ഉണ്ടാകുന്നു. ഈ തട്ടിപ്പ് ഉപയോക്താക്കളുടെ ഭാഗദാർഹ്യതയോട് വിപരീതമായ, ഭാഗിക വിലാസം പെരുമാറൽ അല്ലെങ്കിൽ ക്ലിപ്പ്ബോർഡ് ചരിത്രം ആശ്രയിച്ച് ക്രിപ്റ്റോ കൈമാറുമ്പോൾ ഉണ്ടാകുന്നു. ജനുവരി 2025-ലെ പഠനം, ജൂലൈ 1, 2022-ൽ തുടർന്നു ജൂൺ 30, 2024-ൽ വരെ, BNB ചെയ്ൻ, ഇथेറിയം എന്നിവയിൽ 270 മില്യൺ തട്ടിപ്പ് ശ്രമങ്ങൾ ഉണ്ടായി, അതിൽ 6, 000 വിജയിച്ചുണ്ടായതും 83 മില്യൺ ഡോളറിന് കൂടുതൽ നാശം സംഭവിച്ചതും കണ്ടെത്തжээ. സംബന്ധപ്പെട്ട ചർച്ച: ക്രിപ്റ്റോയിൽ വിലാസ വിഷം ആക്രമണങ്ങളെന്താണ്, സ്തംഭിക്കുന്നത് എങ്ങനെയെന്ന് എങ്ങനെ ഒഴിവാക്കാം? Web2 സുരക്ഷാ വിദഗ്ധത Web3-ലുള്ള അപേക്ഷ ട്രുഗാർഡിന്റെ പ്രധാന ടെക്നോളജി ഓഫീസർ ജെറമ്യ ഓ’കണോർ, Cointelegraph-യുമായി మాట్లాడుతూ, അവരുടെ കൂട്ട് Web2 ഡൊമെയ്‌നിൽ നിന്നുള്ള സൈബർസുരക്ഷാ അറിവ് കൊണ്ടാണ്, അതു blockchain-കളുടെ തുടക്ക കാലങ്ങളിൽ നിന്നു തന്നെ Web3 ഡേറ്റയിൽ തങ്ങളുടെ പരിചയവും വിന്യസിപ്പിച്ചതെന്ന് പറഞ്ഞു. ആല്ഗോറിധമിക് ഫീച്ചർ എൻജിനീയറിംഗ് എന്ന പരിചയങ്ങൾ പരമ്പരാഗത സിസ്റ്റങ്ങൾക്കു അനുയോജ്യമായതെന്തെന്നതിനെ അവര്‍ ശ്രദ്ധിച്ച്, Web3-ൽ സുരക്ഷാ മെച്ചപ്പെടുത്തുന്നതിന് സഹായിക്കുന്നു. അദ്ദേഹം പറഞ്ഞു: “നിലവിലുള്ള ഏറ്റവും കൂടുതൽ Web3 ആക്രമണ കണ്ടെത്തൽ ഉപകരണങ്ങൾ സ്ഥിരതയുള്ള നിയമങ്ങളോ അടിസ്ഥാന ട്രാൻസക്ഷൻ ഫിലറ്ററിങ് പ്രക്രിയകളോ ആധാരമാക്കിയതാണ്, എന്നാൽ ഇത് സ്ഥിരമായ താരതമ്യത്തിലും തന്ത്രങ്ങളിലോ നടപടികളിലോ പലപ്പോഴും പിറകിലായി പോവുകയാണ്. ” വമ്പൻ വ്യത്യാസം വമ്പിച്ച ഇന്ത്യൻ പുതിയ സിസ്റ്റം മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ച് അതിന്റെ ഫോക്കസ് കാന്ചെക്ഷനും സ്റ്റയൽ നിരീക്ഷണവും.

ഇസോഗാവ പറഞ്ഞു, “AI പാറ്റേണുകൾ പേര് പ്രതികരിക്കാനാകുന്ന കഴിവ് മനുഷ്യ ശേഷിയെക്കാള്‍ മേന്മയുള്ളതാണ്. ” സംബന്ധപ്പെട്ട ചർച്ച: ബിറ്റ്‌കോയിൻ വിലാസ വിഷം ആക്രമണങ്ങൾ തിരിഞ്ഞുള്ള ജെയിംസൺ ലോപ് അലാറം സുന്നാച്ച് ചെയ്തു മീശൻ ലേണിംഗ് രീതി ഓ’കണോർ വിശദീകരിച്ച്, ട്രുഗാർഡ് എഐ യെ വ്യത്യസ്ത ദശകളിലുള്ള ആക്രമണ രീതികളെ അനുകരിക്കാൻ സുഗന്ധമായ പരിശീലന ഡാറ്റ സൃഷ്ടിച്ചു. ശിക്ഷകാലത്താണ് കൃത്രിമ പഠനം — ഇത് ലേബലുചെയ്ത ഡാറ്റയിലൂടെയാണ് മോഡൽ പഠിക്കുന്നത്, ഇതിൽ ഇൻപുട്ടുകളും ശരியான ഔട്ട്പുട്ടുകളും അടങ്ങിയിട്ടുണ്ട്. ലക്ഷ്യം կանխിച്ചിരിക്കുന്നത് ഇൻപുട്ട്-ഔട്ട്പുട്ട് ബന്ധങ്ങൾ മനസ്സിലാക്കി, പുതിയ, അന്യമായ ഡാറ്റയ്ക്ക് ശരിയായ പ്രവചനങ്ങൾ നൽകാൻ ആകുമ്പോൾ. ഈ മോഡലിന്റെ സാധാരണ ഉപയോഗങ്ങൾ സ്പാം ഫിൽട്ടറിംഗ്, ചിത്രം തിരിച്ചറിയൽ, വില പ്രവചനം എന്നിവയെയാണ്. ഇവയിൽ കൂടുതൽ, പുതിയ തന്ത്രങ്ങൾ വികസിപ്പിക്കുമ്പോൾ പുതിയ ഡാറ്റയുമായി ഫീഡ്ബാക്ക് നടത്തുന്നതും തുടർച്ചയായ നിർമ്മാണവും പുതിയ സരോം ഹിസ്ത്രി ഇത്തരത്തിലുള്ള രീതികൾ പ്രവർത്തനക്ഷമമാക്കുന്നു. “അതിനുപരി, നമ്മൾ പ്രകൃതിദത്തമായ ഫലപ്രദതയിൽ പരീക്ഷണത്തിനായുള്ള സിന്തറ്റിക് ഡേറ്റ ജനറേഷൻ ലെയർ നിർമ്മിച്ചിരുന്നു, ” അദ്ദേഹം പറഞ്ഞു. “ഈ സമീപനം മോഡലിനെ ജനറലൈസ് ചെയ്‌തും ദീർഘകാലത്തുപ്പയോഗിക്കാൻ സഹായിക്കാനും അതീവ ഫലപ്രദമാണ്. ”