क्रिप्टो सायबर सुरक्षा कंपनी Trugard ने ऑनचेन ट्रस्ट प्रोटोकॉल Webacy सहिता, एका AI-आधारित प्रणाली तयार केली आहे जी क्रिप्टो वॉलेट पत्ता विषबाधा ओळखण्यासाठी डिझाइन केली गेली आहे. 21 मे रोजी Cointelegraph ने जाहीर केले तर, ही नवीन प्रणाली Webacy च्या क्रिप्टो निर्णय घेण्याच्या ताळमाळीत समाविष्ट केली गेली आहे आणि "लाइव व्यवहार डेटावर प्रशिक्षित निरीक्षक मशीन लर्निंग मॉडेल, ऑनचेन विश्लेषण, वैशिष्ट्य अभियांत्रिकी व वर्तनात्मक संदर्भ यांचा उपयोग करते. " अहवालानुसार, या टूल ने 97% यशदर मिळवले असून, ज्ञात हल्ल्याच्या परिस्थितीमध्ये त्याची पडताळणी झाली आहे. "पत्ता विषबाधा ही क्रिप्टोमधील एक कमी रिपोर्ट होणारी, पण महाग scam आहे, जी सोप्या कल्पनेवर आधारित आहे: जो दिसतोय तोच खरा असतो, " अशी माहिती Webacy चे सहसंस्थापक Maika Isogawa यांनी दिली. क्रिप्टो पत्ता विषबाधा ही फसवणूक तंत्र आहे जिथे हल्लेखोर छोटे प्रमाणात क्रिप्टोकरन्सी पाठवतात ज्या पत्त्य victim च्या वास्तविक पत्त्यासप्रमाणेच दिसतात — अनेकदा सुरूवातीचे व शेवटीचे अक्षर जुळतात. या पद्धतीने वापरकर्त्यांना टाकणारे धोका निर्माण करतात जेणेकरून ते नंतरच्या व्यवहारांमध्ये हल्लेखोराचा पत्ता कॉपी व पुनः वापर करतात, ज्यामुळे आर्थिक तोट्याचा सामना करावा लागतो. ही फसवणूक वापरकर्त्यांच्या सवयींवर आधारित आहे जसे की आंशिक पत्ता जुळणी किंवा क्लिपबोर्ड इतिहासावर विश्वास ठेवणे. जानेवारी 2025 च्या अभ्यासानुसार, 1 जुलै 2022 व 30 जून 2024 या कालावधीत BNB Chain व Ethereum वर 270 मिलियन पेक्षा जास्त विषबाधा प्रयत्न झाले असून, त्यात 6, 000 यशस्वी प्रयत्नांनी 83 दशलक्ष डॉलरहून अधिक नुकसान झाले आहे. संबंधित: क्रिप्टो मध्ये पत्ता विषबाधा हल्ले काय आहेत व त्यांचे टाळणे कसे? Web2 सुरक्षा तज्ञता Web3 मध्ये Trugard च्या मुख्य तांत्रिक अधिकारी Jeremiah O’Connor यांनी Cointelegraph ला सांगितले की, त्यांची टीम Web2 क्षेत्रातून मोठ्या प्रमाणात सायबरसुरक्षा ज्ञान आणते, जे त्यांनी क्रिप्टोकरन्सीच्या सुरुवातीपासून Web3 डेटावर लागू केले आहे. ते पारंपरिक यंत्रणांमधून वैशिष्ट्य अभियांत्रिकीचा अनुभव वापरतात जे Web3 सुरक्षितता वाढवते. त्यांनी नमूद केले: “सध्याच्या अनेक Web3 हल्ला शोधणाऱ्या साधनांमध्ये स्थिर नियम किंवा मूलभूत व्यवहार फिल्टरिंग अवलंबिले जाते, जे वारंवार विकसित होत असलेल्या हल्लेखोरांच्या तंत्र, धोरण व पद्धतींमध्ये मागे पडतात. ” त्यांचं नवीन विकसित प्रणाली मशीन लर्निंगचा वापर करते, जे सतत शिकते व विषबाधेच्या धोक्यांना प्रतिसाद देते.

O’Connor यांनी यामध्ये काय वेगळं आहे ते अधिक सांगितले की “त्याचा संदर्भ आणि पॅटर्न ओळखण्यात लक्ष केंद्रित केले आहे. ” Isogawa यांनीही जोडले की “AI अनेक पॅटर्न ओळखू शकतो जे मानवी विश्लेषण क्षमतांपेक्षा अधिक असू शकतात. ” संबंधित: Jameson Lopp ने बिटकॉइन पत्ता विषबाधा हल्ल्यांवर धोक्याचा इशारा दिला मशीन लर्निंगचा दृष्टिकोन O’Connor यांनी स्पष्ट केले की, Trugard ने AI साठी synthetic प्रशिक्षण डेटा तयार केला ज्यामुळे विविध हल्ल्याच्या पद्धतींचे अनुकरण करता येते. मॉडेलला नंतर निरीक्षक शिक्षणाने (supervised learning) प्रशिक्षित केले गेले, जेथे इनपुटसह योग्य आउटपुट असलेल्या लेबल केलेल्या डेटावरून मशीन लर्निंग प्रक्रिया शिकते. हे उद्दिष्ट आहे की, मॉडेल इनपुट-आउटपुट संबंध समजून घेते व नवीन, अनोख्या डेटासाठी योग्य परिणाम भाकीत करू शकते. सामान्यतः हे स्पॅम फिल्टरिंग, प्रतिमा ओळख, व किंमतीचा अंदाज यांसाठी वापरले जाते. तसेच, हल्लेखोर नवीन रणनीती विकसित करत असल्यामुळे, मॉडेल सतत नवीन डेटाने पुनः प्रशिक्षित केले जाते. “याव्यतिरिक्त, आम्ही एक synthetic डेटा निर्मिती स्तर तयार केला आहे जे सतत मॉडेलची परीक्षा घेते आणि त्याला सुधारण्यास मदत करते, ” असे ते म्हणाले. “हा दृष्टिकोन मॉडेलला सामान्य करणे व दीर्घकालीन सामर्थ्य टिकवणे यासाठी अत्यंत प्रभावी ठरला आहे. ”