Syarikat keselamatan siber crypto, Trugard, bersama protokol kepercayaan onchain Webacy, telah mencipta satu sistem berasaskan AI yang direka untuk mengesan pencemaran alamat dompet crypto. Seperti yang diumumkan pada 21 Mei melalui Cointelegraph, penyelesaian baharu ini telah diintegrasikan ke dalam suite keputusan crypto Webacy dan “menggunakan model pembelajaran mesin terkawal yang dilatih berdasarkan data transaksi langsung digabungkan dengan analitik onchain, kejuruteraan ciri, dan konteks tingkah laku. ” Alat ini dikatakan mencapai kadar kejayaan sebanyak 97%, disahkan melalui senario serangan yang diketahui. “Pencemaran alamat adalah salah satu penipuan yang paling kurang dilaporkan namun paling mahal dalam dunia crypto, yang mengeksploitasi anggapan paling mudah: Bahawa apa yang anda lihat adalah apa yang anda terima, ” kata pengasas bersama Webacy, Maika Isogawa. Pencemaran alamat crypto merupakan satu teknik penipuan di mana penyerang menghantar sejumlah kecil cryptocurrency dari alamat dompet yang hampir sama dengan alamat sebenar mangsa—sering kali berkongsi watak awal dan akhir yang sama. Pendekatan ini bertujuan untuk menipu pengguna agar menyalin dan menggunakan semula alamat penyerang dalam transaksi kemudian, menyebabkan kerugian kewangan. Penipuan ini mengeksploitasi tabiat pengguna yang bergantung kepada padanan alamat sebahagian atau sejarah papan klip ketika memindahkan crypto. Satu kajian pada Januari 2025 mendedahkan lebih 270 juta percubaan pencemaran di BNB Chain dan Ethereum antara 1 Julai 2022 hingga 30 Jun 2024, dengan 6, 000 percubaan berjaya yang mengakibatkan kerugian lebih 83 juta dolar. Berkenaan: Apakah serangan pencemaran alamat dalam crypto dan bagaimana mengelakkannya? Kepakaran keselamatan Web2 diterapkan ke Web3 Pengarah teknologi Trugard, Jeremiah O’Connor, memberitahu Cointelegraph bahawa pasukan mereka membawa pengetahuan keselamatan siber yang kukuh dari domain Web2, yang telah mereka terapkan ke data Web3 sejak zaman awal mata wang kripto. Mereka memanfaatkan pengalaman dalam kejuruteraan ciri algoritma dari sistem tradisional untuk meningkatkan keselamatan Web3. Beliau berkata: “Sebahagian besar alat pengesanan serangan Web3 sedia ada bergantung pada peraturan statik atau penapisan transaksi asas, yang sering ketinggalan mengikuti taktikal, teknik, dan prosedur penyerang yang sentiasa berubah. ” Sebaliknya, sistem baharu mereka menggunakan pembelajaran mesin untuk belajar dan menyesuaikan diri secara berterusan bagi menghadapi ancaman pencemaran alamat.

O’Connor menekankan bahawa apa yang membezakan sistem mereka adalah “fokusnya terhadap konteks dan pengenalan corak. ” Isogawa menambah bahawa “AI boleh mengesan pola yang sering di luar keupayaan analitikal manusia. ” Berkenaan: Jameson Lopp beri amaran mengenai serangan pencemaran alamat Bitcoin Pendekatan pembelajaran mesin O’Connor menjelaskan bahawa Trugard mencipta data latihan sintetik untuk AI meniru pelbagai kaedah serangan. Model ini kemudian dilatih menggunakan pembelajaran terkawal— satu teknik pembelajaran mesin di mana model belajar daripada data berlabel yang terdiri daripada input yang dipadankan dengan output yang betul. Matlamatnya adalah agar model memahami hubungan antara input dan output untuk meramalkan hasil dengan betul bagi data baharu yang tidak pernah dilihat sebelum ini. Aplikasi tipikal termasuk penapisan spam, pengenalan imej, dan ramalan harga. Selain itu, model ini dikemas kini secara berterusan melalui latihan semula dengan data baharu apabila penyerang mengembangkan strategi baharu. “Selain itu, kami telah membina lapisan penjanaan data sintetik yang membolehkan ujian berterusan terhadap model bagi meniru situasi pencemaran, ” katanya. “Pendekatan ini terbukti sangat berkesan dalam membantu model untuk generalisasi dan mengekalkan ketahanan dari masa ke masa. ”