Crypto cybersecurity ကုမ္ပဏီ Trugard သည် Webacy ချိတ်ဆက်ထားသော Onchain Trust Protocol နှင့်entionsတွဲဖက်ပြီး AI အခြေခံစနစ်တစ်ခုဖန်တီးခဲ့သည်။ ဤစနစ်သည် crypto လိမ္မော်ရိုးစွဲစနစ်ကိုရှာဖွေရန်အတွက်ဒီဇိုင်းရေးဆွဲထားခြင်းဖြစ်သည်။ မေး ၂၀၂၃ ပြဿနာအပတ်စဉ် မေလ ၂၁ ရက်နေ့တွင် Cointelegraph မှကြေငြာခဲ့ပြီး ဤဆန်းသစ်သောဖြေရှင်းချက်သည် Webacy ၏ crypto ဆုံးဖြတ်ချက်များအထုပ်နှင့်ပေါင်းစည်းထားပြီး "အမြန်လည်ညှိထားသောစက်အလိုက်လေ့လာမှုမော်ဒယ်ကို အသုံးပြုထားပြီး တိုက်ရိုက်ပေးပို့ခြင်းဒေတာများနှင့်ချိတ်ဆက်ခြင်း၊ onchain ခြေရာခံချက်များ၊ လက္ခဏာအင်ဂျင်နီယာလုပ်ငန်းများနှင့် စ behaviorsယူအာရုံများကိုပေါင်းစည်းထားခြင်းဖြစ်သည်။" ဤကိရိယာသည် 97% အောင်မြင်မှုနုန်းကို ရရှိခဲ့ပြီး မိတ်ဆက်ထားသောအAttackစနစ်များတွင်အတည်ပြုပြီးဖြစ်သည်။ “လိမ်လည်မှုလိပ်စာ poisoning သည် crypto တွင် အတော်များစွာရှင်းလင်းချက်မရပဲ တန်ဖိုးအကြီးအကျယ်ရှိသော မလုံခြုံမှုအများကြီးဖြစ်ပြီး သင်ကြည့်နေသောအရာသည် သင်ရယူထားတာဖြစ်သည်ကို ခံယူစဉ်းစားမှုအပေါ်အခြေခံထားသည်ဟု Webacy ၏ မိုက်ကား Isogawa ကပြောကြားသည်။ Crypto လိမ်လည်မှုအနေနဲ့ 주소 poisoning တစ်ခုမှာ မကောင်းသူများက သင့်ရဲ့ လိပ်စာနဲ့ဆန့်ကားသည့် Crypto wallet အကောင့်များကို သေးငယ်သောအကျိုးခံစားမှုများ ပေးပိုက်၍နောက်ပိုင်းအပြန်အလှန်လုပ်ငန်းများတွင် လိပ်စာကို မတူညီနေသောအတိုင်းရင်းများနှင့် ပူးပေါင်းဖို့ကြိုးပမ်းနေခြင်းဖြစ်ပြီး ဤနည်းလမ်းသည် အသုံးပြုသူများကို လိမ်လည်မည့်အကောင့်ကို မေးမယ့်အခါများလည်း ဖြစ်နိုင်သည်။ ဤခိုးယူမှုသည်အသုံးပြုသူများ၏ အတိုင်းအတာအလေးအနက်ထဲတွင် အပိုင်းအစအလေးထားသော လိပ်စာကိုသာမက clipboard မှတ်တမ်းများကိုလိုက်နာပြီး crypto လုပ်ငန်းများပြုလုပ်ပေးသည့်နေရာ၌ အားထားပြီး ဖြစ်နိုင်ခြေဖြစ်နေသည်။ ဇူလိုင်လတွင် 2025 မှာ လုပ်ခဲ့သည့် သုတေသနအရ July 1, 2022 မှ June 30, 2024 အထိ BNB Chain နှင့် Ethereum တွင် 270 သန်းကျော် poisoning ကြိုးပမ်းမှုများဖြစ်ပေ၍ 6, 000 ကြိုးပမ်းမှုအောင်မြင်ခဲ့ပြီး 83 မီလီယံ डॉलरကျော်ပျက်စီးမှုများရရှိခဲ့သည်။ ဆက်စပ်: crypto တွင် 주소 poisoning လက်လှမ်းလောက်အကြောင်းနှင့် မည်သို့ရှောင်ရမည်နည်း? Web2 လုံခြုံမှုကျွမ်းကျင်မှုကို Web3 တွင်အသုံးပြုခြင်း Trugard ၏ chief technology officer သည် Jeremiah O’Connor က Cointelegraph သို့ ပြောကြားခဲ့ပြီး သူတို့အဖွဲ့သည် Web2 ၏ cybersecurity အသိပညာများကို ယခုအချိန်တွင် Web3 ဒေတာ တွင်အသုံးပြုနေကြောင်း ဖော်ပြခဲ့သည်။ သူတို့သည် ဥပမာနည်းငယ်အနေနဲ့Traditional systems မှအချင်းချင်းအဖြစ်လက္ခဏာအင်ဂျင်နီယာလုပ်ငန်းအတွေ့အကြုံကို Web3 လုံခြုံမှုမြှင့်တင်ရန်အသုံးချနေကြောင်း နားလည်စေခဲ့သည်။ သူမကပြောကြားခဲ့သည်: “အများစုသော Web3 များအတွက်အကြံပေးသောအကာအကြဲများသည် သတ်မှတ်ချက်များ သို့မဟုတ် အခြေခံအလုပ်များပဲဖြစ်ပြီး၊ အပြောင်းအလဲများနှင့်မစ်ရှင်းတိုက်ခိုက်မှုစနစ်များအပေါ် မရောက်မီ ပိုမိုတိုးတက်လာစေဖို့ လုပ်ဆောင်မှုများ များပြားနေသည်။” ခြားနားချက်မှာ သူတို့ဖွံ့ပိုင်းထားသော စနစ်သည် machine learning ကိုအသုံးပြုပြီး ထိန်းသိမ်းခွင့်ရှိပြီး တိုးတက်လာသော poisoning များကိုနားလည်ဖို့နှင့် ချိတ်ဆက်ထားခြင်း ဖြစ်သည်။ O’Connor က၎င်း၏ ယုပ်ဒ်ကို ထောက်ပြသည်မှာ “မိမိ၏စနစ်၏ အင်္ဂါရပ်သည် ဥပမာစည်းစနစ်နှင့် ပုံစံများကိုအာရုံစိုက်ခြင်း” ဟု။ Isogawa က ထပ်မံ၍ မျှော်လင့်နိုင်ခြင်းအပေါ်နိုင်သည့်အကျိုးသက်ရောက်မှုကို AI သည် လူ့စွမ်းရည်ကျော်စွာအနက်နေပါတယ်ဟု ခံယူသည်။ ဆက်စပ်: Jameson Lopp သည် Bitcoin လိပ်စာ poisoning လုပ်ငန်းများအပေါ်သတိပြုခွင့်အသိပေးသည် Machine learning နည်းလမ်း O’Connor ကပြောကြားခဲ့သည်မှာ Trugard သည် AI ကိုလိုအပ်သည့်အတိုင်းမျိုးစုံသောခိုင်းနည်းများကို အလုပ်လုပ်သည့်သင်ကြားမှုဒေတာများကို ဖန်တီးခဲ့ပြီး မော်ဒယ်ကို လိုအပ်သည့်ကြားနေရသော လေ့လာမှုနည်းလမ်းဖြင့် သူနဲ့အတူ သင်ကြားခဲ့ခြင်း ဖြစ်သည်။ ယင်းမော်ဒယ်သည် ပုံမှန်သိရှိထားသော လုပ်ငန်းများအဖြစ် Label လုပ်ထားသော ဒေတာများကို အသုံးပြု၍ supervised learning ဖြင့် သင်ကြားထားသည်။ ရည်ရွယ်ချက်မှာ မော်ဒယ်သည်အချက်အလက်အဖြေများကို နားလည်ခြင်းဖြင့် အနာဂတ် ဆန်းစစ်ချက်များကို မှန်ကန်စွာ ဖော်ပြနိုင်ရန် ဖြစ်သည်။ ပုံမှန်ပရိုဂရမ်များတွင် စပမ်စစ်စနစ်များ၊ ပုံ Recognition နှင့် စျေးနှုန်းခန့်မှန်းခြင်းတို့ပါဝင်သည်။ ထို့အပြင်၊ မော်ဒယ်ကို အသစ်သောဒေတာများဖြင့် ထပ်မံလေ့ကျင့်ခြင်းဖြင့် လုပ်ဆောင်မှုကို ဆက်လက်တိုးမြှင့်ကြသည်။ “လည်းကောင်း၊ synthetic data ဖန်တီးပေးနိုင်သောအဆင့်နေရာကို ဖန်တီးထားပြီး မော်ဒယ်ကို simulation poisoning ကို တိုက်ရိုက်စမ်းသပ်နိုင်စေရန် ပြုလုပ်ထားပါတယ်” ဟု သူကပြောကြားခဲ့သည်။ “ဤနည်းလမ်းသည် မော်ဒယ်အားလုံးကို ညီညာအောင်၊ များများလျက်ရှိစေရန်အတွက် အထောက်အကူပြုသည်။”