Cryptobeveiligingsbedrijf Trugard, samen met het onchain trustprotocol Webacy, heeft een AI-gestuurd systeem ontwikkeld dat is ontworpen om crypto wallet-adresvergiftiging op te sporen. Zoals op 21 mei via Cointelegraph werd aangekondigd, is deze nieuwe oplossing geïntegreerd in de crypto-beslissingssuite van Webacy en “maakt gebruik van een gesuperiseerd machine learning-model dat is getraind op live transactiegegevens, gecombineerd met onchain-analyses, feature engineering en gedragscontext. ” De tool zou volgens berichten een succespercentage van 97% bereiken, gevalideerd in bekende aanvalsscenario’s. “Adresvergiftiging is een van de meest ondergerapporteerde maar kostbare scams in crypto, waarbij wordt geprofiteerd van de eenvoudigste veronderstelling: dat wat je ziet, ook daadwerkelijk is, ” verklaarde Maika Isogawa, medeoprichter van Webacy. Crypto-adresvergiftiging is een fraudetechniek waarbij aanvallers kleine hoeveelheden cryptocurrency versturen vanaf wallet-adressen die nauw lijken op het echte adres van het slachtoffer — vaak met dezelfde begin- en eindtekens. Deze aanpak is bedoeld om gebruikers mis te leiden zodat ze het adres van de aanvaller kopiëren en hergebruiken in latere transacties, wat leidt tot financiële verliezen. Deze scam maakt gebruik van de gewoonte van gebruikers om te vertrouwen op gedeeltelijke adresvergelijkingen of plakgeschiedenis bij het overdragen van crypto. Een studie uit januari 2025 liet zien dat er tussen 1 juli 2022 en 30 juni 2024 meer dan 270 miljoen vergiftigingspogingen plaatsvonden op BNB Chain en Ethereum, met 6. 000 succesvolle pogingen die meer dan 83 miljoen dollar aan verliezen opleverden. Gerelateerd: Wat zijn adresvergiftigingsaanvallen in crypto en hoe kun je ze voorkomen? Web2-veiligheidsexpertise toegepast op Web3 Jeremiah O’Connor, chief technology officer van Trugard, vertelde aan Cointelegraph dat het team uitgebreide cybersecuritykennis meebrengt uit de Web2-wereld, die ze sinds de vroege dagen van cryptocurrency toepassen op Web3-gegevens. Ze maken gebruik van ervaring in algoritmisch feature engineering uit traditionele systemen om de Web3-beveiliging te verbeteren. Hij zei: “De meeste bestaande Web3-aanvaldetectietools vertrouwen op statische regels of eenvoudige transactiefilters, die vaak achterblijven bij de evoluerende tactieken, technieken en procedures van aanvallers. ” In tegenstelling hiermee maakt hun recent ontwikkelde systeem gebruik van machine learning om continu te leren en zich aan te passen aan dreigingen zoals adressvergiftiging.

O’Connor benadrukte dat wat hun systeem onderscheidt “de focus op context en patroonherkenning is. ” Isogawa voegde daaraan toe dat “AI patronen kan detecteren die vaak verder gaan dan menselijke analytische vaardigheden. ” Gerelateerd: Jameson Lopp waarschuwt voor Bitcoin-adresvergiftigingsaanvallen De machine learning-benadering O’Connor uitlegde dat Trugard synthetische trainingsgegevens heeft gecreëerd zodat de AI diverse aanvalsmethoden kan nabootsen. Het model werd vervolgens getraind met behulp van gesuperiseerd leren — een machine learningtechniek waarbij het model leert van gelabelde gegevens, bestaande uit invoer gekoppeld aan juiste output. Het doel is dat het model input- en outputrelaties begrijpt om juiste voorspellingen te doen voor nieuwe, onzichtbare gegevens. Toepassingen hiervan zijn onder andere spamfilters, beeldherkenning en prijsvoorspellingen. Bovendien wordt het model continu bijgewerkt door het met nieuwe gegevens opnieuw te trainen, naarmate aanvallers nieuwe strategieën ontwikkelen. “Daarnaast hebben we een laag voor het genereren van synthetische gegevens gebouwd, waarmee het model voortdurend wordt getest tegen gesimuleerde vergiftigingsscenario’s, ” zei hij. “Deze aanpak is zeer effectief gebleken in het helpen van het model om zich te generaliseren en robuust te blijven over de tijd. ”