Crypto-sikkerhetsfirmaet Trugard, sammen med onchain tillitsprotokollen Webacy, har utviklet et AI-drevet system designet for å oppdage crypto-lommeboksadresse-forgiftning. Som kunngjort den 21. mai via Cointelegraph, er denne nye løsningen integrert i Webacy’s crypto beslutningsverktøy og «bruker en overvåket maskinlæringsmodell trent på sanntids transaksjonsdata kombinert med onchain-analyser, funksjonsteknikker og atferdskontekst. » Verktøyet skal ifølge rapporter oppnå en suksessrate på 97 %, validert på kjente angrepsscenarier. «Adresse-forgiftning er en av de mest underrapporterte, men kostbare svindelmetodene innen crypto, som utnytter den enkleste antakelsen: At det du ser, er det du får, » uttalte Webacys medgründer Maika Isogawa. Crypto-adresseforgiftning er en svindelteknikk hvor angripere sender små mengder kryptovaluta fra lommeboksadresser som ligner offerets reelle adresse – ofte med samme start- og slutttegn. Målet er å lure brukere til å kopiere og bruke angriperens adresse i senere transaksjoner, noe som kan føre til økonomiske tap. Denne svindelen utnytter brukernes vaner med å stole på delvise adresseopplysninger eller utklippstavle-historikk når de overfører kryptovaluta. En studie fra januar 2025 avslørte over 270 millioner forgiftingsforsøk på BNB Chain og Ethereum mellom 1. juli 2022 og 30. juni 2024, med 6 000 vellykkede forsøk som resulterte i over 83 millioner dollar i tap. Relatert: Hva er adresseforgiftning i crypto, og hvordan unngå det? Web2-sikkerhet anvendt på Web3 Trugards chief technology officer, Jeremiah O’Connor, fortalte Cointelegraph at teamet trekker med seg betydelig cybersikkerhetskompetanse fra Web2-domene, som de har brukt i Web3-data helt siden kryptovaluta-ens dager.

De drar nytte av erfaring innen algoritmisk funksjonsteknikking fra tradisjonelle systemer for å forbedre Web3-sikkerheten. Han påpekte: «De fleste eksisterende Web3-angrepsdetekteringsverktøy er avhengige av statiske regler eller enkel transaksjonsfiltrering, noe som ofte henger etter når det gjelder utviklende angripertaktikker, -teknikker og -prosedyrer. » I motsetning bruker deres nyutviklede system maskinlæring for kontinuerlig å lære og tilpasse seg for å håndtere adresseforgiftningstrusler. O’Connor understreket at det som skiller deres system ut, er «fokus på kontekst og mønstergjenkjenning. » Isogawa la til at «AI kan oppdage mønstre som ofte ligger utenfor menneskelig analytisk kapasitet. » Relatert: Jameson Lopp utløser alarm om Bitcoin-adresseforgiftning Maskinlæringsmetoden O’Connor forklarte at Trugard skapte syntetiske treningsdata for AI-en for å etterligne ulike angrepsmetoder. Deretter ble modellen trent ved hjelp av overvåket læring – en maskinlæringsteknikk hvor modellen lærer av merkede data, som består av inndata parret med riktige utdata. Målet er at modellen skal forstå sammenhengen mellom inndata og utdata for å kunne forutsi utfall for nye, ukjente data. Typiske anvendelser inkluderer spamfiltrering, bildgjenkjenning og prisprognoser. Videre oppdateres modellen kontinuerlig ved å retrene den med nye data etter hvert som angripere utvikler nye strategier. «I tillegg har vi bygget et lag for syntetisk datagenerering som gjør det mulig å teste modellen kontinuerlig mot simulerte forgiftning scenarier, » sa han. «Denne tilnærmingen har vist seg å være svært effektiv for å hjelpe modellen med å generalisere og opprettholde robusthet over tid. »