Firma zajmująca się cyberbezpieczeństwem kryptowalut Trugard, we współpracy z protokołem zaufania onchain Webacy, stworzyła system oparty na sztucznej inteligencji, zaprojektowany do wykrywania toksyczenia adresów portfeli kryptowalutowych. Jak ogłoszono 21 maja na Cointelegraph, nowe rozwiązanie jest zintegrowane z pakietem decyzji kryptowalutowych Webacy i „wykorzystuje nadzorowany model uczenia maszynowego trenowany na bieżących danych transakcyjnych, połączony z analizami onchain, inżynierią cech oraz kontekstem behawioralnym”. Narzędzie rzekomo osiąga wskaźnik skuteczności na poziomie 97%, potwierdzony w różnych scenariuszach ataków. „Toksyczenie adresów to jedno z najmniej zgłaszanych, ale jednocześnie najbardziej kosztownych oszustw w świecie kryptowalut, które wykorzystuje najprostsze założenie: że to, co widzisz, jest tym, co dostajesz, ” stwierdziła współzałożycielka Webacy Maika Isogawa. Toksyczenie adresów kryptowalutowych to technika oszustwa, w której atakujący wysyłają niewielkie ilości kryptowaluty z adresów portfeli, które są podobne do prawdziwego adresu ofiary – często dzieląc te same znaki początkowe i końcowe. Celem jest wprowadzenie użytkowników w błąd, by kopiowali i wielokrotnie wykorzystywali adres atakującego w późniejszych transakcjach, co prowadzi do strat finansowych. Ten scam wykorzystuje nawyki użytkowników, polegające na korzystaniu z częściowego dopasowania adresu lub historii schowka przy transferze kryptowalut. Badanie z stycznia 2025 roku ujawniło ponad 270 milionów prób toksyczenia na BNB Chain i Ethereum między 1 lipca 2022 a 30 czerwca 2024, z 6 000 udanych ataków, które przyniosły straty przekraczające 83 miliony dolarów. Powiązane: Czym są ataki toksyczenia adresów w kryptowalutach i jak się przed nimi chronić? Zastosowanie wiedzy z bezpieczeństwa Web2 do Web3 Jeremiah O’Connor, dyrektor ds. technologii w Trugard, powiedział Cointelegraph, że zespół wnosi znaczną wiedzę z zakresu cyberbezpieczeństwa znaną z Web2, którą od początku działalności kryptowalut wykorzystuje do analiz danych Web3. Opierają się na doświadczeniu w inżynierii cech algorytmicznych z tradycyjnych systemów, aby poprawić bezpieczeństwo Web3. Dodał: „Większość obecnych narzędzi do wykrywania ataków w Web3 opiera się na statycznych zasadach lub podstawowym filtrowaniu transakcji, które często pozostają w tyle za ewoluującymi taktykami, technikami i procedurami atakujących. ” W przeciwieństwie do tego, ich nowo opracowany system wykorzystuje uczenie maszynowe do ciągłego uczenia się i adaptacji w zakresie zagrożeń toksyczenia adresów.

O’Connor podkreślił, że to, co wyróżnia ich system, to „skupienie na kontekście i rozpoznawaniu wzorców”. Isogawa dodała, że „AI potrafi wykrywać schematy często poza zasięgiem ludzkiej analitycznej zdolności”. Powiązane: Jameson Lopp ostrzega przed atakami toksyczenia adresów Bitcoin Podejście oparte na uczeniu maszynowym O’Connor wyjaśnił, że Trugard stworzył syntetyczne dane treningowe, aby AI mogła emulować różne metody ataków. Model został następnie wytrenowany za pomocą nadzorowanego uczenia – techniki uczenia maszynowego, w której model uczy się na podstawie oznaczonych danych składających się z wejść i odpowiadających im poprawnych wyjść. Celem jest, aby model zrozumiał zależności między wejściem a wyjściem, co pozwala mu poprawnie przewidywać wyniki dla nowych, nieznanych danych. Typowe zastosowania to filtrowanie spamu, rozpoznawanie obrazów czy prognozowanie cen. Ponadto, model jest ciągle aktualizowany poprzez retrening przy użyciu nowych danych, w miarę jak atakujący opracowują nowe strategie. „Dodatkowo zbudowaliśmy warstwę generowania syntetycznych danych, która umożliwia stałe testowanie modelu na symulowanych scenariuszach toksyczenia, ” powiedział O’Connor. „Ta metoda okazała się bardzo skuteczna w pomaganiu modelowi w generalizacji i zachowaniu odporności w czasie. ”