Empresa de cibersegurança em criptomoedas, Trugard, juntamente com o protocolo de confiança onchain Webacy, criou um sistema movido por inteligência artificial projetado para detectar o envenenamento de endereços de carteiras de criptomoedas. Conforme anunciado em 21 de maio pelo Cointelegraph, essa nova solução está integrada à suíte de decisões em criptomoedas da Webacy e “utiliza um modelo de aprendizado de máquina supervisionado treinado com dados de transações ao vivo, combinado com análises onchain, engenharia de recursos e contexto comportamental. ” A ferramenta supostamente atinge uma taxa de sucesso de 97%, validada em cenários de ataques conhecidos. “O envenenamento de endereços é uma das fraudes mais subnotificadas, porém mais caras no universo cripto, explorando a suposição mais simples: que o que você vê é o que recebe, ” afirmou Maika Isogawa, cofundadora da Webacy. O envenenamento de endereços de criptomoedas é uma técnica de fraude onde os atacantes enviam pequenas quantidades de criptomoeda de endereços de carteiras que se parecem muito com o endereço real da vítima — frequentemente compartilhando os mesmos caracteres iniciais e finais. Essa tática busca enganar os usuários para que copiem e reutilizem o endereço do atacante em transações posteriores, causando perdas financeiras. Essa fraude aproveita o hábito dos usuários de confiar na correspondência parcial de endereços ou no histórico da área de transferência ao fazer transferências de criptomoedas. Um estudo de janeiro de 2025 revelou mais de 270 milhões de tentativas de envenenamento na BNB Chain e Ethereum entre 1 de julho de 2022 e 30 de junho de 2024, com 6. 000 tentativas bem-sucedidas que resultaram em perdas superiores a 83 milhões de dólares. Relacionado: O que são ataques de envenenamento de endereços em criptomoedas e como evitá-los? Aplicação de expertise de segurança Web2 no Web3 Jeremiah O’Connor, diretor de tecnologia da Trugard, comentou ao Cointelegraph que a equipe traz um conhecimento substancial de cibersegurança do domínio Web2, que vem aplicando aos dados do Web3 desde os primórdios das criptomoedas. Eles utilizam experiência em engenharia de recursos algoritmos de sistemas tradicionais para aprimorar a segurança no Web3. Ele destacou: “A maioria das ferramentas existentes de detecção de ataques em Web3 dependem de regras estáticas ou filtros básicos de transações, que muitas vezes ficam atrás das táticas, técnicas e procedimentos dos atacantes em evolução. ” Em contrapartida, o sistema recém-desenvolvido emprega aprendizado de máquina para aprender e se adaptar continuamente às ameaças de envenenamento de endereços.

O’Connor ressaltou que o diferencial do sistema é “o seu foco em contexto e reconhecimento de padrões. ” Isogawa acrescentou que “a IA consegue detectar padrões muitas vezes além das capacidades analíticas humanas. ” Relacionado: Jameson Lopp emite alerta sobre ataques de envenenamento de endereços Bitcoin A abordagem de aprendizado de máquina O’Connor explicou que a Trugard criou dados de treinamento sintéticos para que a IA emule diferentes métodos de ataque. O modelo foi então treinado usando aprendizado supervisionado — uma técnica de aprendizado de máquina em que o modelo aprende com um conjunto de dados rotulados, composta por entradas emparelhadas com saídas corretas. O objetivo é que o modelo compreenda as relações entre entrada e saída para prever corretamente resultados para novos dados, não vistos antes. Aplicações típicas incluem filtros de spam, reconhecimento de imagens e previsão de preços. Além disso, o modelo é atualizado continuamente por meio de re-treinamento com novos dados à medida que os atacantes desenvolvem novas estratégias. “Além disso, construímos uma camada de geração de dados sintéticos que permite testar continuamente o modelo em cenários simulados de envenenamento, ” afirmou. “Esse método tem se mostrado altamente eficaz para ajudar o modelo a se generalizar e manter a robustez ao longo do tempo. ”