Compania de securitate cibernetică în criptomonede Trugard, împreună cu protocolul de încredere onchain Webacy, au creat un sistem bazat pe inteligență artificială proiectat să detecteze poisoning-ul adreselor portofelelor crypto. Așa cum s-a anunțat pe 21 mai prin Cointelegraph, această nouă soluție este integrată în suita de decizii crypto a Webacy și „utilizează un model de învățare automată supravegheată antrenat pe date din tranzacții în timp real, combinat cu analize onchain, inginerie de caracteristici și context comportamental. ” Se spune că instrumentul atinge o rată de succes de 97%, validată pe scenarii de atac cunoscute. „Poisoning-ul adreselor este unul dintre cele mai subraportate și totodată costisitoare fraudă în crypto, exploatând cea mai simplă presupunere: că ceea ce vezi este tot ce primești, ” a declarat cofondatoarea Webacy, Maika Isogawa. Poisoning-ul adreselor crypto este o tehnică de fraudă în care atacatorii trimit sume mici de criptomonedă din adrese de portofel care seamănă îndeaproape cu adresa reală a victimei – adesea împărțind aceleași caractere de început și sfârșit. Această abordare are scopul de a induce în eroare utilizatorii să copieze și să reutilizeze adresa atacatorului în tranzacții ulterioare, cauzând pierderi financiare. Această fraudă exploatează obiceiurile utilizatorilor de a se baza pe potrivirea parțială a adreselor sau pe istoricul din clipboard în timpul transferurilor de crypto. Un studiu din ianuarie 2025 a relevat peste 270 de milioane de tentative de poisoning pe BNB Chain și Ethereum între 1 iulie 2022 și 30 iunie 2024, cu 6. 000 de tentative de succes ce au dus la pierderi de peste 83 de milioane de dolari. Related: Ce sunt atacurile de poisoning a adreselor în crypto și cum le poți evita? Expertiză în securitate Web2 aplicată Web3 Directorul tehnic al Trugard, Jeremiah O’Connor, a declarat pentru Cointelegraph că echipa aduce o cunoaștere vastă în domeniul securității cibernetice din Web2, pe care o aplică datelor din Web3 încă din primele zile ale criptomonedelor. Ei folosesc experiența în ingineria caracteristicilor algoritmice din sistemele tradiționale pentru a îmbunătăți securitatea Web3. El a menționat: „Majoritatea instrumentelor existente de detectare a atacurilor în Web3 se bazează pe reguli statice sau filtrare de tranzacții de bază, care frecvent rămân în urmă față de tacticile, tehnicile și procedurile în evoluție ale atacatorilor. ” În contrast, sistemul lor nou dezvoltat folosește învățarea automată pentru a învăța și adapta continuu la amenințările de poisoning.

O’Connor a subliniat ce diferențiază sistemul lor: „accentul pe context și recunoașterea pattern-urilor. ” Isogawa a adăugat că „AI poate detecta modele adesea dincolo de capabilitățile analitice umane. ” Related: Jameson Lopp sună alarma asupra atacurilor de poisoning a adreselor Bitcoin Abordarea învățării automate O’Connor a explicat că Trugard a creat date sintetice de antrenament pentru AI, pentru a emula diverse metode de atac. Modelul a fost apoi antrenat folosind învățarea supravegheată – o tehnică de învățare automată în care modelul învață din date etichetate, constând din intrări și ieșiri corecte. Scopul este ca modelul să înțeleagă relațiile dintre intrări și ieșiri pentru a prezice corect rezultatele pentru date noi și nevăzute. Aplicațiile tipice includ filtrarea spam-ului, recunoașterea de imagini și predicția prețurilor. Mai mult, modelul este actualizat continuu prin reantrenare cu date noi, pe măsură ce atacatorii dezvoltă strategii noi. „De asemenea, am construit un strat de generare a datelor synth-etic pentru a testa modelul în mod continuu în scenarii simulate de poisoning, ” a spus el. „Această abordare s-a dovedit extrem de eficientă în ajutarea modelului să generalizeze și să mențină robustetea în timp. ”