Компания по кибербезопасности в криптовалютной сфере Trugard совместно с протоколом доверия на блокчейне Webacy создали систему на основе искусственного интеллекта, предназначенную для обнаружения отравления адресов криптокошельков. Как было объявлено 21 мая через Cointelegraph, это новое решение интегрировано в комплект инструментов для принятия решений в области криптовалют Webacy и «использует управляемую модель машинного обучения, обученную на данных о живых транзакциях в сочетании с аналитикой на блокчейне, инженерией признаков и поведенческим анализом». По сообщениям, инструмент достигает показателя успешности в 97%, подтвержденного на известных сценариях атак. «Отравление адресов — один из самых недооценённых и при этом самых дорогостоящих видов мошенничества в сфере криптовалют, использующий самый простой принцип: что видишь — то и получаешь», — заявил соучредитель Webacy Майка Исогава. Отравление адресов в криптовалюте — это мошенническая техника, когда злоумышленники отправляют небольшие суммы криптовалюты с кошельков, внешне похожих на реальный адрес жертвы — часто совпадающих с ним по начальным и конечным символам. Цель этого — ввести пользователей в заблуждение, чтобы они скопировали и использовали адрес злоумышленника в последующих транзакциях, что приводит к финансовым потерям. Этот тип мошенничества использует привычки пользователей, полагающихся на частичное совпадение адресов или историю буфера обмена при передаче криптовалюты. Согласно исследованию января 2025 года, за период с 1 июля 2022 по 30 июня 2024 года было предпринято более 270 миллионов попыток отравления на BNB Chain и Ethereum, из которых около 6 тысяч завершились успехом и привели к потерям свыше 83 миллионов долларов. Связано: Что такое атаки отравления адресов в криптовалюте и как от них защититься? Применение опыта безопасности Web2 в Web3 Джеремия О’Коннор, технический директор Trugard, сообщил Cointelegraph, что команда обладает значительным опытом в области кибербезопасности, накопленным в сфере Web2, который они применяют к данным Web3 с ранних дней криптовалют. Они используют опыт в алгоритмической инженерии признаков из традиционных систем для повышения безопасности Web3. Он отметил: «Большинство существующих инструментов обнаружения атак в Web3 основаны на статических правилах или простом фильтрации транзакций, что зачастую отстаёт от эволюции тактик, техник и процедур злоумышленников». В отличие от этого, их новая система использует машинное обучение для постоянного обучения и адаптации к угрозам отравления адресов.

О’Коннор подчеркнул, что главное отличие их системы — «в её фокусе на контекст и распознавание шаблонов». Исогава добавила, что «ИИ способен обнаруживать паттерны, зачастую превосходящие человеческие аналитические способности». Связано: Джеймсон Лоп предупреждает о атаках отравления Bitcoin-адресов Подход на базе машинного обучения О’Коннор объяснил, что Trugard создал синтетические обучающие данные для моделирования различных методов атаки. Модель обучалась с помощью управляемого обучения — техники машинного обучения, при которой модель учится на отмеченных данных, содержащих входы и правильные ответы. Цель — чтобы модель смогла понять отношения между входными данными и результатами, чтобы правильно прогнозировать исход для новых, невиданных данных. Эту технику применяют в фильтрации спама, распознавании изображений и прогнозировании цен. Кроме того, модель постоянно обновляется за счёт повторного обучения на новых данных по мере разработки злоумышленниками новых стратегий. «Также мы создали слой генерации синтетических данных, который позволяет постоянно тестировать модель на смоделированных сценариях отравления», — отметил он. «Этот подход показал высокую эффективность в помощи модели в обобщении знаний и сохранении надёжности со временем».