Kryptomenová bezpečnostná spoločnosť Trugard, v spolupráci s onchain trust protokolom Webacy, vytvorila systém poháňaný umelou inteligenciou, ktorý je určený na detekciu otravy kryptomenových peňaženiek. Ako bolo oznámené 21. mája cez Cointelegraph, toto nové riešenie je integrované do sady nástrojov Webacy na rozhodovanie v kryptomenách a „využíva dozorovaný strojové učenie trénované na živých transakčných dátach v kombinácii s onchain analýzami, inžinierstvom vlastností a behaviorálnym kontextom. “ Tento nástroj dosahuje údajne úspešnosť až 97 %, čo bolo overené na známych scénaroch útokov. „Otravovanie adries je jedna z najmenej nahlasovaných, no najnákladnejších podvodných praktík v kryptomenách, ktorá využíva najjednoduchší predpoklad: Že to, čo vidíte, je to, čo dostanete, “ uviedla spoluzakladateľka Webacy Maika Isogawa. Otravovanie kryptografických adries je podvodná technika, pri ktorej útočníci posielajú malé množstvá kryptomeny z peňaženiek, ktoré sa podobajú na skutočnú adresu obete—často majú rovnaké počiatočné alebo koncové znaky. Cieľom je oklamať používateľov, aby kopírovali a znovu použili adresu útočníka v neskorších transakciách, čo spôsobuje finančné straty. Tento podvod využíva zvyky používateľov, ktorí sa spoliehajú na čiastočné zhody adries alebo históriu zo schránky pri prevodoch kryptomeny. Štúdia z januára 2025 odhalila viac ako 270 miliónov pokusov o otravu na platformách BNB Chain a Ethereum medzi 1. júlom 2022 a 30. júnom 2024, pričom 6 000 týchto pokusov bolo úspešných a spôsobilo straty viac ako 83 miliónov dolárov. Súvisiace: Čo sú útoky na otravu adries v kryptomenách a ako sa im vyhnúť? Ako sa aplikuje bezpečnostná expertíza Web2 na Web3 Technológ Demy O’Connor, hlavný technický riaditeľ Trugard, uviedol pre Cointelegraph, že tím prináša značné znalosti kybernetickej bezpečnosti z oblasti Web2, ktoré od začiatku aplikujú na dáta Web3.

Využívajú skúsenosti v oblasti inžinierstva vlastností algoritmických systémov na zosilnenie bezpečnosti Web3. Poznamenal: „Väčšina súčasných nástrojov na detekciu útokov v Web3 sa spolieha na statické pravidlá alebo základné filtrovanie transakcií, čo často zaostáva za vyvíjajúcimi sa taktikami a technikami útočníkov. “ Na rozdiel od toho ich nový systém využíva strojové učenie na neustále učenie sa a prispôsobovanie sa hrozbám otravy adries. O’Connor zdôraznil, že čo ich systém odlišuje je „zameranie na kontext a rozpoznávanie vzorov. “ Isogawa dodala, že „AI dokáže odhaliť vzory často mimo schopnosti ľudskej analytiky. “ Súvisiace: Jameson Lopp vyzýva na alarm ohľadom útokov na otravu Bitcoinových adries Prístup založený na strojovom učení O’Connor vysvetlil, že Trugard vytvoril syntetické tréningové dáta, aby AI mohla napodobniť rôzne metódy útokov. Model bol následne trénovaný pomocou dozorovaného učenia—metódy strojového učenia, pri ktorej sa model učí na označených dátach, teda vstupoch spárovaných so správnymi výstupmi. Cieľom je, aby model pochopil vzťahy medzi vstupmi a výstupmi a správne predpovedal výsledky pre nové, neznáme dáta. Bežné použitia zahŕňajú filtrovanie spamu, rozpoznávanie obrázkov či predikcie cien. Okrem toho je model neustále aktualizovaný retréningom s novými dátami, keď útočníci vyvíjajú nové stratégie. „Pridali sme aj vrstvu generovania syntetických dát, ktorá umožňuje neustále testovanie modelu na simulovaných scénaroch otravy, “ uviedol. „Tento prístup sa ukázal ako veľmi efektívny pri schopnosti modelu generalizovať a udržať si odolnosť v čase. “