Kripto podjetje za kibernetsko varnost Trugard, skupaj z onchain zaupnico protokola Webacy, je ustvarilo sistem, ki ga poganja umetna inteligenca in je zasnovan za odkrivanje zastrupitve naslovov denarnic v kriptovalutah. Kot je bilo napovedano 21. maja prek Cointelegraph, je ta nova rešitev integrirana v niz odločanja o kriptovalutah Webacy in “ uporablja nadzorovani model strojenega učenja, ki je usposobljen na podatkih o transakcijah v živo, skupaj z analitiko na onchain, oblikovanjem funkcij in vedenjskim kontekstom. ” Odločilno orodje naj bi dosegalo 97-odstotno stopnjo uspešnosti, kar so potrdili v primeru znanih scenarijev napadov. “Zastrupitev naslovov je ena najbolj podhranjenih, a hkrati najdražjih prevar v kriptosvetu, ki izkorišča najpreprostejšo domnevo: Da je vse, kar vidiš, tudi res, ” je dejala soustanoviteljica Webacy Maika Isogawa. Zastrupitev kripto naslova je prevara, pri kateri napadalci pošiljajo majhne vsote kriptovalut iz denarnic, ki so podobne resničnemu naslovu žrtve — pogosto delijo enake začetne in končne znake. Ta pristop ima za namen prevarati uporabnike, da kopirajo in ponovno uporabijo napadalčev naslov pri kasnejših transakcijah, kar lahko povzroči finančne izgube. Ta prevara izkorišča uporabnikove navade, da se zanašajo na delno ujemanje naslovov ali zgodovino v odložišču za kopiranje, ko prenašajo kriptovalute. Januarjeva študija iz leta 2025 je razkrila več kot 270 milijonov poskusov zastrupitve na BNB Chain in Ethereum med 1. julijem 2022 in 30. junijem 2024, pri čemer je bilo 6. 000 uspešnih poskusov, ki so povzročili več kot 83 milijonov dolarjev izgub. Sorodno: Kaj so napadi zastrupitve naslovov v kriptosvetu in kako se jim izogniti? Strokovna znanja s področja spletne varnosti Web2 vklopljena v Web3 Čelni tehnologiji Trugarda, Jeremiahu O’Connorju, je Cointelegraph povedal, da ekipa prinaša obsežno znanje o kibernetski varnosti iz domene Web2 in ga uporablja za podatke Web3 že od zgodnjih dni kriptovalut.

Uporabljajo izkušnje v oblikovanju algoritmskih funkcij iz tradicionalnih sistemov, da izboljšajo varnost Web3. O’Connor je povedal: “Večina obstoječih orodij za odkrivanje napadov v Web3 se opira na statične pravila ali osnovno filtriranje transakcij, kar pogosto zaostaja za razvijajočimi se metodami, tehnikami in postopki napadalcev. ” Nasprotno pa njihov novozgrajeni sistem uporablja strojno učenje za stalno učenje in prilagajanje grožnjam zastrupitve naslovov. O’Connor je poudaril, da je tisto, kar razlikuje njihov sistem, “njegova osredotočenost na kontekst in prepoznavanje vzorcev. ” Isogawa je dodala, da “AI lahko zazna vzorce, ki so pogosto onkraj človekovih analitičnih zmožnosti. ” Sorodno: Jameson Lopp opozarja na napade zastrupitve Bitcoin naslovov Pristop strojnega učenja O’Connor je pojasnil, da je Trugard ustvaril sintetične podatke za učenje umetne inteligence, ki naj posnema različne metode napadov. Model je nato bil usposobljen s pomočjo nadzorovanega učenja — tehnike strojenega učenja, kjer se model nauči iz označenih podatkov, sestavljenih iz vhodov in pravih izhodov. Namen je, da model razume odnose med vhodom in izhodom ter tako pravilno napove rezultate za nove, neznane podatke. Tipične uporabe vključujejo filtriranje spama, prepoznavanje slik in napovedovanje cen. Poleg tega se model stalno posodablja z novimi podatki, tako da ga retrenirajo z razvojem novih strategij napadalcev. “Poleg tega smo zgradili plast za generiranje sintetičnih podatkov, ki omogoča stalno testiranje modela na simuliranih scenarijih zastrupitve, ” je povedal. “Ta pristop se je izkazal za zelo učinkovit pri pomaganiu modelu, da se prilagodi in ohrani svojo obstojnost skozi čas. ”