Kompanija za sajber bezbednost u kriptovalutama Trugard, zajedno sa onchain trust protokolom Webacy, stvorila je sistem zasnovan na veštačkoj inteligenciji namenjen za otkrivanje trovanja adresa kripto novčanika. Kako je najavljeno 21. maja putem Cointelegraph-a, ovo novo rešenje je integrisano u Webacy-jev paket za donošenje odluka u svetu kriptovaluta i „koristi nadgledani model mašinskog učenja treniran na podacima o tranzakcijama u stvarnom vremenu, u kombinaciji sa onchain analizama, inženjerstvom karakteristika i kontekstom ponašanja. ” Kaže se da alat postiže uspešnost od 97%, potvrđenu kroz poznate scenarije napada. „Trovanje adresa jedan je od najpodcjenjenijih, ali i najskupljih prevara u svetu kriptovaluta, koji iskorištava najjednostavnije pretpostavke: da je ono što vidite, ono što dobijate, ” istakla je suosnivač Webacy-ja Maika Isogawa. Trojansko trovanje adresa u kriptografiji je prevara gde napadači šalju male količine kriptovaluta sa adresa novčanika koje liče na pravu adresu žrtve — često dele iste početne i završne karaktere. Cilj je da se korisnici prevarom navuku da kopiraju i koriste adresu napadača u kasnijim transakcijama, što izaziva finansijske gubitke. Ova prevara koristi navike korisnika koji se oslanjaju na delimično poklapanje adresa ili istoriju u clipboard-u prilikom prenosa kripto sredstava. Studija iz januara 2025. pokazala je da je između 1. jula 2022. i 30. juna 2024.

pokušano više od 270 miliona trovanja na BNB Chain i Ethereum mreži, sa 6. 000 uspešnih pokušaja koji su rezultirali gubitkom od preko 83 miliona dolara. Povezano: Šta su napadi trovanja adresa u kriptovalutama i kako ih izbeći? Primena Web2 bezbednosnih veština u Web3 Direktor tehnologije kompanije Trugard, Jeremiah O’Connor, rekao je Cointelegraph-u da tim donosi značajno znanje o sajber bezbednosti iz domena Web2, koje su počeli da primenjuju na podatke Web3 još od ranih dana kriptovaluta. Oni koriste iskustvo u inženjerstvu karakteristika algoritama iz tradicionalnih sistema kako bi poboljšali sigurnost Web3 platformi. On je dodao: „Većina postojećih alata za detekciju napada u Web3 oslanja se na statička pravila ili osnovno filtriranje transakcija, što često zaostaje za razvojem taktika, tehnika i procedura napadača. “ Nasuprot tome, njihov novorazvijeni sistem koristi mašinsko učenje za kontinuirano učenje i prilagođavanje u borbi protiv pretnji trovanja adresa. O’Connor je istakao da je ono što ih razlikuje „fokus na kontekst i prepoznavanje obrazaca. “ Isogawa je dodala da „veštačka inteligencija može da detektuje obrasce koje je često teško prepoznati ljudskim analizama. “ Povezano: Jameson Lopp upozorava na napade trovanja Bitcoin adresa Pristup mašinskog učenja O’Connor je objasnio da je Trugard kreirao sintetičke podatke za obuku AI koja imitira razne metode napada. Model je zatim treniran korišćenjem nadgledanog učenja — tehnike mašinskog učenja gde model uči na osnovu označenih podataka sa ulazima i odgovarajućim ishodima. Cilj je da model razume odnose između ulaza i izlaza kako bi tačno predvideo rezultate za nove, nepoznate podatke. Uobičajene primene su filtriranje neželjene pošte, prepoznavanje slika i prognoza cena. Takođe, model se stalno osvežava treniranjem novim podacima kako bi se prilagodio novim strategijama napadača. „Pored toga, izgradili smo sloj za generisanje sintetičkih podataka koji omogućava kontinuirano testiranje modela na simuliranim scenarijima trovanja, “ rekao je. „Ovaj pristup je pokazao visoku efikasnost u pomaganju modelu da generalizuje i održi robusnost tokom vremena. “