Kryptosäkerhetsföretaget Trugard, tillsammans med onchain trust-protokollet Webacy, har skapat ett AI-driven system som är utformat för att upptäcka förgiftning av kryptoplånboksadresser. Som tillkännagavs den 21 maj via Cointelegraph är denna nya lösning integrerad i Webacys kryptobeslutsprogramm och „använder en övervakad maskininlärningsmodell tränad på live transaktionsdata i kombination med onchain-analys, funktionsteknik och beteendekontext. “ Verktyget sägs nå en framgångsgrad på 97 %, validerat mot erkända attackscenarier. „Adressförgiftning är en av de mest underrapporterade men dyraste bedrägeriformerna inom kryptovärlden, som utnyttjar den allra enklaste antagandet: Att det du ser är det du får, “ sade Webacy:s medgrundare Maika Isogawa. Kryptoadressförgiftning är en bedrägeriteknik där angripare skickar små mängder kryptovaluta från plånbokadresser som liknar offrets riktiga adress—ofta med samma första och sista tecken. Målet är att lura användare att kopiera och återanvända angriparens adress i senare transaktioner, vilket kan leda till ekonomiska förluster. Denna scam utnyttjar användarnas vanor av att förlita sig på delvisa adressmatchningar eller klipp-och-klistra-historik vid kryptotransferering. En studie från januari 2025 visade över 270 miljoner försök till förgiftning på BNB Chain och Ethereum mellan den 1 juli 2022 och den 30 juni 2024, med 6 000 lyckade försök som resulterade i över 83 miljoner dollar i förluster. Relaterat: Vad är adressförgiftning i crypto och hur undviker man det? Web2-säkerhetsexpertis tillämpad på Web3 Trugards teknikchefs, Jeremiah O’Connor, berättade för Cointelegraph att teamet har gedigen cybersäkerhetskunskap från Web2-domenen, som de har tillämpat på Web3-data sedan kryptovalutans tidiga dagar. De utnyttjar erfarenheter inom algoritmisk funktionsteknik från traditionella system för att förbättra Web3-säkerheten. Han nämnde: „De flesta befintliga Web3-attackdetekteringsverktyg förlitar sig på statiska regler eller grundläggande transaktionsfiltrering, vilket ofta ligger efter attackerars taktiker, tekniker och rutiner i utveckling. “ Till skillnad från detta använder deras nyskapade system maskininlärning för att kontinuerligt lära sig och anpassa sig till hoten om adressförgiftning.

O’Connor underströk att det som skiljer deras system är „fokus på kontext och mönsterigenkänning. “ Isogawa tillade att „AI kan upptäcka mönster ofta bortom mänsklig analytisk förmåga. “ Relaterat: Jameson Lopp varnar för Bitcoin-adressförgiftningattacker Maskininlärningsmetoden O’Connor förklarade att Trugard skapade syntetisk träningsdata för AI:n att efterlikna olika attackmetoder. Modellen tränades sedan med övervakad inlärning—en maskininlärningsteknik där modellen lär sig av märkta data som består av indata och korrekta utdata. Målet är att modellen ska förstå sambandet mellan in- och utdata för att kunna förutsäga resultat för ny, osedd data. Vanliga tillämpningar inkluderar spamfilter, bildigenkänning och prisprognoser. Dessutom uppdateras modellen kontinuerligt genom att tränas om med ny data när angripare utvecklar nya strategier. „Dessutom har vi byggt ett lager för syntetisk datagenerering som möjliggör kontinuerlig testning av modellen mot simulerade förgiftning scenarier, “ sa han. „Denna metod har visat sig mycket effektiv för att hjälpa modellen att generalisera och behålla sin robusthet över tid. “