கிரிப்டோ சைபர்சேகரிடி நிறுவனமான Trugard, Onchain நம்பிக்கைத் திட்டமான Webacy உடன் இணைந்து, கிரிப்டோ வைலெட் முகவரி விஷம் உண்டாக்கலை கண்டுப்பிடும் செயற்கை நுண்ணறிவை அடிப்படையாகக் கொண்ட அமைப்பை உருவாக்கியுள்ளது. மே 21-ம் திகதியில் Cointelegraph மூலம் அறிவிக்கப்பட்டபோது, இந்த. new தீர்வு Webacy-யின் கிரிப்டோ முடிவுகளும், “தொடர்ந்து இறந்த நிலையான பரிவர்த்தனைகளின் தரவுகள் மற்றும் onchain பகுப்பாய்வுகள், அம்சங்களை உருவாக்கல், மற்றும் நடத்தை தொடர்பான சூழ்நிலைகளை அடிப்படையாகக் கொண்டு பயிற்சி பெற்ற மேஷின் லெர்னிங் மாடலைப் பயன்படுத்துகிறது. ” இந்த கருவி சுமார் 97% வெற்றியடைவு விகிதத்தை அடைகிறது, அறியப்பட்ட தாக்குதல் சூழ்நிலைகளில் இதை சரிபார்க்கப்பட்டது. “முகவரி விஷம் என்பது கிரிப்டோவில் மிகவும் குறைபாட்டுள்ள, ஆனால் விகிதமான மோசடிகளில் ஒன்றாகும், ஏனெனில் எளிதான புறம்பானக் கருத்தை exploit செய்கிறது: நீங்கள் பார்த்ததுதான் பெறப்படும் என்று நினைப்பது, ” என Webacy -இன் கூட்டு நிறுவனர் மைக்கை இசோகாவா கூறினார். கிரிப்டோ முகவரி விஷம் என்பது ஒரு மோசடி நுட்பமாகும், தாக்குநர்கள் நபரின் உண்மையான முகவரியுடன் மிகப் போலிப் முகவரிகளிலிருந்து சிறு அளவிலான கிரிப்டோகரன்சி அனுப்புகிறார்கள்—அடிப்படையாக அதே தொடக்கம் மற்றும் முடிவினை பகிர்ந்துகொள்ளும் முகவரிகள். இந்த முறைகள் பயனர்களை மோசடிக்குள் ஈர்க்க, தாக்குநரின் முகவரியை நகலெடுத்து மறுபயன்படுத்தும்படியான தவறுகளை ஏற்படுத்தும் நோக்கத்துடன் இருக்கின்றன, இதனால் பணியிழப்புகள் நேரிடும். இந்த மோசடி பயனர்களின் பழக்கவழக்கங்களை exploited செய்கிறது, பகுதி முகவரி ஒத்துதலின் அல்லது கிளிப்போர்டு வரலாற்றை நம்பி கிரிப்டோ பரிமாற்றம் செய்வதில். ஜனவரி 2025-ல் வெளியிடப்பட்ட ஆய்வு, ஜூலை 1, 2022 மற்றும் ஜூன் 30, 2024 வரை BNB சின் மற்றும் ஈதேரியம் மீது 270 மில்லியன் விஷம் செய்யும் முயற்சிகள் நடத்தப்பட்டுள்ளன, அதிலும் 6, 000 வெற்றிகரமான முயற்சிகள், அது 83 மில்லியன் டாலர்களை இழந்துள்ளன. தொடர்பு: கிரிப்டோவில் முகவரி விஷம் தாக்குதல்கள் என்ன, அவை எப்படி தவிர்ப்பது? Web2 பாதுகாப்பு நிபுணத்துவத்தை Web3 இல் பயன்படுத்துதல் Trugard-இின் முதன்மை தொழில்நுட்ப பொறியாளர் ஜெரேமியா ஓ’கொனார் Cointelegraph-க்கு கூறினார், அவர்கள் Web2 துறையிலிருந்து மிகுந்த சைபர்சேகரிடி அறிவை கொண்டு வருகின்றனர், அது கிரிப்டோகாரன்சியின் தொடக்க காலங்களிலிருந்தே Web3 தரவுகளுக்கு பயன்படுத்தப்பட்டு வந்தது. அவர்கள் பாரம்பரிய அமைப்புகளில் இருந்து பெறும் அனுபவங்களை Web3 பாதுகாப்பை மேம்படுத்த நுட்பப்படுத்துகின்றனர்.

அவர் கூறினார்: “தீர்வுகளில் பல Web3 தாக்குதல்கள் அடையாளம் காண்பதில் சார்ந்ததாக உள்ளன, அவை நிலையான விதிகளை அல்லது அடிப்படையான பரிவர்த்தனை வகையிலான வகையாகவே பயன்படுத்தப்படுகின்றன, ஆனால் அவை வளர்ச்சித் தாக்குதலாளிகளின் பழக்கவழக்கங்கள், நுட்பங்கள் மற்றும் முறைகள் முன்னேறும்போது பின்னாளுக்கு தள்ளிவிடப்பட்டுள்ளன. ” உடனே, அவர்களின் புதிய அமைப்பு தொடர்ந்து இயங்கும், நோக்கம் மற்றும் மாதிரிகள் அடையாளம் காணும் திறனுடன் மேஷின் லெர்னிங்கைப் பயன்படுத்துகிறது. ஓ’க்கொனார் நினைவூட்டினார், “இதில் முக்கியமானது, அதன் வாழ்வியலுக்கும், பிழை அறிகுறிகளுக்கும் நிகரான அமைப்பின் ‘சூழல் மற்றும் வடிவமைப்பு அனுபவம்’ மீது கவனம் செலுத்துவது. ” இசோகாவா கூறினார், “AI பல முறைகளையும் மனிதரை விடவே மேம்படுத்தப்பட்ட அலசலைக் கொண்டிருக்கிறதை கண்டுபிடிக்க முடியும். ” தொடர்பு: ஜેમிசன்லொப் பிட்ட்காயின் முகவரி விஷம் தாக்குதல்களை பற்றி எச்சரிக்கை எழுப்பினார் மஷின் லெர்னிங் அணுகுமுறை ஓ’க்கொனார் விளக்கினார், Trugard குழு செயற்கை நுண்ணறிவை பல்வேறு தாக்குதல் முறைகளை பிரதியின் செய்யும் பொது, ச synthetic பயிற்சி தரவுகளை உருவாக்கியுள்ளது. அந்த மாதிரி, மூலநோக்கியப் பயிற்சியைப் பயன்படுத்தியது—அது லேபிள் செய்யப்பட்ட தரவுகள் மூலம், ஒரு உள்ளீடு மற்றும் அதன் சரியான விளைவுகளை சேர்ந்த தரவுகளைக் கொண்டு பயிற்சி பெறும் ஒரு நுண்ணறிவு முறை. இது, புதிய தரவைப் புரிந்துகொள்ளும் திறனை பெறுவதைத் திட்டமிட்டுள்ளது, அதனால் அது புதிய, தெரியாத தரவுகளுக்கு சரியான கானறிதலைப் பெறும். சாதாரண பயன்பாடுகள் பிளாக்கிங், படங்களை அடையாளம் காண்பதும், விலை வரையறையும் ஆகியவை அடங்கும். மேலும், புதிய உத்திகளுக்கு ஏற்ப தாக்குதலாளர்கள் கையாளும் போது, மாடலை தொடர்ந்து புதுப்பிப்பதற்கும், அதன் பயிற்சியை மேம்படுத்துவதும், synthetic data உருவாக்கும் அடுக்கு அமைப்பும் அமைக்கப்பட்டுள்ளது. “இதற்கும், ஒரு செயற்கை தரவு உருவாக்கும் நிலைமை எதில், தொடர்ந்து தReturning in Summary