క్రిప్టో సైబర్ సెక్యూరిటీ కంపెనీ టృగార్డ్, ఆన్‌చెయిన్ ట్రస్ట్ ప్రోటోకాల్ వెబేసీతో కలిసి, క్రిప్టో వాలెట్ అడ్రస్ పోయిజనింగ్‌ని గుర్తించడానికి ఒక AI ఆధారిత వ్యవస్థను సృష్టించింది. మే 21 న Cointelegraph ద్వారా ప్రకటించినట్టు, ఈ కొత్త పరిష్కారం వెబేసీ యొక్క క్రిప్టో డిసిషనింగ్ సూటీలో భాగంగా ఉండి, "సూపర్వైజ్డ్ మెషిన్ లెర్నింగ్ మోడల్‌ను ప్రాచీన లావాదేవీ డేటాను ఆధారంగా శిక్షణ ఇవ్వడం, ఆన్‌చెయిన్ విశ్లేషణలతో, ఫీచర్ ఇంజనీరింగ్, మరియు. behavioral context తో కలిపి" ఉపయోగిస్తుంది. ఈ టూల్ సాధించే విజయ శాతం 97%, గానీ ఇది తెలిసిన దాడి సందర్భాల్లో నిర్ధారితంగా పనిచేస్తుందన్నది. "అడ్రస్ పోయిజనింగ్ అనేది క్రిప్టოში అత్యంత తక్కువ నివేదించే కానీ ఎంతో ధ్వంసకమైన మోసాలదాంట్లో ఒకటి, అది మనం చూస్తున్నది మనమే పొందుతున్నది అన్న సాదారణ అనుమానాన్ని దుర్వినియోగం చేస్తుంది" అని వెబేసీ సహ నిర్వాహక మైగా ఇసోగావా పేర్కొన్నారు. క్రిప్టో అడ్రస్ పోయిజనింగ్ అనేది ఒక మోసపూరిత పద్ధతి, ఇందులో దాడి చేసే వారు వారి వాలెట్ అడ్రస్సులు దగ్గరగా ఉండే చిన్న మొత్తంలో క్రిప్టోకరెన్సీ పంపిస్తారు—అक्सर ఆదు మొదలుకుని చివరి అక్షరాలు సారూప్యోత్పన్నంగా ఉంటాయి. ఈ విధానం వినియోగదారులను ఎంచక్కుగా కొనసాగే, మరియు ముందు తరవరాల్లో దాడి చేయనున్న మోసగాడి అడ్రస్సును ప్రతిరూపం చేయించి, ఆ తర్వాతి లావాదేవీల్లో తిరిగి ఉపయోగించడం ద్వారా ఆర్థిక నష్టం కలిగిస్తుంది. ఈ మోసం వినియోగదారుల అలవాట్లను దుర్వినియోగం చేస్తుంది—అంటే వారు పార్టియల్ అడ్రస్ మ్యాచ్‌లపై లేదా క్లిప్బోర్డ్ చరిత్ర ఆధారపడి, క్రిప్టో ట్రాన్సఫర్ చేయడం. 2025 జనవరి అధ్యయనం చూపించింది, జూలై 1, 2022 నుండి జూన్ 30, 2024 వరకు BNB చైన్ మరియు ఈthereum పై 270 మిలియన్‌ನ పైగా పోయిజన్ ప్రయత్నాలు జరిగాయని, వీటిలో 6, 000 సఫలం కాగా, ఆర్థిక నష్టాలు $\83 మిలియన్‌కి పైగా కావడం. সম্পর্কিত: క్రిప్టోలో అడ్రస్ పోయిజనింగ్ దాడులు మరియు వాటిని ఎలా తిరస్కరించాలి? Web2 సురక్షితత్వ జ్ఞానాన్ని Web3కి అన్వయించటం టృగార్డ్‌ యొక్క టెక్నాలజీ అధికారి, జెరమియా ఓ’కొ storefrontar, Cointelegraph కు చెప్పారు, వారి బృందం Web2 గణనీయ సైబర్ సెక్యూరిటీ పరిజ్ఞానాన్ని తీసుకువచ్చింది, దీన్ని క్రిప్టోకరెన్సీ ప్రయాణశీల ప్రారంభ దశల నుండి Web3 డేటాపై అన్వయించుకుంటున్నాం. వారు సాధారణ వ్యవస్థల నుండి ఆల్గోరిథమిక్ ఫీచర్ ఇంజనీరింగ్ అనుభవాన్ని ఉపయోగించి Web3 సెక్యూరిటీని మెరుగుపరుస్తున్నారు. అతను వ్యాఖ్యానించారు: “అందుబాటులో ఉన్న ఎక్కువ భాగం Web3 దాడి గుర్తింపు సాధనాలు స్థిరమైన నియమాలను గానీ లేదా ఆధారంగా పరిశీలనలను గానీ ఆధారపడి ఉంటాయి, ఇవి తరచుగా ఎదిరుతున్న దాడి విధానాలను, తంత్రాలను, పద్ధతులను పని చేయించడంలో వెనుకపోతుంటాయి. ” అక్కరకుండా, వారి తాజాగా అభివృద్ధి చేసిన వ్యవస్థ, మెషిన్ లెర్నింగ్‌ను ఉపయోగించి, పోయిజనింగ్ గమనాలను నిర్ధారించడంలో నిరంతరం నేర్చుకుంటూ, సరిపోయే విధంగా అభివృద్ధి చెందుతుంది.

ఓ’కానర్‌ పేర్కొన్నారు, “దయచేసి, మన వ్యవస్థ ఎందుకంటే డాట్ ప్రకటనలపై దృష్టి సారిస్తుంది మరియు నమూనాలను గుర్తించడం వల్ల దాన్ని ప్రత్యేకంగా చేస్తుంది. ” ఇసోగావా జోడించారు, “AI సాధారణంగా మనిషి విశ్లేషణ శక్తుల దాటి నమూనాలను గుర్తించగలదు. ” সম্পর্কিত: జేమెసన్ లాప్ప్ బిట్‌కాయిన్ అడ్రస్ పోయిజనింగ్ దాడులపై హెచ్చరికలు వెలువరిస్తున్నారు మెషిన్ లెర్నింగ్ దృష్టికోణం ఓ’కానర్ వివరిచాడు, ట్రుగార్డ్, వివిధ దాడి విధానాలను అనుకరణకు ఓ. synthetic data training డేటాను రూపొందించింది. ఆ మోడల్, తరువాత, సూపర్వైజ్డ్ లెర్నింగ్ ద్వారా శిక్షణ పొందింది— అది, లేబుల్ செய்த డేటా నుండి, లోపాలు తప్పకుండా తగులగొట్టే విధానం, ఇన్‌పుట్‌లు మరియు సరైన ఉత్పత్తులు కలిపిన డేటా. ఈ మోడల్ యొక్క లక్ష్యం, ఇన్‌పుట్-అవుట్ సంబంధాలను అర్ధం చేసుకోవడం, తద్వారా కొత్త, తెలియని డేటాకు సరిగ్గా ఫలితాలు అంచనా వేసేయడం. సాధారణంగా, ఇది స్పామ్ ఫిల్టరింగ్, చిత్రం గుర్తింపు, ధర అంచనా వంటి అనువర్తనాల్లో ఉపయోగిస్తారు. అంతే కాక, కొత్త దాడి వ్యూహాల అభివృద్ధితో మోడల్‌ను ధ్రువీకరించడానికైనా, కొత్త డేటాతో నిరంతరం ట్రెయినింగ్ చేయడం జరుగుతుంది. “ఇంకా, మనం తయారుచేసిన సంక్రామిక డేటా ఉత్పత్తి పొరను ఉపయోగించి, మోడల్‌ను అనుకూల పరిస్థుతుల్లో పరీక్షించడానికి, ట్రైనింగ్ చేసే సామర్థ్యాన్ని కలిగి ఉన్నాము” అని ఆయన చెప్పారు. “ఈ విధానం, సమయానికి ఆగమాగలిగిన, గొప్పగా పనిచేస్తున్న, మరియు స్థిరత్వాన్ని ఉంచడంలో సహాయపడింది. ”