บริษัทด้านความปลอดภัยไซเบอร์คริปโต Trugard ร่วมกับ Webacy ซึ่งเป็นโปรโตคอลความไว้วางใจบนเชน ได้สร้างระบบที่ขับเคลื่อนด้วยปัญญาประดิษฐ์ (AI) เพื่อค้นหาการปนเปื้อนที่อยู่กระเป๋าเงินคริปโต ตามประกาศวันที่ 21 พฤษภาคม ผ่านทาง Cointelegraph โซลูชั่นใหม่นี้ถูกรวมเข้าไว้ในชุดตัดสินใจด้านคริปโตของ Webacy และ “ใช้โมเดลการเรียนรู้ของเครื่องแบบมีการควบคุมโดยฝึกฝนบนข้อมูลธุรกรรมสด พร้อมกับวิเคราะห์บนเชน วิศวกรรมคุณสมบัติ และบริบทเชิงพฤติกรรม” เครื่องมือนี้ได้รับรายงานว่าทำความสำเร็จในอัตราสูงถึง 97% ซึ่งได้รับการยืนยันจากสถานการณ์โจมตีที่รู้จักกัน “การปนเปื้อนที่อยู่เป็นหนึ่งในกลโกงที่ถูกละเลยมากที่สุดแต่มีค่าความเสียหายสูงในวงการคริปโต ซึ่งใช้จุดอ่อนที่สุดคือสมมติฐานง่าย ๆ ว่า สิ่งที่คุณเห็นคือสิ่งที่คุณได้รับ” กล่าวโดย Maika Isogawa ผู้ร่วมก่อตั้ง Webacy การปนเปื้อนที่อยู่คริปโตคือเทคนิคการฉ้อโกงที่ผู้โจมตีส่งคริปโตจำนวนเล็กน้อยจากที่อยู่กระเป๋าเงินที่คล้ายกับที่อยู่ของเหยื่อ — โดยมักใช้ตัวอักษรต้นและท้ายที่เหมือนกัน เป้าหมายคือหลอกลวงให้ผู้ใช้นำที่อยู่ของผู้โจมตีไปใช้ซ้ำในธุรกรรมภายหลัง ซึ่งจะก่อให้เกิดความเสียหายทางการเงิน กลโกงนี้ใช้ประโยชน์จากนิสัยของผู้ใช้ที่พึ่งพาการจับคู่บางส่วนของที่อยู่หรือประวัติคลิปบอร์ดเวลาทำธุรกรรมคริปโต รายงานการศึกษาช่วงมกราคม 2025 เผยว่ามีความพยายามปนเปื้อนมากกว่า 270 ล้านครั้งบนเครือข่าย BNB Chain และ Ethereum ระหว่างวันที่ 1 กรกฎาคม 2022 ถึง 30 มิถุนายน 2024 โดยมีความสำเร็จ 6, 000 ครั้ง ส่งผลให้เสียหายกว่า 83 ล้านดอลลาร์ เกี่ยวข้อง: การโจมตีด้วยการปนเปื้อนที่อยู่ในคริปโตคืออะไร และจะหลีกเลี่ยงได้อย่างไร? ความเชี่ยวชาญด้านความปลอดภัย Web2 ที่นำมาใช้กับ Web3 Jeremiah O’Connor หัวหน้าเจ้าหน้าที่เทคโนโลยีของ Trugard บอกกับ Cointelegraph ว่า ทีมงานนำความรู้ด้านความปลอดภัยไซเบอร์จาก Web2 ซึ่งได้นำไปใช้กับข้อมูล Web3 ตั้งแต่เริ่มต้นของคริปโต พวกเขาใช้ประสบการณ์ในการวิศวกรรมคุณสมบัติแบบอัลกอริทึมจากระบบดั้งเดิมเพื่อเสริมสร้างความปลอดภัยของ Web3 เขากล่าวว่า: “เครื่องมือตรวจจับการโจมตี Web3 ส่วนใหญ่อาศัยกฎที่เป็นสถิติหรือการกรองธุรกรรมเบื้องต้น ซึ่งมักจะล้าหลังเทคนิคและกลยุทธ์ของผู้โจมตีที่พัฒนาขึ้นตามเวลา” ในทางตรงกันข้าม ระบบใหม่ของพวกเขาใช้การเรียนรู้ของเครื่องเพื่อเรียนรู้และปรับตัวอย่างต่อเนื่องเพื่อตรวจจับภัยคุกคามจากการปนเปื้อนที่อยู่ O’Connor เน้นว่าความแตกต่างของระบบนี้คือ “การเน้นบริบทและการรู้จำแบบแผน” Isogawa เสริมว่า “AI สามารถตรวจจับรูปแบบที่เกินความสามารถในการวิเคราะห์ของมนุษย์ได้บ่อยครั้ง” เกี่ยวข้อง: Jameson Lopp ออกเตือนเกี่ยวกับการโจมตีด้วยการปนเปื้อนที่อยู่ Bitcoin แนวทางการเรียนรู้ของเครื่อง O’Connor อธิบายว่าทาง Trugard ได้สร้างข้อมูลฝึกสังเคราะห์สำหรับ AI เพื่อเลียนแบบวิธีการโจมตีที่หลากหลาย จากนั้นโมเดลนั้นถูกฝึกฝนด้วยการเรียนรู้แบบมีการควบคุม (supervised learning) ซึ่งเป็นเทคนิคการเรียนรู้ของเครื่องที่โมเดลเรียนรู้จากข้อมูลที่มีการติดป้ายกำกับ ซึ่งประกอบด้วยอินพุตและเอาต์พุตที่ถูกต้อง เป้าหมายคือให้โมเดลเข้าใจความสัมพันธ์ระหว่างอินพุตและเอาต์พุต เพื่อทำนายผลลัพธ์ได้อย่างถูกต้องกับข้อมูลใหม่ที่ไม่เคยเห็น การใช้งานทั่วไปคือการกรองสแปม การรู้จำภาพ และการทำนายราคา นอกจากนี้ โมเดลจะถูกอัปเดตอย่างต่อเนื่องโดยการฝึกใหม่ด้วยข้อมูลล่าสุด เนื่องจากผู้โจมตีพัฒนากลยุทธ์ใหม่ ๆ เขาเสริมว่า “เรายังสร้างชั้นการสร้างข้อมูลสังเคราะห์เพื่อให้สามารถทดสอบโมเดลอย่างต่อเนื่องกับสถานการณ์การปนเปื้อนสมมติ โดยวิธีนี้ช่วยให้โมเดลสามารถเรียนรู้และคงความแข็งแกร่งในระยะยาวได้ดี”