Kumpanya sa cybersecurity ng crypto na Trugard, kasabay ng onchain trust protocol na Webacy, ay lumikha ng isang AI-driven na sistema na nilikha upang tuklasin ang crypto wallet address poisoning. Ayon sa anunsyo noong Mayo 21 via Cointelegraph, ang bagong solusyong ito ay isinama sa crypto decisioning suite ng Webacy at “gamit ang isang supervised machine learning model na sinanay sa live transaction data na pinagsasama ang onchain analytics, feature engineering, at behavioral context. ” Iniulat na nakukuha ng kasangkapang ito ang 97% success rate, na napatunayan sa iba't ibang kilalang attack scenarios. “Ang address poisoning ay isa sa mga pinakalaganap ngunit kulang sa pagbabalita na scam sa crypto, na umaasang samantalahin ang pinakapayak na palagay: na kung ano ang nakikita mo ay siyang makukuha, ” sabi ni Maika Isogawa, co-founder ng Webacy. Ang crypto address poisoning ay isang panlilinlang kung saan ang mga ataker ay nagpapadala ng maliliit na halaga ng cryptocurrency mula sa mga wallet address na halos kapareho ng totoong address ng biktima—karaniwan na nagbabahagi ng parehong panimula at katapusan na mga karakter. Layunin nitong dayain ang mga gumagamit na kopyahin at gamitin muli ang address ng ataker sa mga susunod na transaksyon, na nagreresulta sa pinansyal na pagkalugi. Ang scam na ito ay umaakit sa mga gumagamit na umaasa sa bahagyang pagtutugma ng address o kasaysayan sa clipboard kapag nagta-transfer ng crypto. Isang pag-aaral noong Enero 2025 ang naghayag ng higit sa 270 milyong pagtatangka ng poisoning sa BNB Chain at Ethereum mula Hulyo 1, 2022 hanggang Hunyo 30, 2024, na may 6, 000 na matagumpay na pagtatangka na nagdulot ng higit sa $83 milyon na pagkalugi. Kaugnay: Ano ang mga address poisoning attack sa crypto at paano natin sila maiiwasan? Web2 na ekspertisa sa seguridad na inilapat sa Web3 Ipinasalaysay ni Jeremiah O’Connor, CTO ng Trugard, sa Cointelegraph na nagdadala sila ng malaking kaalaman sa cybersecurity mula sa Web2 na larangan, na kanilang ginagamit sa Web3 data simula nang mauna ang cryptocurrency. Ginagamit nila ang kanilang karanasan sa algorithmic feature engineering mula sa tradisyunal na mga sistema upang mapabuti ang seguridad sa Web3. Binanggit niya: “Ang karamihan sa mga kasalukuyang Web3 attack detection tools ay umaasa sa static rules o simpleng transaction filtering, na madalas na nahuhuli sa pagbabago-bagong taktik, tekniko, at pamamaraan ng mga ataker. ” Sa kabaligtaran, ang kanilang bagong sistemang binuo ay gumagamit ng machine learning upang tuloy-tuloy na matuto at mag-adapt sa mga banta ng address poisoning.

Binibigyang-diin ni O’Connor na ang pagkakaiba ng kanilang system ay “nakatuon ito sa konteksto at pattern recognition. ” Dagdag pa ni Isogawa na “maaaring matukoy ng AI ang mga pattern na lampas sa kakayahan ng tao sa pagsusuri. ” Kaugnay: Nagbabala si Jameson Lopp laban sa Bitcoin address poisoning attacks Ang lapit na gamit ang machine learning Ipinaliwanag ni O’Connor na gumawa ang Trugard ng synthetic training data para sa AI upang tularan ang iba't ibang paraan ng atake. Pagkatapos, sinanay ang modelo gamit ang supervised learning—isang teknik sa machine learning kung saan natututo ang modelo mula sa labeled data na may kasamang mga inputs at tamang outputs. Layunin nito na maunawaan ng modelo ang ugnayan ng input at output upang mabigyang-hula nang tama ang mga kaganapan sa mga bagong datos na hindi pa nakita. Karaniwang ginagamit ito sa spam filtering, pagkilala sa larawan, at forecast ng presyo. Bukod dito, ang modelo ay nire-retain at ina-update nang tuloy-tuloy sa pamamagitan ng muling pagsasanay gamit ang mga bagong datos habang umuunlad ang mga estratehiya ng mga ataker. “Dagdag pa, nakabuo rin kami ng isang layer para sa synthetic data generation na nagbibigay-daan sa patuloy na pagsusuri sa modelo laban sa mga simulated poisoning scenarios, ” ani O’Connor. “Epektibo ito sa pagtulong sa modelo na mag-generalize at mapanatili ang katatagan nito sa paglipas ng panahon. ”