Kripto siber güvenlik şirketi Trugard, onchain güvene protokolü Webacy ile birlikte, kripto cüzdan adresi zehirlenmesini tespit etmeye yönelik yapay zeka destekli bir sistem geliştirdi. 21 Mayıs'ta Cointelegraph aracılığıyla duyurulan bu yeni çözüm, Webacy’nin kripto karar verme paketine entegre edilmiştir ve “canlı işlem verileri üzerinde eğitilmiş denetimli makine öğrenimi modeli, onchain analizleri, özellik mühendisliği ve davranışsal bağlamla birlikte kullanılmaktadır. ” Araç, raporlara göre %97 başarı oranı yakalamakta ve bilinen saldırı senaryolarında doğrulanmıştır. Webacy kurucu ortağı Maika Isogawa, “Adres zehirlenmesi, kripto dünyasında en çok rapor edilmemiş ancak en maliyetli olan dolandırıcılıklardan biridir; en basit varsayımı istismar eder: Görünen, alınandır, ” dedi. Kripto adres zehirlenmesi, saldırganların hedefin gerçek adresine oldukça benzeyen cüzdan adreslerinden küçük miktarlarda kripto para gönderdiği bir dolandırıcılık tekniğidir—genellikle başlangıç ve bitiş karakterleri aynıdır. Bu yaklaşım, kullanıcıların saldırganın adresini kopyalayıp sonraki işlemlerde kullanmasına neden olarak maddi kayıplara yol açmayı amaçlar. Bu dolandırıcılık, kullanıcıların kripto transferlerinde kısmi adres eşlemesi veya panoya kopyalama geçmişine dayanma alışkanlıklarından faydalanır. Ocak 2025'te yapılan bir çalışma, 1 Temmuz 2022 ile 30 Haziran 2024 arasında BNB Zinciri ve Ethereum üzerinde 270 milyondan fazla zehirlenme girişimi olduğunu, bunlardan 6. 000’inin başarılı olduğunu ve 83 milyon doların üzerinde kayıba yol açtığını ortaya koydu. İlgili: Kripto adres zehirlenme saldırıları nedir ve nasıl önlenir? Web2 güvenlik uzmanlığı Web3’e uygulanıyor Trugard’ın baş teknoloji sorumlusu Jeremiah O’Connor, Cointelegraph’a yaptığı açıklamada, ekibin Web2 alanından önemli siber güvenlik bilgisi getirdiğini ve bu bilgiyi kripto paraların ilk günlerinden beri Web3 verilerine uyguladıklarını belirtti. Geleneksel sistemlerden algoritmik özellik mühendisliği deneyimini kullanarak Web3 güvenliğini güçlendirdiklerini söyledi: “Mevcut Web3 saldırı tespit araçlarının çoğu, statik kurallara veya temel işlem filtrelemeye dayanıyor; bu da sıklıkla gelişen saldırgan taktik, teknik ve prosedürlerin gerisinde kalıyor. ” Buna karşılık, yeni geliştirdikleri sistem, makine öğrenimi kullanarak zehirlenme tehditlerine sürekli öğrenip uyum sağlıyor. O’Connor, sistemlerini farklı kılan özelliğin “bağlam ve desen tanıma” olduğunu vurguladı.

Isogawa, “Yapay zeka, insan analiz kabiliyetlerinin ötesinde desenleri tespit edebilir, ” dedi. İlgili: Jameson Lopp, Bitcoin adres zehirlenme saldırıları konusunda alarm verdi Makine öğrenimi yaklaşımı O’Connor, Trugard’ın yapay zekanın çeşitli saldırı yöntemlerini taklit etmesi için sentetik eğitim verisi oluşturduğunu açıkladı. Model, daha sonra, girdi ve doğru çıktıların etiketlendiği denetimli öğrenme yöntemiyle eğitildi. Bu yöntemde amaç, modele giriş-çıkış ilişkisini anlamayı öğretmek ve yeni, görülmemiş veriler için doğru tahminler yapmasını sağlamaktır. Yaygın uygulamalar arasında spam filtreleme, görüntü tanıma ve fiyat tahmini yer alır. Ayrıca, model, saldırganlar yeni stratejiler geliştirdikçe düzenli olarak yeni verilerle yeniden eğitilerek güncellenir. O’Connor, “Ayrıca, modeli sürekli zehirlenme senaryoları karşısında test edebilecek sentetik veri üretim katmanı da kurduk, ” dedi. “Bu yaklaşım, modelin genelleme yapmasını ve zamanla dayanıklılığını korumasını oldukça etkili bir şekilde sağladı. ”