Криптоголосохоронна компанія Trugard у співпраці з onchain-технологією довіри Webacy створила систему на базі штучного інтелекту, спрямовану на виявлення отруєння криптовалютних адрес гаманців. Як було оголошено 21 травня через Cointelegraph, це нове рішення інтегроване у платформу для прийняття рішень у сфері криптовалют Webacy і «використовує навчальну модель машинного навчання під наглядом, треновану на реальних транзакційних даних у поєднанні з аналітикою onchain, інженерією ознак та поведінковим контекстом». Зазначається, що цей інструмент досягає рівня успішності 97%, що підтверджено на відомих сценаріях атак. «Отруєння адрес — одна з найбільш недооцінюваних, але дорогих шахрайських схем у криптоіндустрії, яка експлуатує найпростіше припущення: те, що ви бачите — це те, що є», — заявила співзасновниця Webacy Маіка Ісогава. Отруєння криптовалютних адрес — це шахрайська техніка, коли зловмисники надсилають невеликі суми криптовалюти з гаманців, які нагадують справжню адресу жертви, часто починаючи і закінчуючись однаковими символами. Така тактика має на меті спонукати користувачів копіювати та повторно використовувати адресу зловмисника у подальших транзакціях, що спричиняє фінансові втрати. Цей шахрайський метод використовує звички користувачів — покладатися на часткове співпадіння адрес або історію буфера обміну під час переказу криптовалюти. Згідно з дослідженням січня 2025 року, у період з 1 липня 2022 по 30 червня 2024 року було понад 270 мільйонів спроб отруєння на BNB Chain та Ethereum, з яких 6000 успішних, що призвело до втрат понад 83 мільйони доларів. Пов’язане: Що таке атаки отруєння адрес у крипто та як їх уникнути? Застосування забезпечення безпеки Web2 у Web3 Головний технічний директор Trugard, Джеремі О’Коннор, у інтерв’ю Cointelegraph повідомив, що команда має значний досвід у сфері кібербезпеки з домену Web2, який вони з початку застосовують до даних Web3. Вони використовують досвід у побудові алгоритмічних ознак із традиційних систем для підвищення безпеки Web3. Він зазначив: «Більшість існуючих інструментів виявлення атак у Web3 базуються на статичних правилах або простому фільтруванні транзакцій, що часто відстає від еволюції тактик, технік і процедур зловмисників». На відміну від цього, їх новостворена система використовує машинне навчання для безперервного навчання і адаптації до загроз отруєння адрес.

О’Коннор підкреслив, що те, що відрізняє їхню систему, — «її увага до контексту і розпізнавання патернів». Ісогава додала, що «штучний інтелект може виявляти патерни, які часто важко побачити людині». Пов’язане: Джеймсон Лоп попереджає про атаки отруєння Bitcoin-адрес Методика машинного навчання О’Коннор пояснив, що Trugard створила синтетичні тренувальні дані для імітації різноманітних методів атаки. Модель була навчена за допомогою під наглядом — техніки машинного навчання, при якій модель навчається на позначених даних із вхідними значеннями та правильними виходами. Мета полягає в тому, щоб модель зрозуміла співвідношення між вхідними даними і результатами для правильного прогнозування нових, невідомих даних. Застосування такої моделі поширюється на фільтрацію спаму, розпізнавання зображень і прогнозування цін. Крім того, модель постійно оновлюється шляхом повторного тренування на нових даних із розвитком нових стратегій зловмисників. «Ми також побудували рівень генерації синтетичних даних, що дозволяє постійно тестувати модель у симульованих сценаріях отруєння», — сказав він. «Цей підхід довів свою ефективність у допомозі моделі узагальнювати знання і підтримувати міцність з часом».