Công ty an ninh mạng tiền mã hóa Trugard, cùng với giao thức đáng tin cậy trên chuỗi Webacy, đã tạo ra một hệ thống dựa trên AI nhằm phát hiện hành vi đầu độc địa chỉ ví tiền mã hóa. Như đã công bố ngày 21 tháng 5 qua Cointelegraph, giải pháp mới này được tích hợp vào bộ công cụ quyết định tiền điện tử của Webacy và “sử dụng mô hình học máy có giám sát được huấn luyện trên dữ liệu giao dịch trực tiếp kết hợp với phân tích trên chuỗi, kỹ thuật đặc trưng và bối cảnh hành vi. ” Theo báo cáo, công cụ này đạt mức thành công lên tới 97%, đã được xác thực qua các kịch bản tấn công đã biết. “Đầu độc địa chỉ là một trong những hình thức lừa đảo ít được báo cáo nhưng gây thiệt hại lớn trong lĩnh vực crypto, lợi dụng giả định đơn giản nhất: Rằng những gì bạn thấy là những gì bạn nhận được, ” đồng sáng lập Webacy, Maika Isogawa, cho biết. Hành vi đầu độc địa chỉ crypto là một kỹ thuật lừa đảo trong đó kẻ tấn công gửi số lượng nhỏ tiền điện tử từ các địa chỉ ví trông gần giống địa chỉ thực của nạn nhân — thường có cùng ký tự bắt đầu và kết thúc. Phương pháp này nhằm lừa người dùng sao chép và tái sử dụng địa chỉ của kẻ tấn công trong các giao dịch sau, gây thiệt hại tài chính. Mánh khóe này khai thác thói quen của người dùng dựa vào việc so khớp địa chỉ một phần hoặc lịch sử clipboard khi chuyển tiền mã hóa. Một nghiên cứu vào tháng 1 năm 2025 đã phát hiện hơn 270 triệu lần cố gắng đầu độc trên BNB Chain và Ethereum từ ngày 1 tháng 7 năm 2022 đến ngày 30 tháng 6 năm 2024, trong đó có 6, 000 lần thành công gây thiệt hại hơn 83 triệu đô la. Liên quan: Đầu độc địa chỉ trong crypto là gì và làm thế nào để phòng tránh? Áp dụng kiến thức bảo mật Web2 vào Web3 Giám đốc công nghệ của Trugard, Jeremiah O’Connor, chia sẻ với Cointelegraph rằng nhóm của ông mang đến kiến thức bảo mật mạng đáng kể từ lĩnh vực Web2, và họ đã áp dụng điều này vào dữ liệu Web3 từ những ngày đầu của tiền mã hóa. Họ sử dụng kinh nghiệm trong kỹ thuật đặc trưng thuật toán từ các hệ thống truyền thống để nâng cao bảo mật Web3. Ông nói: “Phần lớn các công cụ phát hiện tấn công Web3 hiện tại dựa vào quy tắc cố định hoặc lọc giao dịch cơ bản, điều này thường chậm hơn các chiến thuật, kỹ thuật và quy trình của kẻ tấn công ngày càng tinh vi hơn. ” Ngược lại, hệ thống mới của họ sử dụng học máy để liên tục học hỏi và thích nghi với các mối đe dọa đầu độc địa chỉ.

O’Connor nhấn mạnh điểm khác biệt của hệ thống là “tập trung vào bối cảnh và nhận diện mẫu hình. ” Isogawa bổ sung rằng “AI có thể phát hiện các mẫu hình thường vượt quá khả năng phân tích của con người. ” Liên quan: Jameson Lopp cảnh báo về các cuộc tấn công đầu độc địa chỉ Bitcoin Phương pháp học máy O’Connor giải thích rằng Trugard đã tạo ra dữ liệu huấn luyện tổng hợp để AI mô phỏng các phương thức tấn công đa dạng. Mô hình sau đó được huấn luyện bằng phương pháp học có giám sát — một kỹ thuật học máy trong đó mô hình học từ dữ liệu có nhãn gồm các đầu vào đi kèm với đầu ra đúng. Mục tiêu là giúp mô hình hiểu mối quan hệ giữa đầu vào và đầu ra để dự đoán chính xác kết quả cho dữ liệu mới chưa từng thấy. Các ứng dụng phổ biến gồm lọc thư rác, nhận diện hình ảnh và dự báo giá cả. Hơn nữa, mô hình luôn được cập nhật bằng cách huấn luyện lại với dữ liệu mới khi kẻ tấn công phát triển chiến lược mới. “Ngoài ra, chúng tôi đã xây dựng một lớp tạo dữ liệu tổng hợp cho phép thử nghiệm liên tục mô hình trước các kịch bản đầu độc mô phỏng, ” ông nói. “Phương pháp này đã cho thấy hiệu quả cao trong việc giúp mô hình tổng quát và duy trì khả năng chắc chắn theo thời gian. ”