المصدر: كوينتيليغراف
النص الأصلي: 《 أدوات الذكاء الاصطناعي تدعي أنها فعالة بنسبة 97% في منع هجمات "تسميم العناوين" 》
طورت شركة Trugard للأمن السيبراني للعملات المشفرة ونظام Webacy للبروتوكولات المعتمدة على السلسلة نظامًا قائمًا على الذكاء الاصطناعي لرصد هجمات التسمم على عناوين محفظة العملات المشفرة.
وفقًا للإعلان الذي تم مشاركته مع Cointelegraph في 21 مايو، فإن هذه الأداة الجديدة هي جزء من أداة Webacy لاتخاذ القرارات المتعلقة بالتشفير، "تستخدم نماذج التعلم الآلي الخاضعة للإشراف، مع بيانات التداول في الوقت الفعلي، والتحليل على السلسلة، وهندسة الميزات، وسياق السلوك للتدريب."
يقال إن الأداة الجديدة قد تم اختبارها بمعدل نجاح 97٪ في حالات الهجوم المعروفة. قالت ميكا إيسوغاوا ، المؤسس المشارك لشركة Webacy: "يعد التسمم بالعنوان أحد عمليات الاحتيال التي لم يتم الإبلاغ عنها بشكل كاف ولكنها مكلفة للغاية في مجال العملات المشفرة التي تستغل أبسط الافتراضات: ما تراه هو ما تحصل عليه. ”
تسمم عنوان العملة المشفرة هو نوع من الاحتيال، حيث يقوم المهاجم بإرسال كمية صغيرة من العملات المشفرة من عنوان محفظة مشابه جداً لعنوان الضحية الحقيقي، وغالبًا ما تكون الأحرف الأولى والأخيرة من هذه العناوين متطابقة. الهدف هو خداع المستخدم ليقوم بشكل غير مقصود بنسخ واستخدام عنوان المهاجم في معاملات مستقبلية، مما يؤدي إلى فقدان الأموال.
تستفيد هذه التقنية من عادة المستخدمين الذين يعتمدون غالبا على المطابقة الجزئية للعنوان أو سجل الحافظة عند إرسال العملة المشفرة. وجدت دراسة أجريت في يناير 2025 أنه بين 1 يوليو 2022 و 30 يونيو 2024 ، كان هناك أكثر من 270 مليون محاولة تسمم للعناوين على BNB Chain و Ethereum. من بين هؤلاء ، نجحت 6,000 محاولة ، مما أدى إلى خسائر تزيد عن 83 مليون دولار.
قال جيريميا أوكونور، كبير مسؤولي التكنولوجيا في Trugard، لـ Cointelegraph إن فريقهم جاء بخبرة عميقة في الأمن السيبراني من عالم Web2، و"بدأوا في تطبيقها على بيانات Web3 منذ بداية العملات المشفرة". يطبق الفريق خبرتهم في هندسة الميزات الخوارزمية من الأنظمة التقليدية على Web3. وأضاف:
"تستند معظم أنظمة الكشف عن هجمات Web3 الحالية إلى قواعد ثابتة أو تصفية معاملات أساسية. وغالبًا ما لا تواكب هذه الأساليب الاستراتيجيات والتقنيات والبرامج المتطورة للمهاجمين."
النظام الجديد المطور يستخدم التعلم الآلي لإنشاء نظام قادر على التعلم والتكيف مع هجمات تسميم العناوين. أكد أكونور أن ما يميز نظامهم هو "التركيز على السياق والتعرف على الأنماط". أوضح إيسوغوا قائلاً: "يمكن للذكاء الاصطناعي اكتشاف أنماط غالباً ما تتجاوز نطاق التحليل البشري."
أفاد أكونور أن Trugard قد أنشأت بيانات تدريب تركيبية باستخدام الذكاء الاصطناعي لمحاكاة أنماط الهجوم المختلفة. ثم تم تدريب النموذج من خلال التعلم تحت الإشراف، وهو نوع من التعلم الآلي يتم فيه تدريب النموذج على بيانات مصنفة، بما في ذلك المتغيرات المدخلة والمخرجات الصحيحة.
في هذا الإعداد، الهدف هو جعل النموذج يتعلم العلاقة بين المدخلات والمخرجات، للتنبؤ بالمخرجات الصحيحة للمدخلات الجديدة وغير المعروفة. تشمل الأمثلة الشائعة الكشف عن البريد المزعج، وتصنيف الصور، وتوقع الأسعار.
قال أكونور إنه مع ظهور استراتيجيات جديدة، سيتطور النموذج أيضًا من خلال التدريب على بيانات جديدة. وقال: "الأهم هو أننا بنينا طبقة لتوليد البيانات التركيبية، مما يسمح لنا باختبار أداء النموذج باستمرار على سيناريوهات السموم المحاكية. كان ذلك فعالًا جدًا في مساعدة النموذج على التعميم والحفاظ على قوته على المدى الطويل."
التوصيات ذات الصلة: أطلقت Bold Technologies و My Aion منصة الذكاء الاصطناعي للمدن الذكية بقيمة 25 مليار دولار
المحتوى هو للمرجعية فقط، وليس دعوة أو عرضًا. لا يتم تقديم أي مشورة استثمارية أو ضريبية أو قانونية. للمزيد من الإفصاحات حول المخاطر، يُرجى الاطلاع على إخلاء المسؤولية.
تدعي أدوات الذكاء الاصطناعي أنها فعالة بنسبة 97% في منع هجمات "العنوان السامة".
المصدر: كوينتيليغراف النص الأصلي: 《 أدوات الذكاء الاصطناعي تدعي أنها فعالة بنسبة 97% في منع هجمات "تسميم العناوين" 》
طورت شركة Trugard للأمن السيبراني للعملات المشفرة ونظام Webacy للبروتوكولات المعتمدة على السلسلة نظامًا قائمًا على الذكاء الاصطناعي لرصد هجمات التسمم على عناوين محفظة العملات المشفرة.
وفقًا للإعلان الذي تم مشاركته مع Cointelegraph في 21 مايو، فإن هذه الأداة الجديدة هي جزء من أداة Webacy لاتخاذ القرارات المتعلقة بالتشفير، "تستخدم نماذج التعلم الآلي الخاضعة للإشراف، مع بيانات التداول في الوقت الفعلي، والتحليل على السلسلة، وهندسة الميزات، وسياق السلوك للتدريب."
يقال إن الأداة الجديدة قد تم اختبارها بمعدل نجاح 97٪ في حالات الهجوم المعروفة. قالت ميكا إيسوغاوا ، المؤسس المشارك لشركة Webacy: "يعد التسمم بالعنوان أحد عمليات الاحتيال التي لم يتم الإبلاغ عنها بشكل كاف ولكنها مكلفة للغاية في مجال العملات المشفرة التي تستغل أبسط الافتراضات: ما تراه هو ما تحصل عليه. ”
تسمم عنوان العملة المشفرة هو نوع من الاحتيال، حيث يقوم المهاجم بإرسال كمية صغيرة من العملات المشفرة من عنوان محفظة مشابه جداً لعنوان الضحية الحقيقي، وغالبًا ما تكون الأحرف الأولى والأخيرة من هذه العناوين متطابقة. الهدف هو خداع المستخدم ليقوم بشكل غير مقصود بنسخ واستخدام عنوان المهاجم في معاملات مستقبلية، مما يؤدي إلى فقدان الأموال.
تستفيد هذه التقنية من عادة المستخدمين الذين يعتمدون غالبا على المطابقة الجزئية للعنوان أو سجل الحافظة عند إرسال العملة المشفرة. وجدت دراسة أجريت في يناير 2025 أنه بين 1 يوليو 2022 و 30 يونيو 2024 ، كان هناك أكثر من 270 مليون محاولة تسمم للعناوين على BNB Chain و Ethereum. من بين هؤلاء ، نجحت 6,000 محاولة ، مما أدى إلى خسائر تزيد عن 83 مليون دولار.
قال جيريميا أوكونور، كبير مسؤولي التكنولوجيا في Trugard، لـ Cointelegraph إن فريقهم جاء بخبرة عميقة في الأمن السيبراني من عالم Web2، و"بدأوا في تطبيقها على بيانات Web3 منذ بداية العملات المشفرة". يطبق الفريق خبرتهم في هندسة الميزات الخوارزمية من الأنظمة التقليدية على Web3. وأضاف:
"تستند معظم أنظمة الكشف عن هجمات Web3 الحالية إلى قواعد ثابتة أو تصفية معاملات أساسية. وغالبًا ما لا تواكب هذه الأساليب الاستراتيجيات والتقنيات والبرامج المتطورة للمهاجمين."
النظام الجديد المطور يستخدم التعلم الآلي لإنشاء نظام قادر على التعلم والتكيف مع هجمات تسميم العناوين. أكد أكونور أن ما يميز نظامهم هو "التركيز على السياق والتعرف على الأنماط". أوضح إيسوغوا قائلاً: "يمكن للذكاء الاصطناعي اكتشاف أنماط غالباً ما تتجاوز نطاق التحليل البشري."
أفاد أكونور أن Trugard قد أنشأت بيانات تدريب تركيبية باستخدام الذكاء الاصطناعي لمحاكاة أنماط الهجوم المختلفة. ثم تم تدريب النموذج من خلال التعلم تحت الإشراف، وهو نوع من التعلم الآلي يتم فيه تدريب النموذج على بيانات مصنفة، بما في ذلك المتغيرات المدخلة والمخرجات الصحيحة.
في هذا الإعداد، الهدف هو جعل النموذج يتعلم العلاقة بين المدخلات والمخرجات، للتنبؤ بالمخرجات الصحيحة للمدخلات الجديدة وغير المعروفة. تشمل الأمثلة الشائعة الكشف عن البريد المزعج، وتصنيف الصور، وتوقع الأسعار.
قال أكونور إنه مع ظهور استراتيجيات جديدة، سيتطور النموذج أيضًا من خلال التدريب على بيانات جديدة. وقال: "الأهم هو أننا بنينا طبقة لتوليد البيانات التركيبية، مما يسمح لنا باختبار أداء النموذج باستمرار على سيناريوهات السموم المحاكية. كان ذلك فعالًا جدًا في مساعدة النموذج على التعميم والحفاظ على قوته على المدى الطويل."
التوصيات ذات الصلة: أطلقت Bold Technologies و My Aion منصة الذكاء الاصطناعي للمدن الذكية بقيمة 25 مليار دولار