Fuente: Cointelegraph
Texto original: "Las herramientas de IA afirman tener una eficacia del 97% en la prevención de ataques de 'envenenamiento de direcciones'"
La empresa de ciberseguridad de criptomonedas Trugard, en colaboración con el protocolo de confianza en cadena Webacy, ha desarrollado un sistema basado en inteligencia artificial para detectar ataques de envenenamiento de direcciones de billeteras de criptomonedas.
Según el anuncio compartido con Cointelegraph el 21 de mayo, esta nueva herramienta es parte de la herramienta de decisiones criptográficas de Webacy, "que utiliza modelos de aprendizaje automático supervisados, combinando datos de transacciones en tiempo real, análisis en cadena, ingeniería de características y contexto de comportamiento para su entrenamiento."
Se dice que esta nueva herramienta ha tenido una tasa de éxito del 97% en casos de ataques conocidos. Maika Isogawa, cofundadora de Webacy, declaró: “El envenenamiento de direcciones es uno de los fraudes en el ámbito de las criptomonedas que se informa de manera insuficiente pero que causa grandes pérdidas, aprovechando la suposición más simple: lo que ves es lo que obtienes.”
La contaminación de direcciones de criptomonedas es una estafa en la que los atacantes envían una pequeña cantidad de criptomonedas desde una dirección de billetera que es muy similar a la dirección real del objetivo, normalmente con los mismos caracteres al principio y al final. El objetivo es engañar a los usuarios para que, en futuras transacciones, copien y usen accidentalmente la dirección del atacante, lo que resulta en la pérdida de fondos.
Esta técnica se aprovecha del hábito de los usuarios que a menudo confían en la coincidencia parcial de direcciones o en el historial del portapapeles al enviar criptomonedas. Un estudio de enero de 2025 descubrió que entre el 1 de julio de 2022 y el 30 de junio de 2024, hubo más de 270 millones de intentos de envenenamiento de direcciones en BNB Chain y Ethereum. De ellos, 6.000 intentos tuvieron éxito, lo que resultó en pérdidas de más de 83 millones de dólares.
El CTO de Trugard, Jeremiah O’Connor, dijo a Cointelegraph que su equipo aporta una profunda experiencia en ciberseguridad del mundo Web2 y que "ha estado aplicándola a los datos de Web3 desde los inicios de las criptomonedas". El equipo aplica la experiencia en ingeniería de características algorítmicas de sistemas tradicionales a Web3. Añadió:
"La mayoría de los sistemas de detección de ataques Web3 existentes dependen de reglas estáticas o de filtros de transacciones básicos. Estos métodos a menudo no pueden seguir el ritmo de las estrategias, técnicas y procedimientos en constante evolución de los atacantes."
El nuevo sistema desarrollado utiliza aprendizaje automático para crear un sistema capaz de aprender y adaptarse a los ataques de envenenamiento de direcciones. O’Connor enfatizó que la singularidad de su sistema radica en "enfocarse en el contexto y el reconocimiento de patrones". Isogawa explicó: "La IA puede detectar patrones que a menudo están más allá del alcance del análisis humano."
O’Connor indicó que Trugard generó datos de entrenamiento sintéticos mediante IA para simular varios patrones de ataque. Luego, el modelo fue entrenado a través del aprendizaje supervisado, que es un tipo de aprendizaje automático que entrena el modelo en datos etiquetados, incluidos los variables de entrada y la salida correcta.
En esta configuración, el objetivo es que el modelo aprenda la relación entre la entrada y la salida para predecir la salida correcta de nuevas entradas no vistas. Ejemplos comunes incluyen la detección de spam, la clasificación de imágenes y la predicción de precios.
O'Connor indicó que, a medida que surgen nuevas estrategias, el modelo también se actualizará entrenando con nuevos datos. Dijo: "Lo más importante es que hemos construido una capa de generación de datos sintéticos que nos permite probar continuamente el rendimiento del modelo en escenarios de toxicidad simulados. Esto es muy efectivo para ayudar al modelo a generalizar y mantener la robustez a largo plazo."
Recomendaciones: Bold Technologies y My Aion lanzan una plataforma de IA de ciudad inteligente de 25 mil millones de dólares
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
Las herramientas de IA afirman tener una eficacia del 97% en la prevención de ataques de "DIRECCIÓN" envenenados.
Fuente: Cointelegraph Texto original: "Las herramientas de IA afirman tener una eficacia del 97% en la prevención de ataques de 'envenenamiento de direcciones'"
La empresa de ciberseguridad de criptomonedas Trugard, en colaboración con el protocolo de confianza en cadena Webacy, ha desarrollado un sistema basado en inteligencia artificial para detectar ataques de envenenamiento de direcciones de billeteras de criptomonedas.
Según el anuncio compartido con Cointelegraph el 21 de mayo, esta nueva herramienta es parte de la herramienta de decisiones criptográficas de Webacy, "que utiliza modelos de aprendizaje automático supervisados, combinando datos de transacciones en tiempo real, análisis en cadena, ingeniería de características y contexto de comportamiento para su entrenamiento."
Se dice que esta nueva herramienta ha tenido una tasa de éxito del 97% en casos de ataques conocidos. Maika Isogawa, cofundadora de Webacy, declaró: “El envenenamiento de direcciones es uno de los fraudes en el ámbito de las criptomonedas que se informa de manera insuficiente pero que causa grandes pérdidas, aprovechando la suposición más simple: lo que ves es lo que obtienes.”
La contaminación de direcciones de criptomonedas es una estafa en la que los atacantes envían una pequeña cantidad de criptomonedas desde una dirección de billetera que es muy similar a la dirección real del objetivo, normalmente con los mismos caracteres al principio y al final. El objetivo es engañar a los usuarios para que, en futuras transacciones, copien y usen accidentalmente la dirección del atacante, lo que resulta en la pérdida de fondos.
Esta técnica se aprovecha del hábito de los usuarios que a menudo confían en la coincidencia parcial de direcciones o en el historial del portapapeles al enviar criptomonedas. Un estudio de enero de 2025 descubrió que entre el 1 de julio de 2022 y el 30 de junio de 2024, hubo más de 270 millones de intentos de envenenamiento de direcciones en BNB Chain y Ethereum. De ellos, 6.000 intentos tuvieron éxito, lo que resultó en pérdidas de más de 83 millones de dólares.
El CTO de Trugard, Jeremiah O’Connor, dijo a Cointelegraph que su equipo aporta una profunda experiencia en ciberseguridad del mundo Web2 y que "ha estado aplicándola a los datos de Web3 desde los inicios de las criptomonedas". El equipo aplica la experiencia en ingeniería de características algorítmicas de sistemas tradicionales a Web3. Añadió:
"La mayoría de los sistemas de detección de ataques Web3 existentes dependen de reglas estáticas o de filtros de transacciones básicos. Estos métodos a menudo no pueden seguir el ritmo de las estrategias, técnicas y procedimientos en constante evolución de los atacantes."
El nuevo sistema desarrollado utiliza aprendizaje automático para crear un sistema capaz de aprender y adaptarse a los ataques de envenenamiento de direcciones. O’Connor enfatizó que la singularidad de su sistema radica en "enfocarse en el contexto y el reconocimiento de patrones". Isogawa explicó: "La IA puede detectar patrones que a menudo están más allá del alcance del análisis humano."
O’Connor indicó que Trugard generó datos de entrenamiento sintéticos mediante IA para simular varios patrones de ataque. Luego, el modelo fue entrenado a través del aprendizaje supervisado, que es un tipo de aprendizaje automático que entrena el modelo en datos etiquetados, incluidos los variables de entrada y la salida correcta.
En esta configuración, el objetivo es que el modelo aprenda la relación entre la entrada y la salida para predecir la salida correcta de nuevas entradas no vistas. Ejemplos comunes incluyen la detección de spam, la clasificación de imágenes y la predicción de precios.
O'Connor indicó que, a medida que surgen nuevas estrategias, el modelo también se actualizará entrenando con nuevos datos. Dijo: "Lo más importante es que hemos construido una capa de generación de datos sintéticos que nos permite probar continuamente el rendimiento del modelo en escenarios de toxicidad simulados. Esto es muy efectivo para ayudar al modelo a generalizar y mantener la robustez a largo plazo."
Recomendaciones: Bold Technologies y My Aion lanzan una plataforma de IA de ciudad inteligente de 25 mil millones de dólares