Sumber: Cointelegraph
Teks Asli: 《 Alat AI Mengklaim Efisiensi 97% dalam Mencegah Serangan "Pencemaran Alamat" 》
Perusahaan keamanan jaringan cryptocurrency Trugard bekerja sama dengan protokol kepercayaan on-chain Webacy untuk mengembangkan sistem berbasis kecerdasan buatan yang digunakan untuk mendeteksi serangan racun pada alamat dompet cryptocurrency.
Menurut pengumuman yang dibagikan dengan Cointelegraph pada 21 Mei, alat baru ini merupakan bagian dari alat keputusan kripto Webacy, "menggunakan model pembelajaran mesin yang diawasi, dikombinasikan dengan data perdagangan waktu nyata, analisis on-chain, rekayasa fitur, dan konteks perilaku untuk pelatihan."
Dikabarkan, alat baru ini memiliki tingkat keberhasilan pengujian hingga 97% dalam kasus serangan yang diketahui. Co-founder Webacy, Maika Isogawa, mengatakan: "Pencemaran alamat adalah salah satu penipuan yang kurang dilaporkan namun merugikan besar di bidang cryptocurrency, yang memanfaatkan asumsi paling sederhana: apa yang Anda lihat adalah apa yang Anda dapatkan."
Pencemaran alamat cryptocurrency adalah sebuah penipuan, di mana penyerang mengirimkan sejumlah kecil cryptocurrency dari alamat dompet yang sangat mirip dengan alamat asli target, biasanya karakter awal dan akhir alamat tersebut sama. Tujuannya adalah untuk menipu pengguna agar secara tidak sengaja menyalin dan menggunakan alamat penyerang dalam transaksi di masa depan, yang mengakibatkan kehilangan dana.
Teknik ini memanfaatkan kebiasaan pengguna yang sering mengandalkan pencocokan alamat parsial atau riwayat clipboard saat mengirim cryptocurrency. Sebuah studi Januari 2025 menemukan bahwa antara 1 Juli 2022 dan 30 Juni 2024, ada lebih dari 270 juta upaya keracunan alamat di BNB Chain dan Ethereum. Dari jumlah tersebut, 6.000 upaya berhasil, mengakibatkan kerugian lebih dari $83 juta.
CTO Trugard Jeremiah O’Connor mengatakan kepada Cointelegraph bahwa tim mereka membawa keahlian keamanan siber yang mendalam dari dunia Web2, dan "telah menerapkannya pada data Web3 sejak awal cryptocurrency." Tim tersebut menerapkan pengalaman rekayasa fitur algoritmik dari sistem tradisional ke Web3. Dia menambahkan:
"Sebagian besar sistem deteksi serangan Web3 yang ada saat ini bergantung pada aturan statis atau penyaringan transaksi dasar. Metode ini seringkali tidak dapat mengikuti strategi, teknik, dan prosedur penyerang yang terus berkembang."
Sistem yang baru dikembangkan menggunakan pembelajaran mesin untuk menciptakan sebuah sistem yang dapat mempelajari dan beradaptasi terhadap serangan racun alamat. O'Connor menekankan bahwa keunikan sistem mereka terletak pada "fokus pada konteks dan pengenalan pola". Isogawa menjelaskan: "AI dapat mendeteksi pola yang sering kali berada di luar jangkauan analisis manusia."
O'Connor menyatakan bahwa Trugard menghasilkan data pelatihan sintetis yang dihasilkan AI untuk mensimulasikan berbagai pola serangan. Kemudian, model tersebut dilatih melalui pembelajaran terawasi, yaitu jenis pembelajaran mesin di mana model dilatih pada data berlabel, termasuk variabel input dan output yang benar.
Dalam pengaturan ini, tujuannya adalah untuk membuat model belajar hubungan antara input dan output, untuk memprediksi output yang benar dari input baru yang belum pernah dilihat. Contoh umum termasuk deteksi spam, klasifikasi gambar, dan prediksi harga.
O’Connor mengatakan bahwa seiring dengan munculnya strategi baru, model akan diperbarui dengan melatihnya pada data baru. Dia berkata: "Yang terpenting adalah kami membangun lapisan generasi data sintetik yang memungkinkan kami untuk terus menguji kinerja model terhadap skenario racun simulasi. Ini sangat efektif dalam membantu model untuk umum dan tetap tangguh dalam jangka panjang."
Rekomendasi: Bold Technologies dan My Aion meluncurkan platform AI kota pintar senilai 2,5 miliar dolar
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
Alat AI mengklaim memiliki efisiensi hingga 97% dalam mencegah serangan "Alamat Beracun".
Sumber: Cointelegraph Teks Asli: 《 Alat AI Mengklaim Efisiensi 97% dalam Mencegah Serangan "Pencemaran Alamat" 》
Perusahaan keamanan jaringan cryptocurrency Trugard bekerja sama dengan protokol kepercayaan on-chain Webacy untuk mengembangkan sistem berbasis kecerdasan buatan yang digunakan untuk mendeteksi serangan racun pada alamat dompet cryptocurrency.
Menurut pengumuman yang dibagikan dengan Cointelegraph pada 21 Mei, alat baru ini merupakan bagian dari alat keputusan kripto Webacy, "menggunakan model pembelajaran mesin yang diawasi, dikombinasikan dengan data perdagangan waktu nyata, analisis on-chain, rekayasa fitur, dan konteks perilaku untuk pelatihan."
Dikabarkan, alat baru ini memiliki tingkat keberhasilan pengujian hingga 97% dalam kasus serangan yang diketahui. Co-founder Webacy, Maika Isogawa, mengatakan: "Pencemaran alamat adalah salah satu penipuan yang kurang dilaporkan namun merugikan besar di bidang cryptocurrency, yang memanfaatkan asumsi paling sederhana: apa yang Anda lihat adalah apa yang Anda dapatkan."
Pencemaran alamat cryptocurrency adalah sebuah penipuan, di mana penyerang mengirimkan sejumlah kecil cryptocurrency dari alamat dompet yang sangat mirip dengan alamat asli target, biasanya karakter awal dan akhir alamat tersebut sama. Tujuannya adalah untuk menipu pengguna agar secara tidak sengaja menyalin dan menggunakan alamat penyerang dalam transaksi di masa depan, yang mengakibatkan kehilangan dana.
Teknik ini memanfaatkan kebiasaan pengguna yang sering mengandalkan pencocokan alamat parsial atau riwayat clipboard saat mengirim cryptocurrency. Sebuah studi Januari 2025 menemukan bahwa antara 1 Juli 2022 dan 30 Juni 2024, ada lebih dari 270 juta upaya keracunan alamat di BNB Chain dan Ethereum. Dari jumlah tersebut, 6.000 upaya berhasil, mengakibatkan kerugian lebih dari $83 juta.
CTO Trugard Jeremiah O’Connor mengatakan kepada Cointelegraph bahwa tim mereka membawa keahlian keamanan siber yang mendalam dari dunia Web2, dan "telah menerapkannya pada data Web3 sejak awal cryptocurrency." Tim tersebut menerapkan pengalaman rekayasa fitur algoritmik dari sistem tradisional ke Web3. Dia menambahkan:
"Sebagian besar sistem deteksi serangan Web3 yang ada saat ini bergantung pada aturan statis atau penyaringan transaksi dasar. Metode ini seringkali tidak dapat mengikuti strategi, teknik, dan prosedur penyerang yang terus berkembang."
Sistem yang baru dikembangkan menggunakan pembelajaran mesin untuk menciptakan sebuah sistem yang dapat mempelajari dan beradaptasi terhadap serangan racun alamat. O'Connor menekankan bahwa keunikan sistem mereka terletak pada "fokus pada konteks dan pengenalan pola". Isogawa menjelaskan: "AI dapat mendeteksi pola yang sering kali berada di luar jangkauan analisis manusia."
O'Connor menyatakan bahwa Trugard menghasilkan data pelatihan sintetis yang dihasilkan AI untuk mensimulasikan berbagai pola serangan. Kemudian, model tersebut dilatih melalui pembelajaran terawasi, yaitu jenis pembelajaran mesin di mana model dilatih pada data berlabel, termasuk variabel input dan output yang benar.
Dalam pengaturan ini, tujuannya adalah untuk membuat model belajar hubungan antara input dan output, untuk memprediksi output yang benar dari input baru yang belum pernah dilihat. Contoh umum termasuk deteksi spam, klasifikasi gambar, dan prediksi harga.
O’Connor mengatakan bahwa seiring dengan munculnya strategi baru, model akan diperbarui dengan melatihnya pada data baru. Dia berkata: "Yang terpenting adalah kami membangun lapisan generasi data sintetik yang memungkinkan kami untuk terus menguji kinerja model terhadap skenario racun simulasi. Ini sangat efektif dalam membantu model untuk umum dan tetap tangguh dalam jangka panjang."
Rekomendasi: Bold Technologies dan My Aion meluncurkan platform AI kota pintar senilai 2,5 miliar dolar