Fonte: Cointelegraph
Texto original: "Ferramenta de IA afirma ter uma eficácia de 97% na prevenção de ataques de "envenenamento de endereço"."
A empresa de segurança cibernética em criptomoeda Trugard, em colaboração com o protocolo de confiança on-chain Webacy, desenvolveu um sistema baseado em inteligência artificial para detectar ataques de envenenamento de endereços de carteira de criptomoeda.
De acordo com o anúncio compartilhado com a Cointelegraph em 21 de maio, esta nova ferramenta é parte da ferramenta de decisão de criptomoeda Webacy, "utilizando modelos de aprendizado de máquina supervisionados, combinados com dados de transações em tempo real, análise on-chain, engenharia de características e contexto comportamental para treinamento."
Aparentemente, essa nova ferramenta teve uma taxa de sucesso de até 97% em casos de ataque conhecidos. Maika Isogawa, cofundadora da Webacy, afirmou: "A contaminação de endereços é uma das fraudes no espaço das criptomoedas que é pouco relatada, mas que causa grandes perdas, aproveitando a suposição mais simples: o que você vê é o que você obtém."
O envenenamento de endereços de criptomoedas é um golpe, onde os atacantes enviam uma pequena quantidade de criptomoeda de um endereço de carteira que é muito semelhante ao endereço real do alvo, geralmente com os mesmos caracteres no início e no final. O objetivo é enganar os usuários para que, em futuras transações, copiem inadvertidamente e utilizem o endereço do atacante, resultando em perda de fundos.
Esta tecnologia aproveita o hábito dos usuários de confiar frequentemente em correspondências parciais de endereços ou no histórico da área de transferência ao enviar criptomoedas. Um estudo realizado em janeiro de 2025 descobriu que, entre 1 de julho de 2022 e 30 de junho de 2024, ocorreram mais de 270 milhões de tentativas de envenenamento de endereços na BNB Chain e no Ethereum. Destas, 6.000 tentativas foram bem-sucedidas, resultando em perdas superiores a 83 milhões de dólares.
O CTO da Trugard, Jeremiah O’Connor, disse à Cointelegraph que a sua equipa trouxe uma profunda experiência em cibersegurança do mundo Web2 e "aplicou-a aos dados Web3 desde os primeiros dias das criptomoedas". A equipa aplica a experiência em engenharia de características algorítmicas dos sistemas tradicionais ao Web3. Ele acrescentou:
"A maioria dos sistemas de deteção de ataques Web3 existentes depende de regras estáticas ou de filtragem básica de transações. Estes métodos muitas vezes não conseguem acompanhar as estratégias, técnicas e programas em constante evolução dos atacantes."
O sistema recém-desenvolvido usa aprendizado de máquina para criar um sistema que pode aprender e se adaptar para lidar com ataques de envenenamento. O'Connor enfatiza que seu sistema é único na medida em que "se concentra no contexto e no reconhecimento de padrões". Isogawa explica: "A IA pode detetar padrões que muitas vezes estão além do escopo da análise humana. ”
O’Connor afirmou que a Trugard gerou dados de treino sintéticos com IA para simular vários padrões de ataque. Em seguida, o modelo foi treinado através de aprendizagem supervisionada, um tipo de aprendizagem de máquina que treina o modelo em dados rotulados, incluindo variáveis de entrada e a saída correta.
Neste tipo de configuração, o objetivo é fazer com que o modelo aprenda a relação entre a entrada e a saída, a fim de prever a saída correta para novas entradas não vistas. Exemplos comuns incluem deteção de spam, classificação de imagens e previsão de preços.
O’Connor afirmou que, com o surgimento de novas estratégias, o modelo também será atualizado através de treinamento em novos dados. Ele disse: "O mais importante é que construímos uma camada de geração de dados sintéticos que nos permite testar continuamente o desempenho do modelo em cenários de toxicidade simulados. Isso é muito eficaz para ajudar o modelo a generalizar e a manter robustez a longo prazo."
Recomendações: Bold Technologies e My Aion lançam uma plataforma de IA para cidades inteligentes de 25 mil milhões de dólares
O conteúdo serve apenas de referência e não constitui uma solicitação ou oferta. Não é prestado qualquer aconselhamento em matéria de investimento, fiscal ou jurídica. Consulte a Declaração de exoneração de responsabilidade para obter mais informações sobre os riscos.
Ferramentas de IA afirmam ter uma eficiência de 97% na prevenção de ataques de "Endereço envenenado".
Fonte: Cointelegraph Texto original: "Ferramenta de IA afirma ter uma eficácia de 97% na prevenção de ataques de "envenenamento de endereço"."
A empresa de segurança cibernética em criptomoeda Trugard, em colaboração com o protocolo de confiança on-chain Webacy, desenvolveu um sistema baseado em inteligência artificial para detectar ataques de envenenamento de endereços de carteira de criptomoeda.
De acordo com o anúncio compartilhado com a Cointelegraph em 21 de maio, esta nova ferramenta é parte da ferramenta de decisão de criptomoeda Webacy, "utilizando modelos de aprendizado de máquina supervisionados, combinados com dados de transações em tempo real, análise on-chain, engenharia de características e contexto comportamental para treinamento."
Aparentemente, essa nova ferramenta teve uma taxa de sucesso de até 97% em casos de ataque conhecidos. Maika Isogawa, cofundadora da Webacy, afirmou: "A contaminação de endereços é uma das fraudes no espaço das criptomoedas que é pouco relatada, mas que causa grandes perdas, aproveitando a suposição mais simples: o que você vê é o que você obtém."
O envenenamento de endereços de criptomoedas é um golpe, onde os atacantes enviam uma pequena quantidade de criptomoeda de um endereço de carteira que é muito semelhante ao endereço real do alvo, geralmente com os mesmos caracteres no início e no final. O objetivo é enganar os usuários para que, em futuras transações, copiem inadvertidamente e utilizem o endereço do atacante, resultando em perda de fundos.
Esta tecnologia aproveita o hábito dos usuários de confiar frequentemente em correspondências parciais de endereços ou no histórico da área de transferência ao enviar criptomoedas. Um estudo realizado em janeiro de 2025 descobriu que, entre 1 de julho de 2022 e 30 de junho de 2024, ocorreram mais de 270 milhões de tentativas de envenenamento de endereços na BNB Chain e no Ethereum. Destas, 6.000 tentativas foram bem-sucedidas, resultando em perdas superiores a 83 milhões de dólares.
O CTO da Trugard, Jeremiah O’Connor, disse à Cointelegraph que a sua equipa trouxe uma profunda experiência em cibersegurança do mundo Web2 e "aplicou-a aos dados Web3 desde os primeiros dias das criptomoedas". A equipa aplica a experiência em engenharia de características algorítmicas dos sistemas tradicionais ao Web3. Ele acrescentou:
"A maioria dos sistemas de deteção de ataques Web3 existentes depende de regras estáticas ou de filtragem básica de transações. Estes métodos muitas vezes não conseguem acompanhar as estratégias, técnicas e programas em constante evolução dos atacantes."
O sistema recém-desenvolvido usa aprendizado de máquina para criar um sistema que pode aprender e se adaptar para lidar com ataques de envenenamento. O'Connor enfatiza que seu sistema é único na medida em que "se concentra no contexto e no reconhecimento de padrões". Isogawa explica: "A IA pode detetar padrões que muitas vezes estão além do escopo da análise humana. ”
O’Connor afirmou que a Trugard gerou dados de treino sintéticos com IA para simular vários padrões de ataque. Em seguida, o modelo foi treinado através de aprendizagem supervisionada, um tipo de aprendizagem de máquina que treina o modelo em dados rotulados, incluindo variáveis de entrada e a saída correta.
Neste tipo de configuração, o objetivo é fazer com que o modelo aprenda a relação entre a entrada e a saída, a fim de prever a saída correta para novas entradas não vistas. Exemplos comuns incluem deteção de spam, classificação de imagens e previsão de preços.
O’Connor afirmou que, com o surgimento de novas estratégias, o modelo também será atualizado através de treinamento em novos dados. Ele disse: "O mais importante é que construímos uma camada de geração de dados sintéticos que nos permite testar continuamente o desempenho do modelo em cenários de toxicidade simulados. Isso é muito eficaz para ajudar o modelo a generalizar e a manter robustez a longo prazo."
Recomendações: Bold Technologies e My Aion lançam uma plataforma de IA para cidades inteligentes de 25 mil milhões de dólares