Источник: Cointelegraph
Исходный текст: «Инструменты ИИ утверждают, что эффективность в предотвращении атак «отравления адресов» составляет 97%»
Криптовалютная компания Trugard в области сетевой безопасности совместно с протоколом доверия Webacy разработала систему на основе искусственного интеллекта для обнаружения атак на адреса кошельков криптовалют.
Согласно объявлению, представленному Cointelegraph 21 мая, этот новый инструмент является частью инструмента крипто-решений Webacy, который "использует модели машинного обучения с контролем, обученные на основе данных о реальных сделках, анализа в цепочке, инжиниринга признаков и контекста поведения."
Говорят, что новый инструмент был протестирован с вероятностью 97% успеха в известных случаях атак. Майка Исогава, соучредитель Webacy, сказала: «Отравление адресов — это одно из малоизвестных, но чрезвычайно дорогостоящих мошенничеств в криптовалютном пространстве, которое использует простейшее предположение: что вы видите, то и получаете. ”
Порча адреса криптовалюты – это мошенничество, при котором злоумышленник отправляет небольшое количество криптовалюты с адреса кошелька, который очень похож на настоящий адрес цели. Обычно первые и последние символы таких адресов совпадают. Цель состоит в том, чтобы обмануть пользователя и заставить его случайно скопировать и использовать адрес злоумышленника в будущих транзакциях, что приведет к потере средств.
Этот метод использует привычку пользователей, которые часто полагаются на частичное совпадение адресов или историю буфера обмена при отправке криптовалюты. Исследование, проведенное в январе 2025 года, показало, что в период с 1 июля 2022 года по 30 июня 2024 года было совершено более 270 миллионов попыток отравления адресов в BNB Chain и Ethereum. Из них 6 000 попыток были успешными, что привело к убыткам на сумму более 83 миллионов долларов.
Главный технологический директор Trugard Джеремайя О’Коннор рассказал Cointelegraph, что их команда обладает глубокими знаниями в области сетевой безопасности из мира Web2 и "применяла их к данным Web3 с самого начала криптовалют". Команда применяет опыт алгоритмической инженерии признаков из традиционных систем к Web3. Он добавил:
«Большинство существующих систем обнаружения атак Web3 полагаются на статические правила или базовую фильтрацию транзакций. Эти методы часто не успевают за постоянно развивающимися стратегиями, технологиями и процедурами атакующих.»
Новая разработанная система использует машинное обучение для создания системы, способной учиться и адаптироваться к атакам на адреса. О'Коннор подчеркивает, что уникальность их системы заключается в "акценте на контексте и распознавании шаблонов". Исогава объясняет: "ИИ может выявлять шаблоны, которые часто выходят за рамки человеческого анализа."
О’Коннор заявил, что Trugard создал синтетические обучающие данные для AI, чтобы смоделировать различные модели атак. Затем модель обучалась с помощью обучения с учителем, что является типом машинного обучения, при котором модель обучается на размеченных данных, включая входные переменные и правильный выход.
В этой настройке цель состоит в том, чтобы модель обучилась взаимосвязи между входными и выходными данными для предсказания правильного выхода для новых, невидимых входов. Распространенные примеры включают обнаружение спама, классификацию изображений и прогнозирование цен.
О’Коннор заявил, что с появлением новых стратегий модель будет обновляться за счет обучения на новых данных. Он сказал: "Самое важное, что мы создали слой генерации синтетических данных, который позволяет нам постоянно тестировать модель на симулированных токсичных сценариях. Это очень эффективно помогает модели обобщать и поддерживать устойчивость в долгосрочной перспективе."
Связанные темы: Bold Technologies и My Aion запустили платформу AI для умных городов на 25 миллиардов долларов
Содержание носит исключительно справочный характер и не является предложением или офертой. Консультации по инвестициям, налогообложению или юридическим вопросам не предоставляются. Более подробную информацию о рисках см. в разделе «Дисклеймер».
Инструменты ИИ утверждают, что они эффективны на 97% в предотвращении атак «Адресного отравления».
Источник: Cointelegraph Исходный текст: «Инструменты ИИ утверждают, что эффективность в предотвращении атак «отравления адресов» составляет 97%»
Криптовалютная компания Trugard в области сетевой безопасности совместно с протоколом доверия Webacy разработала систему на основе искусственного интеллекта для обнаружения атак на адреса кошельков криптовалют.
Согласно объявлению, представленному Cointelegraph 21 мая, этот новый инструмент является частью инструмента крипто-решений Webacy, который "использует модели машинного обучения с контролем, обученные на основе данных о реальных сделках, анализа в цепочке, инжиниринга признаков и контекста поведения."
Говорят, что новый инструмент был протестирован с вероятностью 97% успеха в известных случаях атак. Майка Исогава, соучредитель Webacy, сказала: «Отравление адресов — это одно из малоизвестных, но чрезвычайно дорогостоящих мошенничеств в криптовалютном пространстве, которое использует простейшее предположение: что вы видите, то и получаете. ”
Порча адреса криптовалюты – это мошенничество, при котором злоумышленник отправляет небольшое количество криптовалюты с адреса кошелька, который очень похож на настоящий адрес цели. Обычно первые и последние символы таких адресов совпадают. Цель состоит в том, чтобы обмануть пользователя и заставить его случайно скопировать и использовать адрес злоумышленника в будущих транзакциях, что приведет к потере средств.
Этот метод использует привычку пользователей, которые часто полагаются на частичное совпадение адресов или историю буфера обмена при отправке криптовалюты. Исследование, проведенное в январе 2025 года, показало, что в период с 1 июля 2022 года по 30 июня 2024 года было совершено более 270 миллионов попыток отравления адресов в BNB Chain и Ethereum. Из них 6 000 попыток были успешными, что привело к убыткам на сумму более 83 миллионов долларов.
Главный технологический директор Trugard Джеремайя О’Коннор рассказал Cointelegraph, что их команда обладает глубокими знаниями в области сетевой безопасности из мира Web2 и "применяла их к данным Web3 с самого начала криптовалют". Команда применяет опыт алгоритмической инженерии признаков из традиционных систем к Web3. Он добавил:
«Большинство существующих систем обнаружения атак Web3 полагаются на статические правила или базовую фильтрацию транзакций. Эти методы часто не успевают за постоянно развивающимися стратегиями, технологиями и процедурами атакующих.»
Новая разработанная система использует машинное обучение для создания системы, способной учиться и адаптироваться к атакам на адреса. О'Коннор подчеркивает, что уникальность их системы заключается в "акценте на контексте и распознавании шаблонов". Исогава объясняет: "ИИ может выявлять шаблоны, которые часто выходят за рамки человеческого анализа."
О’Коннор заявил, что Trugard создал синтетические обучающие данные для AI, чтобы смоделировать различные модели атак. Затем модель обучалась с помощью обучения с учителем, что является типом машинного обучения, при котором модель обучается на размеченных данных, включая входные переменные и правильный выход.
В этой настройке цель состоит в том, чтобы модель обучилась взаимосвязи между входными и выходными данными для предсказания правильного выхода для новых, невидимых входов. Распространенные примеры включают обнаружение спама, классификацию изображений и прогнозирование цен.
О’Коннор заявил, что с появлением новых стратегий модель будет обновляться за счет обучения на новых данных. Он сказал: "Самое важное, что мы создали слой генерации синтетических данных, который позволяет нам постоянно тестировать модель на симулированных токсичных сценариях. Это очень эффективно помогает модели обобщать и поддерживать устойчивость в долгосрочной перспективе."
Связанные темы: Bold Technologies и My Aion запустили платформу AI для умных городов на 25 миллиардов долларов