Nguồn: Cointelegraph
Nguyên văn: 《 Công cụ AI tuyên bố hiệu quả lên đến 97% trong việc ngăn chặn các cuộc tấn công "địa chỉ độc hại" 》
Công ty an ninh mạng tiền mã hóa Trugard đã phát triển một hệ thống dựa trên trí tuệ nhân tạo cùng với giao thức tin cậy trên chuỗi Webacy, nhằm phát hiện các cuộc tấn công độc hại vào địa chỉ ví tiền mã hóa.
Theo thông báo được chia sẻ với Cointelegraph vào ngày 21 tháng 5, công cụ mới này là một phần của công cụ quyết định tiền điện tử Webacy, "sử dụng mô hình máy học có giám sát, kết hợp dữ liệu giao dịch thời gian thực, phân tích trên chuỗi, kỹ thuật đặc trưng và ngữ cảnh hành vi để đào tạo."
Được cho là, công cụ mới này đã đạt tỷ lệ thành công lên tới 97% trong các trường hợp tấn công đã được biết đến. Maika Isogawa, đồng sáng lập Webacy cho biết: "Độc địa địa chỉ là một trong những trò lừa đảo trong lĩnh vực tiền điện tử ít được báo cáo nhưng gây thiệt hại lớn, nó lợi dụng giả định đơn giản nhất: những gì bạn thấy chính là những gì bạn nhận được."
Poisoning địa chỉ tiền điện tử là một trò lừa đảo trong đó kẻ tấn công gửi một lượng nhỏ tiền điện tử từ một địa chỉ ví gần giống với địa chỉ thực của mục tiêu, thường có cùng ký tự ở đầu và cuối địa chỉ. Mục đích của nó là lừa người dùng vô tình sao chép và sử dụng địa chỉ của kẻ tấn công trong các giao dịch trong tương lai, dẫn đến mất tiền.
Kỹ thuật này tận dụng thói quen của người dùng thường dựa vào đối sánh địa chỉ một phần hoặc lịch sử khay nhớ tạm khi gửi tiền điện tử. Một nghiên cứu vào tháng 1 năm 2025 cho thấy từ ngày 1 tháng 7 năm 2022 đến ngày 30 tháng 6 năm 2024, đã có hơn 270 triệu nỗ lực đầu độc địa chỉ trên BNB Chain và Ethereum. Trong số đó, 6.000 nỗ lực đã thành công, dẫn đến thiệt hại hơn 83 triệu đô la.
Giám đốc công nghệ của Trugard, Jeremiah O’Connor, đã nói với Cointelegraph rằng đội ngũ của họ mang đến kinh nghiệm chuyên môn về an ninh mạng sâu sắc từ thế giới Web2 và "đã áp dụng nó vào dữ liệu Web3 từ những ngày đầu của tiền mã hóa". Đội ngũ đã áp dụng kinh nghiệm về kỹ thuật đặc trưng thuật toán trong các hệ thống truyền thống vào Web3. Ông bổ sung:
"Hầu hết các hệ thống phát hiện tấn công Web3 hiện có đều dựa vào các quy tắc tĩnh hoặc lọc giao dịch cơ bản. Những phương pháp này thường không theo kịp các chiến lược, công nghệ và quy trình đang liên tục phát triển của kẻ tấn công."
Hệ thống mới phát triển đã sử dụng học máy để tạo ra một hệ thống có khả năng học hỏi và thích ứng với các cuộc tấn công từ địa chỉ độc hại. O’Connor nhấn mạnh rằng điều độc đáo của hệ thống của họ là "tập trung vào ngữ cảnh và nhận diện mẫu". Isogawa giải thích: "AI có thể phát hiện những mẫu thường vượt quá khả năng phân tích của con người."
O'Connor cho biết Trugard đã tạo ra dữ liệu đào tạo tổng hợp cho AI để mô phỏng các mô hình tấn công khác nhau. Sau đó, mô hình được đào tạo thông qua học có giám sát, là một loại máy học trong đó mô hình được đào tạo trên dữ liệu được gắn nhãn, bao gồm các biến đầu vào và đầu ra chính xác.
Trong cài đặt này, mục tiêu là để mô hình học mối quan hệ giữa đầu vào và đầu ra, nhằm dự đoán đầu ra đúng cho các đầu vào mới, chưa thấy. Các ví dụ phổ biến bao gồm phát hiện thư rác, phân loại hình ảnh và dự đoán giá.
O'Connor nói rằng khi các chính sách mới xuất hiện, mô hình cũng được cập nhật bằng cách đào tạo trên dữ liệu mới. "Quan trọng nhất, chúng tôi đã xây dựng một lớp tạo dữ liệu tổng hợp cho phép chúng tôi liên tục kiểm tra hiệu suất của mô hình so với các kịch bản ngộ độc mô phỏng", ông nói. Điều này rất hiệu quả trong việc giúp mô hình khái quát hóa và duy trì sức mạnh trong thời gian dài. ”
Các nội dung liên quan: Bold Technologies và My Aion ra mắt nền tảng AI thành phố thông minh trị giá 2,5 tỷ USD
Nội dung chỉ mang tính chất tham khảo, không phải là lời chào mời hay đề nghị. Không cung cấp tư vấn về đầu tư, thuế hoặc pháp lý. Xem Tuyên bố miễn trừ trách nhiệm để biết thêm thông tin về rủi ro.
Công cụ AI tuyên bố đạt hiệu quả 97% trong việc ngăn chặn các cuộc tấn công "Địa chỉ độc hại".
Nguồn: Cointelegraph Nguyên văn: 《 Công cụ AI tuyên bố hiệu quả lên đến 97% trong việc ngăn chặn các cuộc tấn công "địa chỉ độc hại" 》
Công ty an ninh mạng tiền mã hóa Trugard đã phát triển một hệ thống dựa trên trí tuệ nhân tạo cùng với giao thức tin cậy trên chuỗi Webacy, nhằm phát hiện các cuộc tấn công độc hại vào địa chỉ ví tiền mã hóa.
Theo thông báo được chia sẻ với Cointelegraph vào ngày 21 tháng 5, công cụ mới này là một phần của công cụ quyết định tiền điện tử Webacy, "sử dụng mô hình máy học có giám sát, kết hợp dữ liệu giao dịch thời gian thực, phân tích trên chuỗi, kỹ thuật đặc trưng và ngữ cảnh hành vi để đào tạo."
Được cho là, công cụ mới này đã đạt tỷ lệ thành công lên tới 97% trong các trường hợp tấn công đã được biết đến. Maika Isogawa, đồng sáng lập Webacy cho biết: "Độc địa địa chỉ là một trong những trò lừa đảo trong lĩnh vực tiền điện tử ít được báo cáo nhưng gây thiệt hại lớn, nó lợi dụng giả định đơn giản nhất: những gì bạn thấy chính là những gì bạn nhận được."
Poisoning địa chỉ tiền điện tử là một trò lừa đảo trong đó kẻ tấn công gửi một lượng nhỏ tiền điện tử từ một địa chỉ ví gần giống với địa chỉ thực của mục tiêu, thường có cùng ký tự ở đầu và cuối địa chỉ. Mục đích của nó là lừa người dùng vô tình sao chép và sử dụng địa chỉ của kẻ tấn công trong các giao dịch trong tương lai, dẫn đến mất tiền.
Kỹ thuật này tận dụng thói quen của người dùng thường dựa vào đối sánh địa chỉ một phần hoặc lịch sử khay nhớ tạm khi gửi tiền điện tử. Một nghiên cứu vào tháng 1 năm 2025 cho thấy từ ngày 1 tháng 7 năm 2022 đến ngày 30 tháng 6 năm 2024, đã có hơn 270 triệu nỗ lực đầu độc địa chỉ trên BNB Chain và Ethereum. Trong số đó, 6.000 nỗ lực đã thành công, dẫn đến thiệt hại hơn 83 triệu đô la.
Giám đốc công nghệ của Trugard, Jeremiah O’Connor, đã nói với Cointelegraph rằng đội ngũ của họ mang đến kinh nghiệm chuyên môn về an ninh mạng sâu sắc từ thế giới Web2 và "đã áp dụng nó vào dữ liệu Web3 từ những ngày đầu của tiền mã hóa". Đội ngũ đã áp dụng kinh nghiệm về kỹ thuật đặc trưng thuật toán trong các hệ thống truyền thống vào Web3. Ông bổ sung:
"Hầu hết các hệ thống phát hiện tấn công Web3 hiện có đều dựa vào các quy tắc tĩnh hoặc lọc giao dịch cơ bản. Những phương pháp này thường không theo kịp các chiến lược, công nghệ và quy trình đang liên tục phát triển của kẻ tấn công."
Hệ thống mới phát triển đã sử dụng học máy để tạo ra một hệ thống có khả năng học hỏi và thích ứng với các cuộc tấn công từ địa chỉ độc hại. O’Connor nhấn mạnh rằng điều độc đáo của hệ thống của họ là "tập trung vào ngữ cảnh và nhận diện mẫu". Isogawa giải thích: "AI có thể phát hiện những mẫu thường vượt quá khả năng phân tích của con người."
O'Connor cho biết Trugard đã tạo ra dữ liệu đào tạo tổng hợp cho AI để mô phỏng các mô hình tấn công khác nhau. Sau đó, mô hình được đào tạo thông qua học có giám sát, là một loại máy học trong đó mô hình được đào tạo trên dữ liệu được gắn nhãn, bao gồm các biến đầu vào và đầu ra chính xác.
Trong cài đặt này, mục tiêu là để mô hình học mối quan hệ giữa đầu vào và đầu ra, nhằm dự đoán đầu ra đúng cho các đầu vào mới, chưa thấy. Các ví dụ phổ biến bao gồm phát hiện thư rác, phân loại hình ảnh và dự đoán giá.
O'Connor nói rằng khi các chính sách mới xuất hiện, mô hình cũng được cập nhật bằng cách đào tạo trên dữ liệu mới. "Quan trọng nhất, chúng tôi đã xây dựng một lớp tạo dữ liệu tổng hợp cho phép chúng tôi liên tục kiểm tra hiệu suất của mô hình so với các kịch bản ngộ độc mô phỏng", ông nói. Điều này rất hiệu quả trong việc giúp mô hình khái quát hóa và duy trì sức mạnh trong thời gian dài. ”
Các nội dung liên quan: Bold Technologies và My Aion ra mắt nền tảng AI thành phố thông minh trị giá 2,5 tỷ USD