AI工具助你防止加密地址中毒攻擊

AI工具聲稱在防止「地址中毒」攻擊方面有效率達97%

加密貨幣網絡安全公司Trugard與鏈上信任協議Webacy合作，推出了一款基於機器學習的AI工具，專門用來檢測加密錢包的地址中毒攻擊，並聲稱其成功率高達97%。

根據5月21日發佈的公告，這款新工具是Webacy的加密決策工具的一部分，並「利用了一個經過監督的機器學習模型，該模型基於實時交易數據，結合鏈上分析、特徵工程和行為背景進行訓練」。

這款新工具據稱在已知的攻擊案例中測試過，成功率達97%。Webacy的聯合創始人Maika Isogawa表示：「地址中毒是一種最少被報導但卻代價高昂的詐騙手法，它利用了最簡單的假設：你所看到的就是你所得到的。」

地址中毒攻擊的運作方式

加密地址中毒是一種詐騙手法，攻擊者會從一個與目標真實地址相似的錢包地址發送少量加密貨幣，通常是相同的開頭和結尾字符。其目的是欺騙用戶在未來的交易中意外地複製並重用攻擊者的地址，導致資金損失。

這種技術利用了用戶在發送加密貨幣時，通常依賴部分地址匹配或剪貼簿歷史的習慣。根據2025年1月的一項研究，在2022年7月1日至2024年6月30日期間，BNB鏈和以太坊上發生了超過2.7億次的中毒嘗試，其中6000次成功，造成損失超過8300萬美元。

Web2安全在Web3世界的應用

Trugard的首席技術官Jeremiah O’Connor告訴Cointelegraph，團隊擁有來自Web2世界的深厚網絡安全專業知識，並自加密貨幣早期階段以來就將其應用於Web3數據。他表示：「大多數現有的Web3攻擊檢測系統依賴靜態規則或基礎交易過濾，這些方法往往無法跟上不斷演變的攻擊者戰術、技術和程序。」

新開發的系統則利用機器學習來創建一個能夠學習和適應地址中毒攻擊的系統。O’Connor強調，他們的系統的獨特之處在於「對上下文和模式識別的重視」。Isogawa解釋道：「AI能夠檢測到人類分析往往無法捕捉的模式。」

機器學習的應用

O’Connor表示，Trugard生成了合成訓練數據，以模擬各種攻擊模式，然後通過監督學習訓練模型，這是一種基於標記數據的機器學習方法，包括輸入變量和正確輸出。

在這種設置中，目標是讓模型學習輸入和輸出之間的關係，以預測新、未見過的輸入的正確輸出。常見的例子包括垃圾郵件檢測、圖像分類和價格預測。

O’Connor還表示，模型也會通過對新數據的訓練進行更新，以應對新策略的出現。他補充道：「最重要的是，我們建立了一個合成數據生成層，使我們能夠不斷測試模型在模擬中毒場景中的表現，這在幫助模型保持穩健性方面非常有效。」

這項技術的推出無疑將為加密貨幣領域的安全性帶來新的希望。隨著數字資產的普及，網絡安全問題日益嚴重，這種創新的AI解決方案不僅能提高用戶的安全性，還能促進整個行業的健康發展。這也提醒我們，隨著科技的進步，詐騙手法也在不斷演變，只有不斷更新防範措施，才能更好地保護我們的資產。

以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。