ابزار جدید AI برای شناسایی آدرس‌های جعلی ارز دیجیتال

شرکت امنیت سایبری Trugard و پروتکل اعتماد Webacy ابزار جدیدی مبتنی بر هوش مصنوعی برای شناسایی مسمومیت آدرس کیف پول ارز دیجیتال توسعه داده‌اند.

این ابزار جدید، موفقیتی ۹۷ درصدی را در آزمایش‌های انجام شده در میان موارد حملات شناخته‌شده ثبت کرده است. "مسمومیت آدرس یکی از کلاهبرداری‌هایی است که کمتر گزارش شده است، اما هزینه‌های زیادی را در دنیای ارز دیجیتال به همراه دارد. این کلاهبرداری بر پایه یک فرض ساده است: اینکه چیزی که می‌بینید همان چیزی است که دریافت می‌کنید." این گفته مشترک از بنیان‌گذار Webacy، مایکا ایساگاوا، است.

کلاهبرداری مسمومیت آدرس چیست؟

کلاهبرداری مسمومیت آدرس شیوه‌ای است که در آن مهاجمان مقادیر کمی از ارز دیجیتال را از یک آدرس کیف پول ارسال می‌کنند که شبیه به آدرس واقعی هدف است، معمولاً با کاراکترهای مشابه در ابتدا و انتها. هدف این است که کاربر را برای کپی و استفاده دوباره از آدرس مهاجم در تراکنش‌های آینده فریب دهند، که می‌تواند منجر به از دست رفتن وجوه گردد.

این تکنیک از اعتماد کاربران به تطابق جزئی آدرس یا تاریخچه کلیپ‌بورد بهره‌برداری می‌کند. مطالعه‌ای در ژانویه ۲۰۲۵ نشان داد که بیش از ۲۷۰ میلیون تلاش برای مسمومیت در شبکه BNB و اتریوم بین ۱ جولای ۲۰۲۲ و ۳۰ ژوئن ۲۰۲۴ انجام شده است که از این تعداد ۶۰۰۰ تلاش موفق بوده و به از دست رفتن بیش از ۸۳ میلیون دلار انجامیده است.

تجربه امنیت وب۲ در دنیای وب۳

جرمایا اوکانر، مدیر فناوری Trugard، به کوین تلگراف گفت که تیمشان تجربه گسترده‌ای در امنیت سایبری دنیای وب۲ دارد که این تخصص را از دوران ابتدایی ارز دیجیتال به داده‌های وب۳ اعمال کرده‌اند. تیم این شرکت از تجربه خود در مهندسی ویژگی الگوریتمی برای سیستم‌های سنتی در وب۳ استفاده می‌کند. او افزود:

"اکثر سیستم‌های شناسایی حملات وب۳ موجود به قوانین ثابت یا فیلترکردن تراکنش‌های پایه متکی هستند. این روش‌ها اغلب از تکنیک‌ها و تاکتیک‌های حمل‌کنندگانی که تکامل می‌یابند، عقب می‌مانند."

روش‌های یادگیری ماشینی

اوکانر گفت که Trugard داده‌های آموزشی مصنوعی برای هوش مصنوعی تولید کرده تا الگوهای مختلف حمله را شبیه سازی کند. سپس مدل از طریق یادگیری نظارت‌شده، که نوعی از یادگیری ماشینی است که در آن مدل روی داده‌های برچسب‌دار شامل متغیرهای ورودی و خروجی درست آموزش داده می‌شود، آموزش داده شد.

در چنین شرایطی، هدف آن است که مدل رابطه بین ورودی‌ها و خروجی‌ها را بیاموزد تا خروجی درست را برای ورودی‌های جدید پیش‌بینی کند. نمونه‌های رایج شامل شناسایی هرزنامه، طبقه‌بندی تصاویر و پیش‌بینی قیمت هستند.

اوکانر گفت که مدل بر اساس داده‌های جدید و استراتژی‌های نوظهور به‌روزرسانی می‌شود. "برای تکمیل این فرآیند، ما لایه‌ای برای تولید داده‌های مصنوعی ایجاد کرده‌ایم که به ما اجازه می‌دهد مدل را به طور مداوم در برابر سناریوهای شبیه‌سازی شده مسموم‌سازی امتحان کنیم." او افزود: "این امر در کمک به تعمیم‌دهی و پایداری مدل تاثیر چشم‌گیری داشته است."