Компании Trugard и Webacy, занимающиеся вопросами кибербезопасности в криптовалютной отрасли, объявили о создании продвинутой системы на основе искусственного интеллекта, способной выявлять случаи так называемого «отравления» криптокошельков.
Об этом сообщает издание Cointelegraph.
Разработанный инструмент основан на технологии контролируемого машинного обучения и обучен с применением данных о реальных транзакциях. В дополнение к этому используется ончейн-аналитика, анализ поведения пользователей и инженерия признаков - комплексный подход, позволяющий ИИ распознавать мошеннические действия с высокой степенью точности.
Тестирование системы показало эффективность на уровне 97% при обнаружении известных кибератак. Как поясняют разработчики, «отравление» адресов - одна из самых недооценённых, но эффективных схем криптомошенничества. Злоумышленники отправляют жертве символическую сумму с адреса, визуально очень похожего на настоящий. Чаще всего совпадают начальные и конечные символы кошелька - именно на них большинство пользователей обращает внимание при копировании адреса.
Мошенники рассчитывают на то, что пользователь, увидев знакомую комбинацию символов в истории транзакций, ошибочно выберет поддельный адрес и переведёт средства злоумышленнику. Эта схема особенно опасна в случаях, когда пользователь не проверяет адрес вручную, а просто вставляет его из предыдущих операций.
С июля 2022 по июнь 2024 года в сетях BNB Chain и Ethereum было зафиксировано более 270 миллионов попыток «отравления». Хотя лишь около 6000 атак завершились успешно, они принесли мошенникам более 83 миллионов долларов прибыли.
Маика Исогава, соосновательница Webacy, отметила, что суть атаки заключается в манипуляции вниманием.
"Люди видят знакомый адрес и верят, что это именно он. Мошенники используют это доверие", - объясняет она.
По словам технического директора Trugard Джеремайи О’Коннора, традиционные методы защиты, использующие статические фильтры, уже не справляются с постоянно меняющимися тактиками злоумышленников. Разработанная система позволяет адаптироваться к новым угрозам, выявляя закономерности, которые могут быть недоступны обычному человеку.
Чтобы повысить точность работы ИИ, команда дополнительно разработала синтетические данные, имитирующие разнообразные сценарии атак. Это позволило обучить нейросеть в условиях, максимально приближенных к реальности. Кроме того, система постоянно дообучается - по мере появления новых методов обмана.
О’Коннор добавил, что такой подход помогает обеспечивать долгосрочную надёжность модели и делает её гибкой к будущим вызовам.
Источник
Уникальность
