加密货币安全公司推出AI钱包地址防毒系统
加密货币安全公司Trugard与链上信任协议Webacy近日联合开发了一套基于人工智能的加密货币钱包地址防毒检测系统。根据5月21日发布的公告,这一新工具是Webacy加密货币决策工具的一部分,它"利用了一个基于实时交易数据训练的监督学习模型,结合链上分析、特征工程和行为上下文"。
据称,该工具在已知攻击案例中的检测成功率高达97%。Webacy联合创始人Maika Isogawa表示:"地址投毒是加密货币领域最未被充分报道但损失最严重的骗局之一,它利用了最简单的假设:所见即所得。"
什么是加密货币地址投毒?
加密货币地址投毒是一种诈骗手段,攻击者会从一个与目标真实地址极其相似的钱包地址发送少量加密货币,通常这些地址具有相同的开头和结尾字符。其目的是诱使用户在未来的交易中误复制并使用攻击者的地址,从而导致资金损失。
这种技术利用了用户在发送加密货币时通常依赖部分地址匹配或剪贴板历史的习惯。2025年1月的一项研究发现,在2022年7月1日至2024年6月30日期间,BNB链和以太坊上发生了超过2.7亿次投毒尝试。其中,6000次尝试成功,导致损失超过8300万美元。
Web2安全经验赋能Web3
Trugard首席技术官Jeremiah O'Connor表示,团队带来了深厚的Web2网络安全专业知识,并"从加密货币早期就开始将其应用于Web3数据"。团队正在将传统系统中的算法特征工程经验应用于Web3领域。
他补充道:"大多数现有的Web3攻击检测系统依赖于静态规则或基本交易过滤。这些方法往往跟不上攻击者不断变化的策略、技术和程序。"
新开发的系统利用机器学习创建了一个能够学习和适应地址投毒攻击的系统。O'Connor强调,他们的系统与众不同之处在于"其对上下文和模式识别的重视"。Isogawa解释说:"人工智能可以检测到通常超出人类分析能力的模式。"
机器学习方法的应用
O'Connor表示,Trugard为AI生成了合成训练数据,以模拟各种攻击模式。然后通过监督学习对模型进行训练,这是一种机器学习方法,模型在标记数据上进行训练,包括输入变量和正确输出。
在这种设置下,目标是让模型学习输入和输出之间的关系,以预测新的、未见过的输入的正确输出。常见的例子包括垃圾邮件检测、图像分类和价格预测。
O'Connor表示,随着新策略的出现,模型也会通过新数据进行更新训练。"最重要的是,我们构建了一个合成数据生成层,使我们能够持续针对模拟投毒场景测试模型,"他说,"这已被证明在帮助模型进行泛化和保持长期稳健性方面非常有效。"