De acordo com o Cointelegraph, a empresa de segurança cibernética de criptomoedas Trugard e o protocolo de confiança onchain Webacy introduziram um sistema baseado em inteligência artificial projetado para detectar envenenamento de endereços de carteiras de criptomoedas. Anunciada em 21 de maio, essa ferramenta faz parte do conjunto de ferramentas de tomada de decisão em criptomoedas da Webacy e utiliza um modelo de aprendizado de máquina supervisionado. O modelo é treinado com dados de transações em tempo real, combinados com análises onchain, engenharia de recursos e contexto comportamental para aprimorar sua eficácia.
A ferramenta supostamente atinge uma taxa de sucesso de 97%, tendo sido testada em vários cenários de ataque conhecidos. Maika Isogawa, cofundadora da Webacy, destacou que o envenenamento de endereços é um golpe significativo, porém subnotificado, no mundo das criptomoedas. Esse golpe envolve invasores enviando pequenas quantias de criptomoedas de um endereço de carteira que se assemelha muito ao endereço real do alvo, geralmente com caracteres iniciais e finais semelhantes. O objetivo é enganar os usuários, fazendo-os copiar e usar erroneamente o endereço do invasor em transações futuras, resultando em perdas financeiras. Um estudo realizado em janeiro de 2025 revelou que mais de 270 milhões de tentativas de envenenamento ocorreram na BNB Chain e na Ethereum entre julho de 2022 e junho de 2024, com 6.000 tentativas bem-sucedidas resultando em perdas superiores a US$ 83 milhões.
O diretor de tecnologia da Trugard, Jeremiah O’Connor, explicou que a equipe aplica sua vasta experiência em segurança cibernética do domínio Web2 aos dados Web3. Essa experiência inclui engenharia de recursos algorítmicos de sistemas tradicionais, que eles adaptaram para Web3. O’Connor observou que a maioria dos sistemas de detecção de ataques Web3 existentes depende de regras estáticas ou filtragem básica de transações, que frequentemente ficam para trás em relação às táticas de ataque em evolução. O sistema recém-desenvolvido, no entanto, emprega aprendizado de máquina para criar um sistema dinâmico que aprende e se adapta para lidar com ataques de envenenamento. O’Connor enfatizou o foco do sistema em contexto e reconhecimento de padrões, enquanto Isogawa destacou que a IA pode detectar padrões além das capacidades analíticas humanas.
A abordagem de aprendizado de máquina envolve a geração de dados de treinamento sintéticos para simular diversos padrões de ataque. O modelo é treinado por meio de aprendizado supervisionado, onde aprende a relação entre as variáveis de entrada e a saída correta. Esse método é comumente usado em aplicações como detecção de spam, classificação de imagens e previsão de preços. O'Connor mencionou que o modelo é continuamente atualizado com novos dados à medida que novas estratégias surgem. Além disso, uma camada de geração de dados sintéticos foi desenvolvida para testar o modelo em cenários simulados de envenenamento, mostrando-se eficaz em ajudar o modelo a generalizar e permanecer robusto ao longo do tempo.
