Theo Cointelegraph, công ty an ninh mạng tiền điện tử Trugard và giao thức tin cậy trên chuỗi Webacy đã giới thiệu một hệ thống dựa trên trí tuệ nhân tạo được thiết kế để phát hiện đầu độc địa chỉ ví tiền điện tử. Được công bố vào ngày 21 tháng 5, công cụ này là một phần trong bộ công cụ ra quyết định tiền điện tử của Webacy và sử dụng mô hình học máy có giám sát. Mô hình này được đào tạo trên dữ liệu giao dịch trực tiếp, kết hợp với phân tích trên chuỗi, kỹ thuật tính năng và bối cảnh hành vi để nâng cao hiệu quả của nó.
Công cụ này được báo cáo là đạt tỷ lệ thành công 97%, đã được thử nghiệm trên nhiều kịch bản tấn công đã biết. Đồng sáng lập Webacy Maika Isogawa nhấn mạnh rằng đầu độc địa chỉ là một vụ lừa đảo đáng kể nhưng chưa được báo cáo đầy đủ trong thế giới tiền điện tử. Vụ lừa đảo này liên quan đến việc kẻ tấn công gửi một lượng nhỏ tiền điện tử từ một địa chỉ ví rất giống với địa chỉ thực của mục tiêu, thường có các ký tự bắt đầu và kết thúc tương tự. Mục đích là lừa người dùng sao chép và sử dụng nhầm địa chỉ của kẻ tấn công trong các giao dịch trong tương lai, dẫn đến tổn thất tài chính. Một nghiên cứu được thực hiện vào tháng 1 năm 2025 cho thấy hơn 270 triệu nỗ lực đầu độc đã xảy ra trên BNB Chain và Ethereum từ tháng 7 năm 2022 đến tháng 6 năm 2024, với 6.000 nỗ lực thành công dẫn đến tổn thất vượt quá 83 triệu đô la.
Giám đốc công nghệ của Trugard, Jeremiah O’Connor, giải thích rằng nhóm áp dụng chuyên môn an ninh mạng sâu rộng của mình từ miền Web2 vào dữ liệu Web3. Kinh nghiệm này bao gồm kỹ thuật tính năng thuật toán từ các hệ thống truyền thống, mà họ đã điều chỉnh cho Web3. O’Connor lưu ý rằng hầu hết các hệ thống phát hiện tấn công Web3 hiện có đều dựa trên các quy tắc tĩnh hoặc lọc giao dịch cơ bản, thường chậm hơn so với các chiến thuật tấn công đang phát triển. Tuy nhiên, hệ thống mới phát triển này sử dụng máy học để tạo ra một hệ thống động có khả năng học hỏi và thích ứng để giải quyết các cuộc tấn công đầu độc. O’Connor nhấn mạnh trọng tâm của hệ thống vào nhận dạng ngữ cảnh và mẫu, trong khi Isogawa chỉ ra rằng AI có thể phát hiện các mẫu vượt quá khả năng phân tích của con người.
Phương pháp học máy liên quan đến việc tạo dữ liệu đào tạo tổng hợp để mô phỏng nhiều kiểu tấn công khác nhau. Mô hình được đào tạo thông qua học có giám sát, trong đó nó học được mối quan hệ giữa các biến đầu vào và đầu ra chính xác. Phương pháp này thường được sử dụng trong các ứng dụng như phát hiện thư rác, phân loại hình ảnh và dự đoán giá. O’Connor đề cập rằng mô hình liên tục được cập nhật dữ liệu mới khi các chiến lược mới xuất hiện. Ngoài ra, một lớp tạo dữ liệu tổng hợp đã được phát triển để kiểm tra mô hình với các tình huống đầu độc được mô phỏng, chứng minh hiệu quả trong việc giúp mô hình khái quát hóa và duy trì tính mạnh mẽ theo thời gian.
