Trugard与Webacy推出了一款由机器学习驱动的AI工具，用于检测加密货币钱包地址毒害攻击，声称其成功率高达97%。

加密货币网络安全公司Trugard与链上信任协议Webacy共同开发了一款基于人工智能的系统，用于检测加密货币钱包地址毒害攻击。

根据5月21日与Cointelegraph分享的公告，这款新工具是Webacy加密决策工具的一部分，利用监督学习的机器学习模型，结合实时交易数据、链上分析、特征工程和行为上下文进行训练。

据称，这款新工具在已知的攻击案例中测试成功率高达97%。Webacy联合创始人Maika Isogawa表示：“地址毒害是加密货币领域中报告不足但损失巨大的骗局之一，它利用了最简单的假设：你看到的就是你得到的。”

加密货币地址毒害是一种骗局，攻击者从一个与目标真实地址极为相似的钱包地址发送少量加密货币，通常这些地址的开头和结尾字符相同。其目的是诱骗用户在未来交易中不小心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经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（Ethereum）上发生了超过2.7亿次地址毒害尝试。其中，6000次尝试成功，导致损失超过8300万美元。

Web3世界中的Web2安全

Trugard首席技术官Jeremiah O’Connor告诉Cointelegraph，他们团队将来自Web2世界的深厚网络安全专业知识引入Web3，并“从加密货币早期开始就将其应用于Web3数据”。该团队将传统系统中算法特征工程的经验应用于Web3。他补充道：

“大多数现有的Web3攻击检测系统依赖静态规则或基本的交易过滤。这些方法往往跟不上攻击者不断演变的策略、技术和程序。”

新开发的系统则利用机器学习创建了一个能够学习和适应地址毒害攻击的系统。O’Connor强调，他们系统的独特之处在于“注重上下文和模式识别”。Isogawa解释说：“AI可以检测到往往超出人类分析范围的模式。”

机器学习方法

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，即在有标签的数据上训练模型，输入变量和正确的输出。

在这种设置中，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。常见示例包括垃圾邮件检测、图像分类和价格预测。

O’Connor表示，随着新策略的出现，模型还会通过在新数据上训练进行更新。他说：“最重要的是，我们构建了一个合成数据生成层，让我们可以持续测试模型对模拟毒害场景的表现。这在帮助模型泛化和长期保持稳健方面非常有效。”

相关推荐：Bold Technologies与My Aion推出25亿美元智慧城市AI平台