ابزار هوش مصنوعی با 97% کارایی در جلوگیری از حملات مسمومیت آدرس

ابزار هوش مصنوعی با کارایی 97% در پیشگیری از حملات «تسمه آدرس»

حملات تسمه آدرس در دنیای ارزهای دیجیتال یکی از روش‌های کلاهبرداری است که می‌تواند به سادگی کاربران را فریب دهد. این تکنیک به نحوی طراحی شده است که کاربران به طور ناخودآگاه از آدرس‌های تقلبی استفاده کنند و به این ترتیب، دارایی‌های خود را از دست بدهند. بر اساس مطالعه‌ای که در ژانویه 2025 منتشر شد، بیش از 270 میلیون تلاش برای تسمه آدرس در زنجیره‌ی BNB و اتریوم بین 1 ژوئیه 2022 و 30 ژوئن 2024 ثبت شده است. در این میان، 6000 تلاش موفق به سرقت بیش از 83 میلیون دلار منجر شده است.

حملات تسمه آدرس: چگونه کار می‌کنند؟

این نوع کلاهبرداری با ارسال مقادیر کمی از ارز دیجیتال از یک آدرس که به طور ظاهری به آدرس واقعی کاربر نزدیک است، انجام می‌شود. معمولاً، کلاهبرداران آدرس‌های خود را به گونه‌ای طراحی می‌کنند که شامل حروف ابتدایی و انتهایی یکسان با آدرس هدف باشد. هدف اصلی آن‌ها این است که کاربر را فریب دهند تا آدرس کلاهبردار را در تراکنش‌های آینده کپی و استفاده کند، که در نهایت منجر به از دست دادن دارایی‌ها می‌شود.

ابزار جدید Webacy: یک راه‌حل هوش مصنوعی

ابزار جدیدی که به تازگی توسط شرکت‌های Trugard و Webacy توسعه یافته است، یک سیستم مبتنی بر هوش مصنوعی برای شناسایی حملات تسمه آدرس در کیف پول‌های ارز دیجیتال است. طبق اعلام وبسایت Cointelegraph، این ابزار دارای نرخ موفقیت 97% بوده و بر اساس داده‌های زنده تراکنش‌ها و تجزیه و تحلیل‌های زنجیره‌ای آموزش دیده است.

تجربه امنیتی از دنیای Web2 به Web3

جرمی اوکانر، مدیر ارشد فناوری Trugard، به Cointelegraph گفت که تیم آن‌ها دارای تجربه عمیق امنیت سایبری از دنیای Web2 است و این تجربه را از روزهای اولیه ارزهای دیجیتال به داده‌های Web3 منتقل کرده‌اند. او گفت: “اکثر سیستم‌های تشخیص حملات Web3 بر اساس قوانین ثابت یا فیلترهای ابتدایی تراکنش‌ها عمل می‌کنند. این روش‌ها معمولاً در برابر تاکتیک‌ها و تکنیک‌های در حال تغییر کلاهبرداران ناکارآمد هستند.”

روش هوش مصنوعی: یادگیری و انطباق

اوکانر توضیح داد که تیم Trugard داده‌های آموزشی مصنوعی را برای شبیه‌سازی الگوهای مختلف حمله تولید کرده است. سپس مدل با استفاده از یادگیری نظارت شده، که نوعی از یادگیری ماشین است، آموزش دیده است. در این فرآیند، هدف این است که مدل یاد بگیرد چگونه ورودی‌ها و خروجی‌ها را به یکدیگر مرتبط کند تا بتواند خروجی صحیح را برای ورودی‌های جدید پیش‌بینی کند.

چالش‌های جدید و راه‌حل‌های نوآورانه

به‌علاوه، اوکانر گفت که مدل به‌طور مداوم با داده‌های جدید به‌روزرسانی می‌شود تا با ظهور استراتژی‌های جدید، انطباق یابد. “ما همچنین لایه‌ای از تولید داده‌های مصنوعی ایجاد کرده‌ایم که به ما اجازه می‌دهد مدل را در برابر سناریوهای شبیه‌سازی شده از حملات تسمه آدرس به‌طور مداوم آزمایش کنیم.” این روش به مدل کمک کرده تا عمومی‌تر و مقاوم‌تر باقی بماند.

نتیجه‌گیری: آینده‌ای امن‌تر برای کاربران ارز دیجیتال

با توجه به افزایش حملات کلاهبرداری در دنیای ارزهای دیجیتال، ابزارهای هوش مصنوعی مانند سیستم جدید Webacy می‌توانند به کاربران در شناسایی و جلوگیری از این نوع کلاهبرداری‌ها کمک کنند. با بهره‌گیری از تکنولوژی‌های نوین و یادگیری ماشین، این ابزارها می‌توانند به کاربران اطمینان بیشتری در انجام تراکنش‌های خود بدهند و به این ترتیب، امنیت بیشتری برای دارایی‌های دیجیتال فراهم کنند.