.jpeg)
在加密货币安全方面的一项重要进展中，Trugard 和 Webacy 揭示了一种基于人工智能的系统，声称能够以惊人的 97% 效率防止地址中毒攻击。这一创新工具旨在保护用户免受加密领域最阴险的骗局之一的侵害，该骗局利用用户行为来窃取资金。
关键要点
-
人工智能效率: 该新工具在检测地址中毒攻击方面的成功率高达 97%。
-
攻击性质: 地址中毒涉及攻击者从与目标真实地址非常相似的地址发送少量加密货币。
-
机器学习: 该系统利用监督机器学习来适应和学习不断演变的攻击模式。
-
历史背景: 在 BNB 链和以太坊上记录了超过 2.7 亿次中毒尝试，造成了重大经济损失。
理解地址中毒攻击
地址中毒是一种欺骗性策略，攻击者从一个与受害者实际地址非常相似的钱包地址发送少量加密货币。这种欺骗旨在混淆用户，使其在未来交易中复制错误的地址，从而导致意外损失。
在 2022 年 7 月至 2024 年 6 月之间进行的一项研究显示，在主要区块链网络上发生了超过 2.7 亿次地址中毒尝试，其中约 6,000 次成功攻击导致损失超过 8300 万美元。这一令人震惊的统计数据突显了加密生态系统中需要强大安全措施的必要性。
人工智能在网络安全中的作用
新开发的人工智能工具是 Webacy 加密决策工具套件的一部分。它采用监督机器学习模型，基于实时交易数据、链上分析和行为上下文进行训练。这种方法使系统能够检测人类分析师可能忽视的模式。
Trugard 的首席技术官 Jeremiah O’Connor 强调了上下文和模式识别在其人工智能系统中的重要性。与传统的 Web3 安全措施通常依赖静态规则不同，这种人工智能工具能够适应新的攻击策略，使其成为对抗不断演变威胁的强大防御。
机器学习方法论
该人工智能系统采用了一种复杂的机器学习方法开发：
-
合成数据生成: Trugard 创建了合成训练数据，以模拟各种攻击模式。
-
监督学习: 该模型在标记数据上进行训练，使其能够学习输入（交易数据）与输出（成功检测中毒尝试）之间的关系。
-
持续学习: 该模型定期更新新数据，以适应新出现的攻击策略，确保其长期有效性。
O’Connor 指出，针对模拟中毒场景的持续测试在保持模型的稳健性和准确性方面是非常宝贵的。
结论
随着加密货币的持续发展，地址中毒攻击的威胁仍然是用户面临的一个关键问题。Trugard 和 Webacy 推出的这一人工智能工具代表了对抗这些骗局的重要一步。凭借其令人印象深刻的效率和自适应学习能力，这项技术可能会重新定义加密领域的安全标准，为用户提供更大的交易信心。
来源
-
人工智能工具声称在防止“地址中毒”攻击方面具有 97% 的效率, Cointelegraph.
本文借助人工智能技术支持，参考多个权威来源编写而成。最终内容已由BlockzHub编辑团队进行全面审查和编辑，以确保准确性、清晰度和连贯性。原始报道来源在适当且必要时均予以注明。本文中表达的观点不一定代表BlockzHub的官方立场或观点。本文仅供信息参考，不应被视为财务或专业建议。投资涉及风险，在做出任何投资决策之前，您应咨询合格的财务顾问。