כלי מתקדם למניעת הרעלות כתובת בקריפטו
ציטוט מ מערכת האתר ב 21/05/2025, 14:03חברות אבטחת הסייבר, טרוגארד ופרוטוקול האמון וובאקי, פתחו מערכת מבוססת בינה מלאכותית לזיהוי והגנה מפני מתקפות "הרעלת כתובות" בארנקים דיגיטליים. בהודעה שפורסמה לקוינטלגרף ב-21 במאי, נאמר כי הכלי מהווה חלק מכלי קבלת ההחלטות של וובאקי ומשתמש במודל לימוד מכונה מתקדם. המודל אומן על נתוני עסקאות בזמן אמת ומנותח בשילוב עם ניתוחים בשטח, מה שהוביל לציון הצלחה מרשים של 97%. מייקה איסוגאווה, מייסדת שותפה של וובאקי, ציינה כי הרעלת כתובות היא הונאת קריפטו יקרה שנשענת על פשוטות מטעה.
הרעלת כתובות בקריפטו היא הונאה במסגרתה תוקפים שולחים כמויות קטנות של מטבעות דיגיטליים מארנק הדומה לכתובת הקורבן כדי להטעות את המשתמש לשימוש מוטעה בפרטי התוקף. מחקר מינואר 2025 הצביע על יותר מ-270 מיליון ניסיונות הרעלה, מתוכם 6,000 הצליחו והסבו הפסדים של מעל 83 מיליון דולר.
ג'רמיה אוקונור, מנהל הטכנולוגיה הראשי של טרוגארד, הסביר כי הצוות משלב את מומחיותו מאבטחת סייבר בעולמות ה-Web2 ל-Web3, מה שמעניק להם יתרון בזיהוי דפוסים. הוא הדגיש שהמערכת מבוססת על לימוד מכונה, המשתמשת בדפוסים התנהגותיים כדי לזהות מתקפות.
טרוגארד יצרה נתוני אימון סינתטיים כדי לדמות דפוסי מתקפה שונים. המודל מתעדכן כל העת כדי להישאר מעודכן מול תרחישים חדשים. אוקונור ציין שהשימוש בנתונים סינתטיים משמעותי ביצירת מערכת חסונה ויציבה לאורך זמן.
חברות אבטחת הסייבר, טרוגארד ופרוטוקול האמון וובאקי, פתחו מערכת מבוססת בינה מלאכותית לזיהוי והגנה מפני מתקפות "הרעלת כתובות" בארנקים דיגיטליים. בהודעה שפורסמה לקוינטלגרף ב-21 במאי, נאמר כי הכלי מהווה חלק מכלי קבלת ההחלטות של וובאקי ומשתמש במודל לימוד מכונה מתקדם. המודל אומן על נתוני עסקאות בזמן אמת ומנותח בשילוב עם ניתוחים בשטח, מה שהוביל לציון הצלחה מרשים של 97%. מייקה איסוגאווה, מייסדת שותפה של וובאקי, ציינה כי הרעלת כתובות היא הונאת קריפטו יקרה שנשענת על פשוטות מטעה.
הרעלת כתובות בקריפטו היא הונאה במסגרתה תוקפים שולחים כמויות קטנות של מטבעות דיגיטליים מארנק הדומה לכתובת הקורבן כדי להטעות את המשתמש לשימוש מוטעה בפרטי התוקף. מחקר מינואר 2025 הצביע על יותר מ-270 מיליון ניסיונות הרעלה, מתוכם 6,000 הצליחו והסבו הפסדים של מעל 83 מיליון דולר.
ג'רמיה אוקונור, מנהל הטכנולוגיה הראשי של טרוגארד, הסביר כי הצוות משלב את מומחיותו מאבטחת סייבר בעולמות ה-Web2 ל-Web3, מה שמעניק להם יתרון בזיהוי דפוסים. הוא הדגיש שהמערכת מבוססת על לימוד מכונה, המשתמשת בדפוסים התנהגותיים כדי לזהות מתקפות.
טרוגארד יצרה נתוני אימון סינתטיים כדי לדמות דפוסי מתקפה שונים. המודל מתעדכן כל העת כדי להישאר מעודכן מול תרחישים חדשים. אוקונור ציין שהשימוש בנתונים סינתטיים משמעותי ביצירת מערכת חסונה ויציבה לאורך זמן.