La societ\u00e0 di cybersecurity per criptovalute<\/strong> Trugard e il protocollo di fiducia on-chain Webacy<\/strong> hanno sviluppato un sistema basato su intelligenza artificiale<\/em> per rilevare il fenomeno del “poisoning<\/strong>” degli indirizzi dei wallet crypto. Secondo un annuncio del 21 maggio condiviso con Cointelegraph, il nuovo strumento fa parte degli strumenti decisionali crypto di Webacy e sfrutta un modello di machine learning supervisionato<\/strong>, addestrato su dati di transazioni dal vivo, insieme ad analisi on-chain, feature engineering e contesto comportamentale.<\/p>\n Il nuovo strumento vanta un tasso di successo del 97%<\/strong>, testato su casi di attacco noti. <\/p>\n “Il poisoning degli indirizzi \u00e8 una delle truffe pi\u00f9 sottovalutate ma costose nel mondo crypto, e si basa sull\u2019assunzione pi\u00f9 semplice: ci\u00f2 che vedi \u00e8 ci\u00f2 che ottieni,”<\/p><\/blockquote>\n ha dichiarato Maika Isogawa, co-fondatrice di Webacy.<\/p>\n Il poisoning degli indirizzi crypto \u00e8 una truffa in cui gli aggressori inviando piccole quantit\u00e0 di criptovaluta<\/strong> da un indirizzo wallet che somiglia molto a quello reale di un bersaglio, spesso con caratteri iniziali e finali simili. L\u2019obiettivo \u00e8 ingannare l’utente, facendogli accidentalmente copiare e riutilizzare l’indirizzo dell’aggressore<\/strong> in future transazioni, causando cos\u00ec la perdita di fondi. La tecnica sfrutta il modo in cui gli utenti spesso si basano su corrispondenze parziali<\/em> degli indirizzi o sulla cronologia degli appunti quando inviano criptovaluta.<\/p>\n Uno studio condotto nel gennaio 2025 ha rilevato che oltre 270 milioni di tentativi di poisoning<\/strong> sono avvenuti su BNB Chain ed Ethereum tra il 1\u00b0 luglio 2022 e il 30 giugno 2024. Di questi, 6.000 tentativi sono stati efficaci<\/strong>, con perdite superiori agli 83 milioni di dollari<\/strong>.<\/p>\n Il direttore tecnico di Trugard, Jeremiah O\u2019Connor, ha dichiarato a Cointelegraph che il team porta con s\u00e9 una profonda esperienza nella cybersecurity derivante dal mondo Web2, che hanno applicato ai dati Web3 sin dai primi giorni della crypto. O\u2019Connor ha aggiunto: <\/p>\n “La maggior parte dei sistemi esistenti di rilevamento degli attacchi Web3 si basa su regole statiche o sul filtraggio di transazioni di base. Questi metodi spesso rimangono indietro rispetto alle tattiche, tecniche e procedure degli aggressori che si evolvono nel tempo.”<\/p><\/blockquote>\n Il nuovo sistema sviluppato sfrutta invece il machine learning per creare un sistema che apprende e si adatta agli attacchi<\/strong> di address poisoning. O\u2019Connor ha sottolineato che ci\u00f2 che distingue il loro sistema \u00e8 l\u2019enfasi sul contesto e sul riconoscimento dei pattern<\/em>. Isogawa ha spiegato che l’AI pu\u00f2 rilevare pattern che spesso sono oltre la portata dell’analisi umana<\/em>.<\/p>\n O\u2019Connor ha dichiarato che Trugard ha generato dati di addestramento sintetici<\/strong> per l’AI per simulare vari pattern di attacco. Il modello \u00e8 stato addestrato attraverso il learning supervisionato, un tipo di machine learning<\/strong> in cui un modello \u00e8 addestrato su dati etichettati, includendo variabili di input e output corretti. In questa configurazione, l\u2019obiettivo \u00e8 che il modello apprenda la relazione tra input e output<\/strong>, in modo da prevedere il corretto output per nuovi input mai visti.<\/p>\n Esempi comuni includono il rilevamento di spam, la classificazione delle immagini e la previsione dei prezzi. O\u2019Connor ha aggiunto che il modello \u00e8 anche aggiornato attraverso l\u2019addestramento su nuovi dati<\/strong> man mano che emergono nuove strategie. <\/p>\n “Per completare, abbiamo costruito uno strato di generazione di dati sintetici che ci consente di testare continuamente il modello contro scenari di poisoning simulati,”<\/p><\/blockquote>\n ha affermato. <\/p>\n “Questo si \u00e8 rivelato incredibilmente efficace nell\u2019aiutare il modello a generalizzare e a rimanere robusto nel tempo.”<\/p><\/blockquote>\n","protected":false},"excerpt":{"rendered":" Trugard e Webacy: Nuovo Strumento di Cybersecurity La societ\u00e0 di cybersecurity per criptovalute Trugard e il protocollo di fiducia on-chain Webacy hanno sviluppato un sistema basato su intelligenza artificiale per rilevare il fenomeno del “poisoning” degli indirizzi dei wallet crypto. Secondo un annuncio del 21 maggio condiviso con Cointelegraph, il nuovo strumento fa parte degli strumenti decisionali crypto di Webacy e sfrutta un modello di machine learning supervisionato, addestrato su dati di transazioni dal vivo, insieme ad analisi on-chain, feature engineering e contesto comportamentale. Il nuovo strumento vanta un tasso di successo del 97%, testato su casi di attacco noti.<\/p>\n","protected":false},"author":3,"featured_media":4734,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[64],"tags":[11,344,13,65,490,221],"class_list":["post-4735","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-hack","tag-bitcoin","tag-bnb-chain","tag-ethereum","tag-hack","tag-web2","tag-web3"],"yoast_description":"Scopri come il sistema AI di Trugard e Webacy raggiunge un\u2019efficacia del 97% nel rilevare e prevenire gli attacchi di poisoning degli indirizzi crypto, una truffa costosa nel settore delle criptovalute.","_links":{"self":[{"href":"https:\/\/satoshibrother.com\/it\/wp-json\/wp\/v2\/posts\/4735","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/satoshibrother.com\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/satoshibrother.com\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/satoshibrother.com\/it\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/satoshibrother.com\/it\/wp-json\/wp\/v2\/comments?post=4735"}],"version-history":[{"count":0,"href":"https:\/\/satoshibrother.com\/it\/wp-json\/wp\/v2\/posts\/4735\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/satoshibrother.com\/it\/wp-json\/wp\/v2\/media\/4734"}],"wp:attachment":[{"href":"https:\/\/satoshibrother.com\/it\/wp-json\/wp\/v2\/media?parent=4735"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/satoshibrother.com\/it\/wp-json\/wp\/v2\/categories?post=4735"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/satoshibrother.com\/it\/wp-json\/wp\/v2\/tags?post=4735"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Il Fenomeno del Poisoning degli Indirizzi<\/h2>\n
Sicurezza Web2 in un Mondo Web3<\/h2>\n
L’Approccio di Machine Learning<\/h2>\n