Maschinelles Lernen – die beste Möglichkeit, Web3 vor Exploits zu schützen

Es ist kein Geheimnis, dass kryptozentrische Datenschutzverletzungen in letzter Zeit stark zugenommen haben, und dieser Trend dürfte in absehbarer Zukunft noch zunehmen, insbesondere da Cyberkriminelle immer ausgefeiltere Techniken einsetzen, um ihre Angriffe zu erleichtern.

Bis hier hin, Verluste Die durch verschiedene Kryptowährungs-Hacks verursachten Daten stiegen um ca. 60% in den ersten sieben Monaten des Jahres, was zum großen Teil auf den Diebstahl von Geldern aus verschiedenen dezentralen Finanzprotokollen (DeFi) zurückzuführen ist.

Eine KI-Antwort

Allein im Oktober 2022 wurde durch 11 verschiedene Hacks ein Rekordwert von $718 Millionen aus DeFi-Protokollen gestohlen, was zu den kumulierten Verlusten im Zusammenhang mit Hacks des Jahres führte über der $3B-Marke. Jetzt viele Experten glauben dass künstliche Intelligenz (KI) und maschinelles Lernen (ML) – wobei letzteres eine Teilmenge von ersterem ist – dazu beitragen könnten, viele der dringendsten Cybersicherheitsprobleme von heute zu lindern.

Ein wesentliches Puzzleteil?

ML-gesteuerte Datenschutzsysteme sind darauf ausgelegt, die regelmäßige Netzwerkaktivität eines Projekts zu lernen und zu berechnen und anschließend verdächtige Bewegungen zu erkennen und zu identifizieren. Es gibt zwei Arten von ML-Systemen, die verwendet werden können: überwachte Systeme, die lernen können, aus vergangenen Angriffen zu verallgemeinern, und unbeaufsichtigte Systeme, die unbekannte Angriffe erkennen und das Cybersicherheitspersonal auf Abweichungen von der Norm aufmerksam machen können.

Tatsächlich sollten ML-fähige Technologien zu einem entscheidenden Bestandteil der Bedrohungserkennung und -abwehr im aufstrebenden Web3-Sektor werden und böswillige Akteure auf automatisierte Weise in Schach halten.

Die Gesamtkapitalisierung des KI-Cybersicherheitsmarktes (von dem ML ein wichtiger Bestandteil ist) beträgt voraussichtlich wachsen mit einer durchschnittlichen Wachstumsrate (CAGR) von 23,61 TP3T in den nächsten fünf Jahren und einem kumulierten Gesamtwert von $46,3B bis 2028.

Aus technischer Sicht ermöglichen ML-Systeme Sicherheitsexperten, Probleme schnell zu erkennen, mehr Datensätze zu nutzen, als dies mit einfacher menschlicher Buchhaltung möglich ist, und sie in die Lage zu versetzen, Systeme zu entwickeln, die keine angeborene Voreingenommenheit aufweisen. Mit anderen Worten: Sie können ältere heuristikbasierte Prozesse ergänzen und sie effizienter und fehlerfreier machen.

Die Branche muss web3 für Datenwissenschaftler attraktiver machen. Dies kann erreicht werden, indem diese Kohorte über die zugrunde liegende Technologie aufgeklärt und Anreize geschaffen werden, diese Nische attraktiver zu machen.

Dadurch wird es für Plattformen einfacher, auf Hacking-Vorfälle zu reagieren, lange bevor sich das Problem verschlimmert. Wenn ML-Plattformen tatsächlich bösartige Aktivitäten innerhalb eines Web3-Systems erkennen und identifizieren, können sie eine böswillige Entität automatisch daran hindern, ein Protokoll auszunutzen. Forta beispielsweise ist ein dezentrales Überwachungsnetzwerk, das Bedrohungen und Anomalien auf DeFi, NFT, Governance, Bridges und anderen Web3-Systemen in Echtzeit erkennen kann.

Bestehende Herausforderungen

Die meisten ML-Plattformen werden von Datenwissenschaftlern betrieben, und hier liegt eine der größten Herausforderungen bei der Implementierung dieser Technologie in der Welt der Cybersicherheit. Obwohl web3 viele Entwickler angezogen hat, konnte es bisher nicht viele Datenwissenschaftler anlocken.

Dies ist bedauerlich, wenn man bedenkt, dass so viele Daten für die Analyse verfügbar sind, was die Tür für viele Forschungsmöglichkeiten zur Lösung realer Probleme öffnet. In dieser Hinsicht muss die Branche web3 für Datenwissenschaftler attraktiver machen. Dies kann erreicht werden, indem diese Kohorte über die zugrunde liegende Technologie aufgeklärt wird und Anreize geschaffen werden, um diese Nische attraktiver zu machen.

Crypto Sleuth ZachXBT enthüllte Schikanen für eine dankbare DeFi-Community

 

Gründlich recherchierte Untersuchungen fragwürdiger Projekte erwiesen sich im Mad Year als „von unschätzbarem Wert“.

Der Trotzige

Ein Großteil des datenwissenschaftlichen Engagements im Cybersicherheits-Ökosystem dreht sich um die Identifizierung von Angriffen und verdächtigen Aktivitäten in der Kette. Während diese Modelle wichtige Elemente wie Anomalieerkennung, Zeitreihenanalyse sowie überwachte Klassifikatoren umfassen, gibt es noch weitere Entwicklungsmöglichkeiten, die über die Überwachung hinausgehen.

Es gibt viele Möglichkeiten, wie ML die heutigen Cybersicherheitssysteme sicherer und zuverlässiger machen kann. Es kann beispielsweise verwendet werden, um Bedrohungen und Anomalien von Drittanbietern zu erkennen, unregelmäßige Muster zu identifizieren, Bots zu eliminieren, bestehende Sicherheitsprotokolle einer Plattform zu orchestrieren und Verhaltensanalysen durchzuführen.

Hier sind einige der wichtigsten Auswirkungen, die die oben genannten Technologien auf die heutigen Cybersicherheits-Frameworks haben:

Effizientes Management von Schwachstellen

Die meisten Kryptoprotokolle können mit den täglich auftretenden Schwachstellen nicht Schritt halten. Während herkömmliche Schwachstellenmanagementtechniken darauf ausgelegt sind, auf Vorfälle zu reagieren, nachdem Hacker eine bestimmte Lücke ausgenutzt haben, können Systeme des maschinellen Lernens diese erkennen Schwachstellen auf automatisierte Weise.

ML-gestützte Verhaltensanalysetools können das Verhalten von Benutzern digitaler Assets über mehrere Transaktionen hinweg analysieren und so Anomalien erkennen, die auf einen unbekannten Angriff hinweisen. Dadurch können Protokolle ihre Bestände schützen, noch bevor ein Problem gemeldet und behoben wurde.

Im Laufe der Zeit kann ML-fähige Technologie sogar im Kontext der Plattformprüfung und -überwachung eingesetzt werden, wobei die Technologie für die Entwicklung graphbasierter Algorithmen, eingebetteter Deep-Learning-Systeme und Reinforcement-Learning-Mechanismen verwendet wird.

Schnellere Erkennung externer Bedrohungen

Die meisten herkömmlichen Sicherheitssysteme verwenden auf Angriffssignaturen basierende Indikatoren, um einzelne Bedrohungen herauszufiltern. Während diese Methode bei der Hervorhebung zuvor entdeckter Probleme sehr effizient ist, ist sie bei der Beseitigung noch nicht entdeckter Probleme nicht sehr effizient.

Wenn jedoch traditionelle Angriffssignaturindikatoren mit ML verknüpft werden, kann die Erkennung potenzieller Bedrohungen erheblich verbessert und gleichzeitig Fehlalarme minimiert werden.

SOL steigt um 36%, da Bonk Memecoin der erste Hit des Jahres 2023 wird

 

Der NFT-Marktplatz Magic Eden generierte im Dezember ein Rekordvolumen

Der Trotzige

Maschinelles Lernen ist dafür bekannt, Benutzern hervorragende Prognosefähigkeiten und effiziente Datenanalysemethoden zu bieten, die für die Optimierung von Blockchain-Mechanismen unerlässlich sind. Darüber hinaus sind diese Eigenschaften noch hilfreicher, wenn es darum geht, die nativen Datenüberprüfungsverfahren einer Blockchain zu verbessern, böswillige Angriffe zu erkennen und betrügerische Transaktionen schneller zu identifizieren.

Vorausschauen

Da Cyberangriffe immer ausgefeilter werden, kann maschinelles Lernen dazu beitragen, dass Projekte besser auf externe Bedrohungen vorbereitet sind. Mit den richtigen Systemen können Unternehmen nicht nur Hacking-Versuche in Echtzeit erkennen und darauf reagieren, sondern auch Abhilfemaßnahmen ergreifen, bevor eine Bedrohung ernst wird.

Dennoch ist die KI/ML-Technologie kein Allheilmittel für die heutigen Cybersicherheitsprobleme. Vielmehr müssen die Technologien Seite an Seite mit Expertensystemen stehen, um das Ökosystem sicherer zu machen. Während wir uns weiter auf eine dezentralere Zukunft zubewegen, wird es interessant sein zu beobachten, wie sich diese neuen technologischen Paradigmen weiterentwickeln werden.

Christian Seifert, ein ehemaliger Web-Sicherheitsspezialist bei Microsoft, ist Sicherheitsforscher in der Forta Gemeinschaft.

Dieser Artikel stammt aus dem Internet: Maschinelles Lernen – die beste Möglichkeit, Web3 vor Exploits zu schützen