Pembelajaran Mesin Cara Terbaik untuk Mempertahankan Web3 Dari Eksploitasi

Bukan rahasia lagi bahwa pembobolan data yang berpusat pada kripto telah melonjak baru-baru ini, dan tren ini kemungkinan akan meningkat di masa mendatang, terutama karena penjahat siber terus menggunakan teknik yang lebih canggih untuk memfasilitasi serangan mereka.

Sampai saat ini, kerugian yang berasal dari berbagai peretasan mata uang kripto melonjak sekitar 60% selama tujuh bulan pertama tahun ini, sebagian besar didorong oleh dana yang dicuri dari berbagai protokol keuangan terdesentralisasi (DeFi).

Jawaban AI

Selama Oktober 2022 saja, rekor $718 juta dicuri dari protokol DeFi di 11 peretasan berbeda, mengirimkan kerugian kumulatif terkait peretasan tahun ini di atas tanda $3B. Sekarang banyak ahli percaya bahwa kecerdasan buatan (AI) dan pembelajaran mesin (ML) - dengan AI sebagai bagian dari ML - dapat membantu meringankan banyak masalah keamanan siber yang paling mendesak saat ini.

Bagian Penting dari Teka-teki?

Sistem privasi berbasis ML dirancang untuk mempelajari dan menghitung aktivitas jaringan reguler sebuah proyek dan kemudian mendeteksi dan mengidentifikasi pergerakan yang mencurigakan. Ada dua jenis sistem ML yang bisa digunakan: sistem yang diawasi yang bisa belajar membuat generalisasi dari serangan-serangan sebelumnya, dan sistem yang tidak diawasi yang bisa mendeteksi serangan-serangan yang tidak dikenal, dan memperingatkan personil keamanan siber jika ada yang menyimpang dari norma.

Memang, teknologi yang siap untuk ML harus menjadi komponen penting dalam deteksi ancaman dan pertahanan sektor web3 yang sedang berkembang, sehingga dapat mencegah pelaku kejahatan dengan cara yang otomatis.

Total kapitalisasi pasar keamanan siber AI (di mana ML merupakan komponen utama) adalah diproyeksikan untuk tumbuh dengan laju pertumbuhan majemuk (CAGR) sebesar 23,6% selama lima tahun ke depan, mencapai total kumulatif $46,3B pada tahun 2028.

Dari perspektif teknis, sistem ML memungkinkan para ahli keamanan untuk mengidentifikasi masalah dengan cepat, memanfaatkan lebih banyak kumpulan data daripada yang mungkin dilakukan oleh penghitungan manusia, dan memungkinkan mereka untuk merancang sistem yang tidak memiliki bias bawaan. Dengan kata lain, sistem ini dapat meningkatkan proses berbasis heuristik yang sudah ada, membuatnya lebih efisien dan bebas dari kesalahan.

Industri ini perlu membuat web3 lebih menarik bagi para ilmuwan data, sesuatu yang dapat dilakukan dengan mengedukasi kelompok tersebut tentang teknologi yang mendasarinya dan memberikan insentif untuk membuat ceruk ini lebih menarik.

Hasilnya, platform menjadi lebih mudah untuk merespons insiden peretasan jauh sebelum masalah bertambah parah. Faktanya, ketika platform ML mendeteksi dan mengidentifikasi aktivitas berbahaya dalam sistem web3, mereka dapat secara otomatis memblokir entitas jahat untuk mengeksploitasi protokol. Forta, misalnya, adalah jaringan pemantauan terdesentralisasi yang mampu mendeteksi ancaman dan anomali pada DeFi, NFT, tata kelola, jembatan, dan sistem web3 lainnya secara real-time.

Tantangan yang Ada

Sebagian besar platform ML digerakkan oleh para ilmuwan data, dan di sinilah letak salah satu tantangan utama dalam hal penerapan teknologi ini dalam dunia keamanan siber. Meskipun web3 telah menarik banyak pengembang, namun sejauh ini belum mampu menarik banyak ilmuwan data.

Hal ini sangat disayangkan, mengingat ada begitu banyak data yang tersedia untuk dianalisis, membuka pintu bagi banyak peluang penelitian untuk memecahkan masalah di dunia nyata. Dalam hal ini, industri perlu membuat web3 lebih menarik bagi para ilmuwan data, sesuatu yang dapat dilakukan dengan mengedukasi kelompok tersebut tentang teknologi yang mendasarinya serta memberikan insentif untuk membuat ceruk ini lebih menarik.

Crypto Sleuth ZachXBT Mengekspos Chicanery Untuk Komunitas DeFi yang Bersyukur

 

Penyelidikan Mendalam atas Proyek yang Dipertanyakan Terbukti 'Tak Ternilai' di Tahun Gila

Sang Penantang

Sebagian besar keterlibatan ilmu data dalam ekosistem keamanan siber berkisar pada identifikasi serangan dan aktivitas on-chain yang mencurigakan. Meskipun model-model ini mencakup elemen-elemen penting seperti deteksi anomali, analisis deret waktu, serta pengklasifikasi yang diawasi, masih ada lebih banyak peluang untuk dikembangkan yang lebih dari sekadar pemantauan.

Ada banyak cara yang dapat dilakukan untuk membuat sistem keamanan siber saat ini menjadi lebih aman dan andal. Misalnya, ML dapat digunakan untuk mendeteksi ancaman dan anomali pihak ketiga, mengidentifikasi pola yang tidak biasa, menghilangkan bot, mengorkestrasi protokol keamanan yang ada pada platform, dan analisis perilaku.

Berikut ini adalah beberapa dampak utama dari teknologi yang disebutkan di atas terhadap kerangka kerja keamanan siber saat ini:

Manajemen Kerentanan yang Efisien

Sebagian besar protokol kripto tidak dapat mengikuti kerentanan yang muncul setiap hari. Sementara teknik manajemen kerentanan konvensional dirancang untuk merespons insiden setelah peretas mengeksploitasi celah tertentu, sistem pembelajaran mesin dapat mengidentifikasi kerentanan secara otomatis.

Alat analisis perilaku yang didukung oleh ML dapat menganalisis perilaku pengguna aset digital di beberapa transaksi, memungkinkan mereka untuk mendeteksi anomali yang mengarah ke arah serangan yang tidak diketahui. Hasilnya, protokol dapat melindungi kepemilikan mereka bahkan sebelum masalah dilaporkan dan diperbaiki.

Seiring berjalannya waktu, teknologi yang mendukung ML bahkan dapat diterapkan dalam konteks audit dan pemantauan platform, dengan teknologi yang digunakan untuk pengembangan algoritme berbasis grafik, sistem pembelajaran mendalam yang tertanam, dan mekanisme pembelajaran penguatan.

Deteksi Ancaman Eksternal yang Lebih Cepat

Sebagian besar sistem keamanan tradisional menggunakan indikator berbasis tanda tangan serangan untuk memilih ancaman individual. Meskipun metode ini sangat efisien dalam menyoroti masalah yang telah ditemukan sebelumnya, metode ini tidak terlalu efisien dalam menyisihkan masalah yang belum ditemukan.

Meskipun demikian, ketika indikator tanda tangan serangan tradisional digabungkan dengan ML, deteksi potensi ancaman dapat meningkat secara signifikan dan pada saat yang sama meminimalkan false positive.

SOL Melonjak 36% Saat Bonk Memecoin Menjadi Hit Pertama di Tahun 2023

 

Pasar NFT Magic Eden Menghasilkan Rekor Volume Pada Bulan Desember

Sang Penantang

Pembelajaran mesin dikenal karena memberikan kemampuan prediksi yang sangat baik kepada pengguna dan metode analisis data yang efisien, yang sangat penting untuk mengoptimalkan mekanisme blockchain. Tidak hanya itu, sifat-sifat ini bahkan lebih membantu dalam meningkatkan prosedur verifikasi data asli blockchain, mendeteksi serangan jahat, dan identifikasi lebih cepat terhadap transaksi yang curang.

Melihat ke Depan

Seiring dengan semakin canggihnya serangan siber, pembelajaran mesin dapat membantu proyek lebih siap menghadapi ancaman eksternal. Dengan menggunakan sistem yang tepat, organisasi tidak hanya dapat mendeteksi dan merespons upaya peretasan secara real-time, namun juga mengambil tindakan perbaikan sebelum ancaman menjadi serius.

Namun, teknologi AI/ML bukanlah obat mujarab untuk masalah keamanan siber yang ada saat ini. Sebaliknya, teknologi ini harus berdampingan dengan sistem pakar, sehingga membuat ekosistem menjadi lebih aman. Saat kita terus bergerak menuju masa depan yang lebih terdesentralisasi, akan sangat menarik untuk melihat bagaimana paradigma teknologi baru ini akan berkembang.

Christian Seifert, mantan spesialis keamanan web di Microsoft, adalah seorang peneliti keamanan di bidang Forta masyarakat.

Artikel ini bersumber dari internet: Pembelajaran Mesin Cara Terbaik untuk Mempertahankan Web3 Dari Eksploitasi