以加密为中心的数据泄露最近一直在飙升，这不是什么秘密，在可预见的未来，这种趋势可能会增加，特别是随着网络犯罪分子继续采用更复杂的技术来促进他们的攻击。

到目前为止，各种加密货币黑客造成的损失激增了约前7个月的60%，在很大程度上是由于从各种去中心化金融(DeFi)协议中窃取的资金。

人工智能的答案

仅在2022年10月，11次不同的黑客攻击就从DeFi协议中窃取了创纪录的7.18亿美元，使今年与黑客相关的累计损失超过30亿美元。现在许多专家认为，人工智能(AI)和机器学习(ML)——后者是前者的一个子集——可以帮助缓解当今许多最紧迫的网络安全问题。

一个关键的拼图

ML驱动的隐私系统旨在学习和计算项目的常规网络活动，并随后检测和识别可疑的移动。有两种类型的ML系统可以使用：有监督的，可以从过去的攻击中学习归纳，无监督的，可以检测未知的攻击，提醒网络安全人员任何偏离标准的情况。

事实上，ML-ready 技术应该成为新兴web3领域威胁检测和防御的关键组成部分，以自动化的方式将不良行为者挡在门外。

AI网络安全市场(ML是其中的主要组成部分)的总资本化预计将在未来五年以23.6%的复合增长率(CAGR)增长，到2028年累计总额将达到463亿美元。

从技术角度来看，机器学习系统允许安全专家快速识别问题，利用比简单人工会计更多的数据集，并使他们能够设计出没有先天偏见的系统。换句话说，它们可以增强旧的基于启发式的流程，使其更加高效和无错误。

行业需要让web3对数据科学家更有吸引力，这可以通过对这群人进行基础技术教育，并提供激励措施，使这一利基市场更有吸引力来实现。

因此，在问题恶化之前，平台就可以更容易地对黑客事件做出反应。事实上，当ML平台检测并识别web3系统中的恶意活动时，它们可以自动阻止恶意实体利用协议。例如，Forta是一个去中心化的监控网络，能够实时检测DeFi、NFT、治理、桥梁和其他web3系统上的威胁和异常。

现有的挑战

大多数机器学习平台都是由数据科学家驱动的，这是在网络安全领域实施这项技术的关键挑战之一。虽然web3已经吸引了许多开发人员，但到目前为止，它还没有吸引到很多数据科学家。

这是不幸的，因为有如此多的数据可供分析，为解决现实世界的问题打开了许多研究机会的大门。在这方面，行业需要让web3对数据科学家更有吸引力，这可以通过对这群人进行基础技术教育，以及提供激励措施来让这个利基市场更有吸引力。

网络安全生态系统中绝大多数数据科学的参与都围绕着识别攻击和可疑的链上活动。虽然这些模型包含了异常检测、时间序列分析以及监督分类器等重要元素，但仍有更多的机会可以开发，超出监测的范围。

ML可以通过许多方式使当今的网络安全系统更加安全可靠。例如，它可用于检测第三方威胁和异常情况，识别不规则模式，消除机器人，协调平台现有的安全协议和行为分析。

以下是上述技术对当今网络安全框架的一些核心影响：

有效管理漏洞

大多数加密协议无法跟上每天出现的漏洞。虽然传统的漏洞管理技术旨在应对黑客利用特定漏洞后发生的事件，但机器学习系统可以自动识别漏洞。

ML支持的行为分析工具可以跨多个交易分析数字资产用户的行为，使他们能够检测指向未知攻击方向的异常。因此，即使在报告和修复问题之前，协议也可以保护其持有量。

随着时间的推移，支持ML的技术甚至可以应用于平台审计和监控的环境中，该技术被用于开发基于图的算法、嵌入式深度学习系统和强化学习机制。

更快地检测外部威胁

大多数传统安全系统使用基于攻击签名的指示器来挑出单个威胁。虽然这种方法在突出先前发现的问题方面非常有效，但在清除尚未发现的问题方面却不是很有效。

也就是说，当传统的攻击特征指标与ML结合在一起时，可以显著提高对潜在威胁的检测，同时最大限度地减少误报。

机器学习以为用户提供出色的预测能力和有效的数据分析方法而闻名，这对于优化区块链机制至关重要。不仅如此，这些属性在增强区块链的本机数据验证过程、检测恶意攻击和更快地识别欺诈交易方面更有帮助。

展望未来

随着网络攻击变得越来越复杂，机器学习可以帮助项目更好地应对外部威胁。使用正确的系统，组织不仅可以实时检测和响应黑客企图，还可以在威胁变得严重之前采取补救措施。

不过，AI/ML技术并不是解决当今网络安全问题的灵丹妙药。相反，这些技术必须与专家系统并驾齐驱，使生态系统更加安全。随着我们继续走向一个更加去中心化的未来，看看这些新的技术范式将如何发展将是一件有趣的事情。

原文链接：https://thedefiant.io/solana-surges-bonk-memecoin

---煤油灯科技victorlamp.com翻译整理---