ИИ может не только пампить ваши сумки, но и выявлять вредоносные смарт-контракты. Экспериментальный инструмент ScamScanner, по утверждениям его разработчиков, успешно делает это в 92% случаев.

🔹 ИИ обучался на наборе данных из вредоносных контрактов и легитимных. Всего в обучающем датасете было 8 046 контрактов, половина из которых являются вредоносными. 20% из них (1 610) были оставлены для тестирования.
🔹 Набор данных очень мал по сравнению с обычными масштабами машинного обучения, поэтому модель намеренно упростили. Для каждого из 286 уникальных опкодов, встречающихся в контрактах, подсчитывалось количество появлений в датасете и присваивался вес.
🔹 Итоговый результат выражается в виде числа от 0 до 1, где 0,99 означает уверенность модели, что контракт вредоносный, а 0,01 — что с контрактом всё в порядке.
🔹 На тестовом наборе контрактов получилось определить вредоносные кейсы в 91,6% случаев (accuracy) с точностью 92,4% (precision). Для сравнения, логистическая регрессия делает это в 82,1% случаев с точностью 88,6%.
🔹 У модели на данном этапе много ограничений: она обучена на <10 тысячах контрактов и не может охватить всё их разнообразие, поэтому будет делать много ошибок в естественных условиях. Например, ScamScanner посчитал вредоносным контракт USDC.
🔹 Тем не менее, если подобную модель докрутят и дообучат, а потом встроят, например, в кошельки, это может стать важным шагом на пути к безопасности криптовалют. Это не убережёт от всех рагов, но хотя бы позволит отсекать самые очевидные из них.

Потестить приложение можно здесь: https://web3analytic-xyz.github.io/scam-scanner/.
Ознакомиться с кодом: https://github.com/web3analytic-xyz/scam-scanner

А пока решение в разработке, можно дополнительно пользоваться старыми проверенными вариантами:
🔹 https://tokensniffer.com/
🔹 https://honeypot.is/
🔹 https://rugdoc.io/honeypot/

🧑‍🚀 Канал | Чат | Twitter

Gagarin Crypto

ИИ может не только пампить ваши сумки, но и выявлять вредоносные смарт-контракты. Экспериментальный инструмент ScamScanner, по утверждениям его разработчиков, успешно делает это в 92% случаев.

🔹 ИИ обучался на наборе данных из вредоносных контрактов и легитимных. Всего в обучающем датасете было 8 046 контрактов, половина из которых являются вредоносными. 20% из них (1 610) были оставлены для тестирования.
🔹 Набор данных очень мал по сравнению с обычными масштабами машинного обучения, поэтому модель намеренно упростили. Для каждого из 286 уникальных опкодов, встречающихся в контрактах, подсчитывалось количество появлений в датасете и присваивался вес.
🔹 Итоговый результат выражается в виде числа от 0 до 1, где 0,99 означает уверенность модели, что контракт вредоносный, а 0,01 — что с контрактом всё в порядке.
🔹 На тестовом наборе контрактов получилось определить вредоносные кейсы в 91,6% случаев (accuracy) с точностью 92,4% (precision). Для сравнения, логистическая регрессия делает это в 82,1% случаев с точностью 88,6%.
🔹 У модели на данном этапе много ограничений: она обучена на <10 тысячах контрактов и не может охватить всё их разнообразие, поэтому будет делать много ошибок в естественных условиях. Например, ScamScanner посчитал вредоносным контракт USDC.
🔹 Тем не менее, если подобную модель докрутят и дообучат, а потом встроят, например, в кошельки, это может стать важным шагом на пути к безопасности криптовалют. Это не убережёт от всех рагов, но хотя бы позволит отсекать самые очевидные из них.

Потестить приложение можно здесь: https://web3analytic-xyz.github.io/scam-scanner/.
Ознакомиться с кодом: https://github.com/web3analytic-xyz/scam-scanner

А пока решение в разработке, можно дополнительно пользоваться старыми проверенными вариантами:
🔹 https://tokensniffer.com/
🔹 https://honeypot.is/
🔹 https://rugdoc.io/honeypot/

🧑‍🚀 Канал | Чат | Twitter

hottg.com/Gagarin_ICO/3677

3.4K viewsAl Fer, Jan 10, 2023 at 15:31