اگر یک توسعهدهنده پروتکل DeFi هستید، احتمالاً میدانید که قوانین امنیتی ساده دیگر برای متوقف کردن رباتهای پیشرفته کافی نیستند. این رباتها اکنون با تغییر مداوم آدرسها و پیچیده کردن مسیر تراکنشها، فیلترهای سنتی را دور میزنند.
طبق گزارشهای منتشر شده تا ۲۶ اوت ۲۰۲۶، صنعت در حال گذاری سریع به سمت پشتههای نظارتی یکپارچه با هوش مصنوعی است تا بتواند پیچیدگی شبکه را مدیریت کند. در این فضای پرشتاب، تطبیق امضاهای سنتی در برابر رباتهای تطبیقپذیر شکست میخورد و تشخیص ناهنجاری در لحظه به یک ضرورت تبدیل شده است. همانطور که در تحلیلهای قبلی ما درباره امنیت مدلهای بازمتن اشاره کردیم، هرگونه اتکای صرف به الگوهای ثابت در برابر مهاجمان هوشمند ریسک بالایی دارد. این چالشها در مدیریت عاملهای هوشمند، مشابه مشکلاتی است که استارتاپ Lemma برای شناسایی خطاهای خاموش در عاملهای AI روی آن متمرکز شده است.
به نقل از راهنمای منتشر شده در dev.to، مؤثرترین استراتژی شناسایی، استفاده از یادگیری بدون نظارت (Unsupervised Learning) — شبیه به کارآگاهی که بدون داشتن لیست متهمان، فقط با بررسی رفتارهای عجیب در صحنه جرم، مجرم را پیدا میکند — است. توسعهدهندگان میتوانند با استفاده از کتابخانه Scikit-learn، یک تشخیصدهنده جنگل ایزولاسیون (Isolation Forest) پیادهسازی کنند. این مدل تراکنشهایی را که بر اساس سه ویژگی کلیدی از نظر آماری نادر هستند، شناسایی میکند:
- تفاوتهای قیمت گاز (Gas Price)
- تحمل لغزش (Slippage Tolerance)
- خوشهبندی زمانی ساختارهای هش مشابه
برای تبدیل این سیستم به یک ابزار عملیاتی، این راهنما توصیه میکند از نرمالسازی Z-score استفاده شود تا نوسانات شدید قیمت گاز باعث ایجاد سوگیری در مقیاس نشود. همچنین پیشنهاد شده است که یک پنجره متحرک از ۱۰,۰۰۰ تراکنش اخیر حفظ شود تا مدل خود را با شرایط فعلی شبکه تطبیق دهد. این رویکرد بهینهسازی منابع پردازشی، یادآور راهکارهایی است که عامل Mole برای پیشبینیپذیر کردن هزینههای پژوهش AI به کار گرفته است.
این تغییر رویکرد، تمرکز میدان را از «لیستهای سیاه واکنشی» به «تحلیل رفتاری پیشدستانه» تغییر میدهد. برای توسعهدهندگان، این یعنی توانایی شناسایی استراتژیهای Front-running یا Back-running پیش از آنکه نقدینگی پروتکل به خطر بیفتد.
گام بعدی شما
- استخراج ویژگیهای تراکنشها در یک DataFrame پانداز و تست خط پایه Isolation Forest.
- بررسی اثر پارامتر Contamination بر نرخ مثبت کاذب (False-positive) در محیطهای زنده.
- پیادهسازی سیستم هشدار لحظهای بر اساس خروجیهای مدل تشخیص ناهنجاری.
اما داستان سختافزاری این تحول و نیاز به پردازش سریعتر حتی شگفتانگیزتر است — به تحلیل ما درباره تراشههای Blackwell مراجعه کنید.
گفتگو