В МФТИ создали ML-алгоритм для выявления криптокошельков мошенников

В МФТИ создали ML-алгоритм для выявления криптокошельков мошенников

В МФТИ создали ML-алгоритм для выявления криптокошельков мошенников

Выпускник Физтеха разработал алгоритм машинного обучения, позволяющий выявить и заблокировать сибил-аккаунты, созданные мошенниками для кражи криптовалютных токенов, которые бесплатно раздают в рамках рекламных акций.

Разработка протестирована на 2,5 млн криптокошельков и показала точность обнаружения фальшивок 90% — в два раза выше аналогов, используемых в криптоиндустрии с целью защиты airdrop-кампаний от атак злоумышленников.

Для незаконного получения вознаграждений, предлагаемых при продвижении криптопроектов, мошенник может создать целую сеть фейковыз кошельков (сибил-аккантов). Подобные злоупотребления искажают метрики, провоцируют падение курса токенов и в итоге подрывают доверие к проекту.

«Мой алгоритм анализирует десятки параметров: от поведенческих паттернов и кросс-чейн-активности до сетевых связей между кошельками, — пояснил автор дипломной работы Алексей Саплин. — Это позволяет выявлять даже сложные кластеры, которые остаются незамеченными при использовании стандартных методов. Алгоритм показал точность 90%, а большинство существующих решений показывают эффективность на уровне 45–60%».

Тестирование разработки проводилось в рамках открытого конкурса, организованного Layer Zero, благодаря этому проект смог аннулировать несправедливое распределение токенов на сумму $10,2 миллиона.

Созданный Саплиным ML-алгоритм можно заточить и под другие криптопроекты; в МФТИ уже ведутся работы в этом направлении. Сам автор собирается продолжить исследования в аспирантуре и надеется, что ему в итоге удастся создать универсальный инструмент выявления мошеннических схем в различных блокчейн-экосистемах.

Российские учёные в 10 раз улучшили схемы для квантовых компьютеров

Специалисты МГТУ имени Баумана и ВНИИА разработали технологию производства сверхпроводниковых интегральных схем на основе тантала. По данным университета, она позволяет более чем в десять раз улучшить качество компонентов для квантовых сопроцессоров.

Вместо традиционного алюминия исследователи использовали тантал. Этот металл лучше переносит обработку кислотами и другими агрессивными веществами, поэтому поверхность можно тщательнее очищать от оксидов и атомарных загрязнений.

Кроме того, естественный оксид тантала содержит меньше дефектов, способных разрушать хрупкое квантовое состояние.

Технологию испытали на микроволновых резонаторах. Их внутренняя добротность в однофотонном режиме превысила 10 млн. Чем выше этот показатель, тем меньше потери и дольше компонент способен сохранять квантовую информацию. Разработчики утверждают, что такие результаты входят в число лучших в мире.

 

Главной проблемой оказалось получение высокочистого альфа-тантала. Плёнки металла могут формироваться в альфа- и бета-фазах, но для высококачественных сверхпроводниковых схем нужна именно первая. Чтобы разобраться в механизме роста материала, команда провела более тысячи экспериментов и изучила десятки серийно изготовленных пластин с помощью просвечивающей микроскопии атомарного разрешения.

Исследователи выяснили, что рост альфа-тантала на кремнии начинается после формирования слоя бета-тантала толщиной 7-10 нм. Созданные резонаторы показали добротность свыше 10 млн, подтверждает научная публикация, вышедшая в Applied Physics Reviews.

Первые поставки квантовых сопроцессоров на новой платформе уже законтрактованы на осень 2026 года.

Квантовый компьютер от этого завтра на столе не появится. Но тантал хотя бы помогает кубитам подольше не забывать, что они квантовые.

RSS: Новости на портале Anti-Malware.ru