Фейковые кошельки пошли в расход: в России придумали, как вскрывать криптосети под микроскопом

МФТИ разработал алгоритм для выявления фейковых аккаунтов на крипторынке с точностью 90%

Российские исследователи сделали шаг вперед в борьбе с мошенничеством на крипторынке. В Московском физико-техническом институте (МФТИ) представили алгоритм на основе машинного обучения, способный выявлять сети фейковых аккаунтов в криптовалютных экосистемах с точностью 90%. Такой показатель в два раза превышает эффективность большинства существующих решений, которые ограничиваются диапазоном 45-60%.

"Большинство аналогичных решений демонстрируют эффективность на уровне 45-60%", — отметил студент кафедры блокчейн МФТИ Алексей Саплин.

Главная особенность алгоритма в том, что он анализирует не один, а целый комплекс параметров: от поведенческих моделей до сетевых связей между кошельками. Такой подход позволяет находить скрытые кластеры, которые обычные методы обходят стороной.

Зачем это нужно

Фейковые аккаунты, или сибил-кошельки, активно используются для участия в эйрдропах — рекламных акциях, где разработчики раздают токены для привлечения аудитории. Злоумышленники создают сотни и тысячи таких кошельков, получая вознаграждения многократно. В результате:

искажаются показатели активности проекта;
курс цифровых активов может резко падать;
доверие пользователей к экосистеме снижается.

Новый алгоритм МФТИ как раз и предназначен для борьбы с этим видом мошенничества.

Сравнение алгоритмов

Решение	Точность выявления сибил-кошельков	Подход
Алгоритм МФТИ	~90%	Машинное обучение, многопараметрический анализ
Существующие методы	45-60%	Жесткие правила, ограниченные метрики
Ручной анализ	<40%	Проверка транзакций вручную

Советы шаг за шагом: как работают такие системы

Сбор данных о транзакциях и поведении кошельков.
Формирование сети связей между аккаунтами.
Использование алгоритмов машинного обучения для поиска скрытых паттернов.
Проверка результатов на контрольных выборках.
Автоматическое формирование отчетов для аннулирования подозрительных выплат.

Ошибка → Последствие → Альтернатива

Ошибка: игнорировать вторичные связи между кошельками.
Последствие: мошенническая сеть остается незамеченной.
Альтернатива: использовать графовый анализ с машинным обучением.
Ошибка: полагаться только на количество транзакций.
Последствие: реальные пользователи попадают под подозрение.
Альтернатива: учитывать поведенческие модели и временные интервалы.
Ошибка: доверять исключительно ручному анализу.
Последствие: большие затраты времени и низкая точность.
Альтернатива: автоматизированные алгоритмы на базе ИИ.

А что если…

Что будет, если алгоритм станет массовым инструментом в индустрии? Тогда крупные криптопроекты смогут заранее отсеивать мошенников, повышая доверие инвесторов. Эйрдропы станут более честными, а курсы токенов — стабильнее. В то же время злоумышленники будут искать новые способы обхода систем, поэтому развитие технологий должно быть непрерывным.

Плюсы и минусы алгоритма МФТИ

Плюсы	Минусы
Высокая точность (90%)	Может требовать больших вычислительных мощностей
Универсальность — подходит для разных блокчейнов	Возможность адаптации мошенников к новым методам
Быстрое выявление скрытых сетей	Необходимость постоянного обновления моделей
Снижение рисков при эйрдропах	Пока ограниченные внедрения в индустрии

FAQ

Как алгоритм влияет на криптопроекты?
Он помогает исключить мошенников из эйрдропов и сделать метрики честнее.

Можно ли применять технологию вне криптовалют?
Да, подход может работать в любых сетях, где важен анализ поведения пользователей и связей.

Сколько стоит внедрение таких решений?
Стоимость зависит от инфраструктуры проекта. Базовые модели могут быть бесплатными, но для масштабных экосистем нужны серверы и команда специалистов.

Мифы и правда

Миф: алгоритмы полностью исключают мошенников.
Правда: точность высока, но стопроцентной гарантии не существует.
Миф: такие инструменты нужны только биржам.
Правда: ими могут пользоваться стартапы, фонды и даже игровые блокчейны.
Миф: система работает только с Биткоином.
Правда: алгоритм универсален и подходит для разных сетей.

3 интересных факта

Термин "сибил-атака" появился еще в 2002 году в компьютерных науках и с тех пор активно используется в блокчейн-среде.
По оценкам аналитиков, до 30% эйрдропов подвержены атакам сибил-кошельков.
Алгоритм МФТИ помог предотвратить выплаты на $10,2 млн в конкурсе Layer Zero.