AI-Driven Prevention of Malicious Blockchain Transactions | Carlos Salort Sanchez (Forta)

區塊鏈安全領域長期存在一個落差：我們愈來愈擅長「發現」攻擊，卻始終難以「阻止」攻擊。Fora 基金會的 Carlos 指出，早期的機器學習監控系統確實能識別可疑地址與惡意行為，但充其量只能發出警告；若要真正阻止攻擊，唯一的選項是暫停整個協議，這在實際操作上過於極端，且會嚴重影響正常用戶。更棘手的是，即便偵測到攻擊，系統反應時往往已有資金受損，因為鏈上交易的速度遠快於人工介入的速度。

為了填補「偵測」與「預防」之間的鴻溝，Fora 開發了一套 AI 防火牆，其核心設計哲學是「無狀態分析」。傳統的有狀態分析需要查詢攻擊者的資金來源、歷史行為、部署合約內容等鏈上背景資訊，這些查詢不可避免地帶來數百毫秒的延遲，在需要覆蓋整條鏈的規模下根本行不通。無狀態方法則截然不同：系統只觀察「這一筆交易本身」——包含 sender、recipient、calldata、交易日誌與 trace——完全不依賴任何外部歷史狀態。這樣做雖然捨棄了部分上下文資訊，但換來了可以即時、大規模處理每一筆交易的速度，而這正是「攔截」所必須具備的條件。

模型的訓練遵循標準監督式學習流程，但關鍵在於特徵工程（數據建模）與 MLOPS 迭代閉環的結合。工程師從最簡單的特徵出發——例如「這筆交易誰獲利最多、獲利多少、交易複雜度如何」——建立基準模型後，透過評估數百萬筆正常交易來找出失敗案例，再針對失敗案例補充新特徵（如「有三個地址同時獲利」），重新訓練並再次評估。這個循環不斷重複，直到模型性能達到可接受水準。更重要的是，這個 MLOPS 閉環在部署後仍持續運作：每當客戶回報誤報，該案例就會被納入下一輪訓練，確保模型隨時間持續進化。

最終模型的輸出是一個 0 到 1 的連續風險評分，而非單純的二元判定。這個設計給了使用者靈活的配置空間——風險承受度低的協議可設定 0.5 為閾值，確保絕不放過任何可疑交易；注重流量的應用則可設定 0.8，只攔截極高確信度的攻擊。9 月的實測數據印證了這套系統的效果：在當月約 4000 萬美元的攻擊損失中，系統偵測到了 99.8% 的攻擊交易，理論上可防禦 3990 萬美元的損失；在 Arbitrum 上，約 45 萬筆交易中僅出現 1 次誤報，且那筆唯一被標記為高風險的交易，恰好正是一次真實攻擊。