Machine learning en Phantom: Cómo la tecnología Blowfish detecta transacciones fraudulentas en tiempo real

Un usuario de Solana se dispone a firmar una transacción que parece ordinaria: un intercambio de tokens, una aprobación de contrato inteligente, o una transferencia a una dirección que aparenta ser legítima. Sin embargo, segundos antes de que la operación se procese, Phantom Wallet detiene el flujo y advierte que la transacción tiene características sospechosas. La tecnología Blowfish, integrada en la billetera, ha analizado el patrón y ha identificado inconsistencias que un observador humano podría pasar por alto. Este no es un simple filtro de palabras clave. Es un sistema de machine learning que examina comportamientos, conexiones de red de contratos, cambios de código y patrones históricos de estafas conocidas para reducir el riesgo de que un usuario autorice algo que podría vaciar su cartera.

La detección de estafas en el ecosistema cripto ha evolucionado desde listas negras estáticas hacia modelos de aprendizaje automático capaces de adaptarse. Phantom Wallet, como billetera no custodial con más de 15 millones de usuarios activos mensuales, ha adoptado este enfoque precisamente porque mantiene el control de claves privadas en manos del usuario. Esa responsabilidad trae consigo una obligación: si el usuario no puede verificar cada transacción manualmente, la billetera debe proporcionar herramientas que compensen el conocimiento técnico limitado. Blowfish representa ese compromiso entre accesibilidad y seguridad operativa. Su función es interceptar transacciones comprometidas antes de que sean firmadas, no después.

Los algoritmos detrás de la detección de patrones sospechosos

Blowfish funciona mediante la combinación de múltiples capas de análisis. La primera capa examina la estructura técnica de la transacción: qué contrato inteligente se ejecuta, qué funciones se invocan, y cuáles son los parámetros. Un contrato de transferencia de tokens que se comporta de manera inusual—por ejemplo, que intenta transferir saldos ilimitados o que invoca funciones ocultas de funcionalidad de destrucción—genera señales de alerta. El algoritmo no confía en nombres públicos de funciones porque los atacantes pueden ocultar operaciones peligrosas detrás de denominaciones que suenan inofensivas.

La segunda capa analiza el historial del contrato inteligente. Blowfish mantiene una base de datos de contratos conocidos como fraudulentos, esquemas de pump-and-dump, o generadores de dinero que han sido utilizados para robar fondos en campañas anteriores. Cuando una transacción intenta interactuar con uno de esos contratos, el sistema lo señala inmediatamente. Pero el verdadero poder del machine learning está en que el modelo no solo busca coincidencias exactas. Analiza características del contrato—su edad, número de transacciones, velocidad de movimiento de fondos, patrones de código fuente—para identificar variaciones nuevas de esquemas antiguos. Un atacante que copie el código de un contrato fraudulento conocido pero haga pequeños cambios será detectado porque los patrones de comportamiento permanecen similares incluso si la implementación específica difiere.

La tercera capa evalúa el contexto de la transacción en relación con el usuario. Phantom Wallet analiza si la transacción es coherente con el comportamiento anterior del usuario: ¿ha interactuado antes con este contrato? ¿Es el monto similar a transacciones pasadas, o es anormalmente alto? ¿La dirección del remitente o el receptor está asociada con patrones de phishing conocidos? Este análisis de anomalía se entrena continuamente sobre millones de transacciones válidas en Solana, Ethereum y otras blockchains soportadas para entender qué constituye un comportamiento «normal» versus desviaciones sospechosas.

La cuarta capa implementa análisis de cadena de suministro de contratos. Un usuario podría autorizar un contrato intermediario que luego hace una llamada a un segundo contrato verdaderamente malicioso. Blowfish rastrea esas cadenas de llamadas simulando la ejecución de la transacción en un entorno de prueba para ver a dónde fluirían realmente los fondos. Si una autorización de token que parece simple termina resultando en la transferencia de saldos completos a una dirección desconocida, Phantom Wallet lo detectará y advertirá al usuario antes de que firme.

Cómo machine learning reduce falsos positivos sin comprometer la seguridad

Una preocupación legítima sobre los sistemas de detección automática es que pueden ser demasiado agresivos, bloqueando transacciones legítimas y frustrando a usuarios que saben exactamente qué están haciendo. Blowfish aborda esto mediante un modelo de clasificación de riesgo gradual en lugar de un sistema binario de permitir o bloquear. Cada transacción recibe una puntuación de riesgo que refleja la combinación de señales detectadas. Una transacción con muy alto riesgo es bloqueada automáticamente. Una transacción con riesgo moderado genera una advertencia que el usuario puede leer y luego decidir si continúa. Una transacción con bajo riesgo se ejecuta sin interrupciones.

El entrenamiento del modelo requiere etiquetado de datos históricos: ejemplos de transacciones que finalmente resultaron en robo de fondos o pérdida, y ejemplos de transacciones completamente legítimas. Least Authority y Kudelski Security, las firmas que han auditado Phantom Wallet, han verificado que este conjunto de entrenamiento no contiene sesgos que favorezcan injustamente a ciertos tipos de usuarios o contratos. El riesgo de sesgo es real—un modelo entrenado solo en transacciones de grandes ballenas (whales) podría rechazar transacciones legítimas de usuarios pequeños—pero auditorías externas pueden identificar y corregir esos problemas.

Machine learning también permite que Blowfish se adapte a nuevas técnicas de ataque sin requerir actualización manual del código. Si emerge una nueva forma de esquema de robo basada en contratos inteligentes, la red de Phantom puede comenzar a ver patrones similares dentro de días. El modelo se reentrena con esos nuevos ejemplos, y todos los usuarios se benefician de esa inteligencia compartida. Esto es fundamentalmente diferente de una lista negra estática que requeriría que un equipo humano identificara manualmente cada nuevo contrato fraudulento y lo añadiera a una lista de bloqueo.

Integración de Blowfish en el flujo de firma de transacciones

El punto crítico donde Blowfish entra en acción es inmediatamente antes de que un usuario firme una transacción. Cuando alguien interactúa con una aplicación descentralizada (dApp) y hace clic en «aprobar» o «enviar», Phantom Wallet captura los detalles de la transacción propuesta. Esa información se envía a los servidores de análisis de Blowfish, donde el modelo de machine learning la procesa. Este proceso ocurre localmente dentro de la billetera siempre que es posible para minimizar exposición de datos. El resultado—una calificación de riesgo y explicaciones en lenguaje natural—se devuelve al usuario en la pantalla de firma.

La Phantom Wallet app disponible tanto como extensión de navegador (Chrome, Brave, Edge) como aplicación móvil (iOS, Android) incorpora esta capacidad de detección de manera transparente. El usuario no necesita entender cómo funciona el modelo de machine learning. Solo ve una advertencia clara: «Esta transacción intenta acceder a tus fondos de manera inusual» o «Este contrato es conocido por robar fondos». Las explicaciones incluyen detalles específicos—qué función intenta ejecutarse, qué cambios de estado ocurrirían, qué dirección recibiría fondos—para que un usuario informado pueda verificar la información y decidir si confía en la operación a pesar de la advertencia.

Este diseño reconoce una realidad importante: los usuarios con experiencia a veces necesitan anular advertencias legítimas. Un desarrollador probando un contrato experimental, o un usuario que está participando deliberadamente en una transacción de riesgo, debería poder proceder. Pero Phantom Wallet asegura que la anulación requiera un acto deliberado y consciente, no un clic accidental. Las protecciones técnicas como la sincronización automática entre dispositivos y el soporte para hardware wallets como Ledger refuerzan esta arquitectura: aunque la extensión de navegador sea comprometida, un atacante no podría firmar transacciones sin acceso físico al hardware wallet o a la frase de recuperación del usuario.

Patrones de fraude que Blowfish identifica sistemáticamente

En la práctica, Blowfish está entrenado para detectar categorías específicas de ataques que plagian los ecosistemas de blockchain. El primer patrón es el token approval scam. Un usuario autoriza a un contrato a transferir una cantidad limitada de tokens con un propósito legítimo. Pero el contrato malicioso está diseñado para ignorar ese límite y transferir el saldo completo. Blowfish identifica cuando una solicitud de aprobación solicitada por un token es significativamente diferente de transacciones de aprobación normales, o cuando el contrato receptor tiene un historial de exfiltración de fondos.

El segundo patrón es el reentrancy exploit modificado. El contrato llamado intenta invocar una función en el contrato del usuario varias veces antes de que se actualice el estado, permitiendo la extracción de fondos que deberían haberse protegido. Blowfish simula la ejecución de la transacción para detectar cuando las llamadas podría fluir de manera circular o repetitiva.

El tercer patrón es el malicious NFT contract. Un usuario aprueba un contrato de NFT pensando que simplemente acuñará o transferirá una colección. Pero el contrato está diseñado para ejecutar lógica oculta que roba fondos o tokens del usuario. El análisis de decompilación de bytecode de Blowfish identifica discrepancias entre la funcionalidad presentada y el código real.

El cuarto patrón es el liquidity pool scam. Un usuario proporciona liquidez a un mercado que parece legítimo pero que está diseñado para drenar fondos cuando el precio alcanza ciertos umbrales o cuando el operador decide ejecutar un «rugpull» (retiro malicioso de liquidez). Blowfish examina el historial de movimientos del pool, si el operador ha ejecutado comportamientos sospechosos en otros pools, y si los volúmenes de comercio son consistentes con la profundidad de liquidez declarada.

Limitaciones y supuestos de la detección basada en machine learning

A pesar de su sofisticación, Blowfish no es una solución completa para la seguridad de blockchain. El sistema solo puede detectar transacciones que se envíen a través de Phantom Wallet. Si un usuario ha importado su frase de recuperación a una billetera comprometida, o si ha compartido su clave privada con un servicio que lo solicita, Blowfish no tiene forma de intervenir—la clave ya está comprometida. Este es el punto fundamental de las billeteras no custodiales: el usuario retiene el control completo, lo que también significa que retiene la responsabilidad completa de mantener la clave segura.

Segundo, Blowfish opera dentro de un entorno técnico limitado. Puede analizar transacciones que ocurren en Solana, Ethereum, Polygon, Base, Sui, Monad y otras blockchains que Phantom soporta. Pero algunos ataques ocurren fuera de cadena. Un usuario puede ser engañado para que comparta una frase de recuperación mediante phishing, o puede autorizar una transacción mientras está bajo coerción o manipulación social. Ningún algoritmo de machine learning puede detectar ingeniería social porque el problema no está en los parámetros técnicos de la transacción—está en la cognición humana.

Tercero, los modelos de machine learning se pueden eludir mediante técnicas de «adversarial attack» si un atacante sabe cómo funciona el modelo. Por eso Blowfish no publica los detalles específicos de cómo clasifica el riesgo. Si un atacante pudiera estudiar exactamente qué características activan una bandera de alto riesgo, podría diseñar un ataque que evite esas características. Las auditorías externas validan que el modelo funciona, pero el secreto de la implementación es una medida de seguridad defensiva legítima.

Cuarto, los falsos positivos y los falsos negativos son inevitables. Un usuario puede recibir una advertencia sobre una transacción completamente legítima que tiene características que el modelo interpreta como sospechosas. Inversamente, una transacción sutilmente fraudulenta podría no ser detectada si el atacante usa técnicas nuevas que no están bien representadas en los datos de entrenamiento. Phantom Wallet mitiga esto permitiendo que usuarios reporten falsos positivos y falsas negativas, lo que mejora el modelo en iteraciones futuras.

Arquitectura de seguridad más allá de machine learning

Blowfish es un componente de una estrategia de seguridad más amplia. Phantom Wallet incluye previsualizaciones de transacciones detalladas que traducen el bytecode opaco en explicaciones legibles: «Esto autoriza que el contrato X transfiera hasta Y tokens». El usuario puede revisarlos antes de firmar. La sincronización automática entre dispositivos (navegador y móvil) asegura que si una transacción es bloqueada en una plataforma, se bloquea en todas. La compatibilidad con hardware wallets como Ledger añade una capa física: aunque la extensión sea comprometida, el atacante no puede firmar sin el dispositivo físico.

Phantom Wallet también mantiene una gestión integrada de NFTs con capacidades de previsualizacion similar. Cuando un usuario intenta firmar una transacción que involucra un NFT, Phantom muestra una imagen del activo, su nombre, y los términos de la transacción. Esta visualización previene que un usuario firme accidentalmente la venta de una obra de arte valiosa a un contrato que simplemente la desaparece.

El soporte para múltiples blockchains amplifica el desafío de seguridad. Cada blockchain tiene sus propias convenciones de contrato, estándares de token, y vulnerabilidades conocidas. Blowfish se entrena por separado para cada red, aunque los patrones de ataque frecuentemente se transfieren entre ellas. Un exploit que surge en Ethereum puede ser adaptado rápidamente para Solana o Polygon. La arquitectura distribuida de Phantom—con millones de usuarios en diferentes redes—proporciona visibilidad sobre nuevas técnicas de ataque más rápidamente que cualquier auditor podría encontrar por sí solo.

El rol del usuario en la defensa final

Sin importar cuán sofisticado sea el machine learning, el usuario sigue siendo la defensa final. Blowfish puede advertir sobre un contrato fraudulento conocido, pero no puede forzar a un usuario a no proceder. Un usuario que ignora advertencias consistentes de «alto riesgo» porque confía en su propio análisis técnico tiene derecho a hacer eso, pero debe entender las implicaciones. Si un usuario proporciona la frase de recuperación a alguien que solicita acceso, o autoriza una transacción que resulta en pérdida total de fondos, Phantom Wallet no puede revertir esa acción. Las claves privadas son finales.

La responsabilidad del usuario también incluye la gestión de copias de seguridad. Phantom permite que usuarios exporten su frase de recuperación, que es la puerta maestra a todos los fondos. Esa frase debe ser almacenada offline, en un lugar seguro y resistente a acceso no autorizado. Los métodos comunes incluyen escribirla en papel y almacenarla en una caja de seguridad, grabarla en metal resistente al fuego, o usar un custodio de terceros verificado. El método menos seguro es almacenarla digitalmente en un servicio en línea, un correo electrónico, o una nota en el teléfono.

Blowfish reduce el número de decisiones de seguridad que los usuarios no técnicos deben tomar automáticamente. Pero automáticamente no significa automágicamente. El usuario aún debe ser responsable de la integridad de su dispositivo, la confidencialidad de su frase de recuperación, y la sensatez de sus decisiones cuando recibe advertencias. Machine learning amplifica la seguridad operativa. No la reemplaza.