Фишинговые атаки в августе нанесли пользователь ущерб на сумму $12,17 млн

cryptonews.ruPublicado a 2025-09-25Actualizado a 2025-09-25

По данным отчета ScamSniffer за август 2025 года, объем средств, похищенных с помощью фишинговых атак, составил $12,17 млн. Всего зафиксировано 15,23 тыс. пострадавших пользователей. По сравнению с июлем рост оказался резким — убытки увеличились на 72%, а число жертв выросло на 67%. Такая динамика показывает масштабное усиление активности злоумышленников.

Основным фактором роста потерь стали новые схемы, связанные с EIP-7702 batch-signature. Эти атаки позволяли киберпреступникам использовать массовые подписи для упрощенных транзакций. Кроме того, наблюдались многочисленные прямые переводы криптовалют на адреса фишинговых контрактов. Это говорит о том, что пользователи не распознали угрозу и подтвердили транзакции вручную.

Отдельное внимание в отчете уделяется случаям с инвесторами. Три атаки на крупных держателей активов привели к потерям $5,62 млн, что составляет 46% от общего объема хищений. Подобные инциденты подтверждают: злоумышленники активно нацеливаются на так называемых «китов», чтобы максимизировать прибыль.

При этом в ScamSniffer аналитики, что реальные суммы ущерба могут быть выше. В отчете подчеркивается: из-за отсутствия корректной оценки стоимости LP-токенов и ряда сложных сценариев, часть убытков могла остаться вне статистики. Это значит, что фактические потери криптоинвесторов способны превысить официальные $12,17 млн.

Резкий рост атак указывает на необходимость усиления мер защиты. Эксперты рекомендуют проверять каждую транзакцию, избегать подписания неизвестных контрактов и использовать многоуровневые системы безопасности. Отдельно подчеркивается важность работы с надежными кошельками и сервисами мониторинга.

ScamSniffer продолжает развивать собственные решения на стыке on-chain и off-chain аналитики. Целью является создание более эффективных систем предотвращения атак в режиме реального времени. Платформа уже внедряет механизмы отслеживания подозрительных адресов и уведомления пользователей до того, как средства будут переведены.

Lecturas Relacionadas

Claude se volvió 'tonto' en toda la red, y Anthropic aclara el motivo: No es el modelo quien te falla

**Los usuarios de Claude Code se quejaban de que el modelo se volvió más torpe, pero Anthropic aclara: el problema no era el modelo, sino el ajuste de "Esfuerzo".** En marzo, muchos desarrolladores notaron que Claude Code parecía menos competente: omitía leer archivos o ejecutar pruebas. La comunidad criticó fuertemente a Anthropic. La causa real fue un cambio en la configuración predeterminada del nivel de **Esfuerzo (Effort)**, de "alto" a "medio", realizado para reducir la latencia. Este ajuste afectó cuánto trabajo invertía Claude en una tarea, no su conocimiento fundamental. Anthropic explica la diferencia clave entre **Modelo** y **Esfuerzo**: * **Modelo (Sonnet, Opus, Fable):** Representa la "inteligencia" o conocimiento base del modelo (pesos congelados del entrenamiento). Cambiarlo resuelve problemas de "¿puede hacerlo?". * **Esfuerzo (Effort):** Representa la "actitud" o cuánto trabajo está dispuesto a realizar en una tarea específica (leer archivos, ejecutar pruebas, verificar). Un Esfuerzo bajo hace que Claude responda rápido pero pida más contexto; un Esfuerzo alto lo hace investigar y trabajar de forma más autónoma. **Conclusión importante:** Un modelo más pequeño (como Sonnet) con un Esfuerzo alto puede superar a un modelo más grande (como Opus) con un Esfuerzo bajo en muchas tareas. El cambio de marzo demostró que los usuarios a menudo subestimaban el impacto del control de Esfuerzo, culpando erróneamente al modelo. **Marco para solucionar problemas:** 1. Verifica primero el contexto y las instrucciones (prompt). 2. Si Claude se equivoca, pregúntate: **¿Es que "no sabe" o "no se esfuerza lo suficiente"?** * **No se esfuerza (ej., omite pasos):** Aumenta el nivel de Esfuerzo. * **No sabe (ej., errores persistentes a pesar del contexto):** Cambia a un modelo más capaz. La lección es que el uso efectivo de herramientas de IA como Claude Code ya no se trata solo de elegir el modelo más potente, sino de aprender a **gestionar y asignar recursos** (modelo y esfuerzo) de manera inteligente para cada tarea, optimizando tanto el rendimiento como el coste.

marsbitHace 1 hora(s)

Claude se volvió 'tonto' en toda la red, y Anthropic aclara el motivo: No es el modelo quien te falla

marsbitHace 1 hora(s)

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

**Resumen en español europeo:** Más de 90 empresas, incluidas 70 dedicadas a la recopilación, compiten en el emergente campo de los datos de inteligencia encarnada en China. En el último año, 15 proveedores de datos independientes recaudaron aproximadamente 4.470 millones de RMB. El artículo, basado en estadísticas de "Quantum Bit", describe diez aspectos clave del sector: 1. **Métodos de recopilación:** Se dividen en cuatro categorías: teleoperación de robots reales, recopilación sin robot (con captura de movimiento), simulación y destilación de vídeos de internet. La mayoría de las empresas (43%) utilizan múltiples métodos, siendo la teleoperación la ruta única más común (31%). 2. **Perfil de los actores:** Los proveedores de datos independientes son el grupo más numeroso (40%), seguidos por plataformas de datos estatales (26%) y fabricantes de robots (25%). Dos tercios de las empresas son "nativas" del sector. 3. **Capacidad y distribución:** La capacidad anual actual se estima en 1,6-1,8 millones de horas, con el objetivo de multiplicarla por 15-20 en 1-3 años. Las "fábricas de datos" están presentes en 20 provincias, concentrándose en el delta del Yangtsé. 4. **Financiación y etapa:** La financiación del último año para proveedores independientes (44.700 millones RMB) es modesta comparada con la inversión total en inteligencia encarnada. El sector está muy fragmentado, con una sola "unicornio" (Lightwheel AI) que acaparó el 70% de la inversión. 69 fondos han invertido, pero ninguno de forma significativa, mostrando cautela. 5. **Conclusión:** El mercado de datos encarnados es ya una industria independiente y generadora de empleo, pero se encuentra en una fase muy temprana. Aún no está claro si "vender datos" será un negocio rentable, y los próximos 1-2 años serán cruciales para validar el modelo.

marsbitHace 4 hora(s)

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

marsbitHace 4 hora(s)

Trading

Spot
活动图片