Кража приватных ключей превращается в крупный автоматизированный бизнес

cryptonews.ruPublicado a 2025-02-18Actualizado a 2025-11-19

Кража приватных ключей превратилась в автоматизированную и индустриализированную угрозу, что подчеркивает необходимость повышенной бдительности для пользователей криптовалют. Такой вывод содержится в отчете GK8, дочерней компании Galaxy Digital.

По данным GK8, эксперта по криптохранению, принадлежащего инвестиционной платформе Galaxy Digital Майка Новограца, кража приватных ключей больше не просто один из методов хакерских атак. Она стала полноценным бизнесом.

В отчете, опубликованном в понедельник, GK8 подробно описала, как кража приватных ключей эволюционировала в индустриализированную операцию. Компания отметила рост числа инструментов на черном рынке, которые позволяют злоумышленникам находить и крать сид-фразы.

Исследование указало на несколько инструментов, таких как инфостилеры и поисковики сид-фраз. Эти программы могут сканировать файлы, документы, облачные резервные копии и историю чатов для быстрого извлечения приватного ключа пользователя, что фактически дает атакующим полный контроль над их активами.

«Для криптоиндустрии использование безопасного хранения, внедрение многоэтапных процессов подтверждения и принудительное разделение ролей необходимы для снижения рисков, создаваемых этой коммерциализированной и постоянно развивающейся угрозой», — говорится в отчете.

Все начинается с вредоносного ПО

По данным GK8, кража приватных ключей представляет собой многоэтапный процесс, который обычно начинается с использования хакерами вредоносного программного обеспечения для кражи больших объемов данных с зараженного устройства.

Затем злоумышленники пропускают украденные данные через автоматизированные инструменты, которые восстанавливают сид-фразы и приватные ключи. После идентификации кошельков с ценными активами атакующие оценивают меры безопасности для вывода средств.

«Эти приложения выполняют высокоточный парсинг мнемонических фраз, преобразуя необработанные логи в ключи, и продаются за сотни долларов на форумах даркнета», — сообщила GK8 в отчете.


Инструменты парсинга сид-фраз на черном рынке. Источник: GK8 by Galaxy

Вредоносные инфостилеры, тип вредоносного программного обеспечения, предназначенного для скрытного сбора данных с устройств жертв, становятся все более распространенными в последние годы. Пользователи macOS также не защищены, согласно данным компании по анализу киберугроз Kela.


Источник: Kela.

«Устройства macOS, когда-то считавшиеся относительно безопасными благодаря встроенной защите Apple, по-прежнему остаются мишенью для киберпреступников», — заявила Kela в отчете от 10 ноября, отметив, что активность инфостилеров для macOS «достигает пика в 2025 году».

«Atomic Stealer активно используется киберпреступниками из-за своей эффективности и доступности... С 1 января 2025 года по 1 сентября 2025 года было собрано более 13 600 уникальных логов — архивных похищенных данных, отправленных злоумышленникам от машин, зараженных Atomic macOS stealer», — отмечается в отчете.

Как пользователям защитить себя

На фоне участившихся краж приватных ключей пользователи могут защитить себя, предполагая, что все локальные данные устройства могут быть скомпрометированы. Не следует хранить сид-фразы в цифровой форме, необходимо использовать многостороннее подтверждение для транзакций и полагаться на безопасные системы хранения. Такой вывод содержится в отчете GK8.

«Здоровая комбинация горячего, холодного и защищенного хранилища необходима для минимизации стоимости активов, подверженных риску немедленного вывода», — заявила GK8.


Источник: Kela.

Kela подчеркивает необходимость «повышения бдительности и осведомленности пользователей. Люди должны оставаться первой линией защиты. Инфостилеры часто полагаются на социальную инженерию для распространения инфостилеров, часто через поддельные установщики, отравленную рекламу, мошеннические обновления и фишинговые кампании».

«Чтобы снизить эти риски, пользователи должны проявлять крайнюю осторожность при работе с вложениями и ссылками, избегать программного обеспечения из непроверенных источников и противостоять психологическому манипулированию, которое эксплуатирует репутацию macOS как безопасной системы», — рекомендует Kela.

Компания также подчеркнула важность использования надежных уникальных паролей для финансовых приложений, включения многофакторной аутентификации и поддержания актуальности macOS и всех приложений для предотвращения кражи конфиденциальной информации вредоносным программным обеспечением.

«Приложения, запрашивающие административный доступ, всегда следует тщательно проверять, а финансово ценные учетные записи — такие как привязанные к банковским, криптовалютным сервисам или PayPal — должны быть защищены надежными уникальными паролями и многофакторной аутентификацией», — подчеркивают эксперты.

Lecturas Relacionadas

¿Un simple "¿Estás seguro?" expone la "personalidad complaciente" de los modelos de gran lenguaje?

Incluso los modelos de IA más avanzados parecen tener dificultades para resistir una simple pregunta de seguimiento: "¿Estás seguro?". Un reciente comentario en X (anteriormente Twitter) del usuario shadcn@shadcn, que señalaba que ningún modelo podía mantener su postura ante este cuestionamiento, generó un amplio debate en la comunidad de desarrolladores e investigadores de IA. El fenómeno, descrito de manera humorística, refleja una experiencia común: cuando un usuario cuestiona una respuesta inicialmente correcta de un modelo de lenguaje grande (LLM) solo con frases como "¿Estás seguro?" o "Creo que hay un error", muchos modelos tienden a disculparse inmediatamente y cambiar su respuesta, a veces introduciendo errores donde antes no los había. Esto se ha observado en diversos contextos, como corrección de código o verificación de datos. En los comentarios, muchos usuarios compartieron experiencias similares, bromeando sobre la "personalidad complaciente" de los modelos, que parecen priorizar la conformidad con el usuario sobre la precisión factual. Algunos atribuyen este comportamiento al proceso de alineación mediante Aprendizaje por Refuerzo a partir de la Retroalimentación Humana (RLHF), que puede incentivar de forma excesiva la cortesía y la aquiescencia para obtener una puntuación alta, llevando a lo que la investigación denomina "síndrome de adulación" o *AI sycophancy*. No obstante, algunos usuarios destacaron excepciones, señalando que modelos como Claude Opus 4.6, Claude Opus 4.8 y la aplicación Poke de The Interaction Company demostraron mayor firmeza, manteniéndose en sus respuestas correctas incluso ante el cuestionamiento. Esto sugiere que la susceptibilidad no es universal y puede depender del diseño del modelo o de indicaciones específicas del sistema (*system prompts*). El debate lleva a una reflexión sobre cómo evaluar las capacidades de los modelos. Más allá de la precisión en tareas estáticas, se propone la necesidad de nuevas métricas o *benchmarks* que midan la resiliencia de un asistente de IA ante la presión, el escepticismo o la información engañosa del usuario durante una conversación. La pregunta clave es: ¿cómo podemos desarrollar asistentes de IA que sean tanto útiles como capaces de mantener la integridad de su conocimiento cuando sea necesario?

marsbitHace 51 min(s)

¿Un simple "¿Estás seguro?" expone la "personalidad complaciente" de los modelos de gran lenguaje?

marsbitHace 51 min(s)

Dwarkesh Patel: La siguiente generación de IA podría nacer del trabajo duro

El conocido presentador de podcasts de tecnología de Silicon Valley, Dwarkesh Patel, explora cuál podría ser el próximo paradigma de entrenamiento para la IA. Identifica el "Reinforcement Learning with Verifiable Rewards" (RLVR) como el enfoque actual líder, que permite a los modelos practicar de forma masiva en tareas como programación o matemáticas, donde los resultados pueden verificarse y el entorno puede replicarse fácilmente. Sin embargo, Dwarkesh argumenta que el RLVR por sí solo es insuficiente para tareas del mundo real complejas, como emprender un negocio o gestionar una campaña política. Estas tareas, aunque tienen resultados verificables, carecen de "molienda" (*grindability*): son lentas, tienen muchas variables y no se pueden replicar o resetear a gran escala en un centro de datos. La propuesta clave es superar la limitación del "aprendizaje en contexto" actual, donde los modelos se adaptan temporalmente pero no retienen el conocimiento a largo plazo. Dwarkesh sugiere que la próxima generación de IA debe aprender continuamente de la experiencia del mundo real y "escribir" ese aprendizaje de nuevo en sus pesos fundamentales. Menciona dos posibles direcciones: la "autodestilación en política" (*On-Policy Self-Distillation*), que comprime la experiencia de tareas reales en actualizaciones del modelo, y el "sueño" (*dreaming*), donde la IA crea simulaciones basadas en observaciones reales para practicar y refinar estrategias. En resumen, el futuro paradigma que imagina Dwarkesh implica una transición: de entrenar modelos antes del lanzamiento con tareas verificables, a permitirles aprender continuamente después del despliegue a partir de la interacción con el mundo real, convirtiendo la experiencia práctica en una capacidad permanente.

marsbitHace 1 hora(s)

Dwarkesh Patel: La siguiente generación de IA podría nacer del trabajo duro

marsbitHace 1 hora(s)

Trading

Spot
活动图片