2024年巴黎奥运会:网络罪犯的游乐场?

币界网Dipublikasikan tanggal 2024-07-18Terakhir diperbarui pada 2024-07-18

币界网报道:

随着2024年巴黎奥运会的临近,这座城市正在为追求卓越的运动而做准备。预计将有超过1500万游客,估计将带来37.5亿美元的经济增长,此次活动也为网络犯罪分子提供了一个千载难逢的机会。奥运会的规模和知名度使其成为吸引各种网络威胁的磁石,从网络钓鱼诈骗到复杂的人工智能驱动攻击。

网络安全专家警告称,游客的涌入和与奥运会相关的在线活动的增加将为欺诈和网络犯罪创造一个成熟的环境。法国政府、国际奥委会和BioCatch等网络安全公司都强调了这些风险。警告很明确:网络犯罪分子正准备利用奥运会的热门话题发动攻击,这些攻击可能会扰乱活动,窃取个人信息,并在欺诈交易中吸走数百万美元。

该报告提供了关于法国数字银行欺诈状况的几个关键见解。尽管欺诈损失总额有所下降,但数字银行欺诈去年大幅增长了9%,占所有大额欺诈事件的70%以上。这一增长凸显了社会工程攻击的日益复杂,例如虚假银行顾问骗局,这是2024年法国银行面临的最大挑战。此外,这些数据突显了一个严重的漏报问题,向法国警方报告的已知欺诈案件不到一半。随着94%的法国人口使用数字银行,该国面临着这些不断变化的网络威胁的风险和暴露。

为什么网络威胁激增?

世界经济论坛报告称,在巴黎奥运会之前,网络威胁已经达到了前所未有的水平。大规模的票务运营和经济活动的激增使该活动成为主要目标。过去的活动,如东京奥运会,估计发生了4.5亿次网络攻击。对于巴黎来说,专家预测,鉴于技术的进步和设备连接的增加,尝试的次数会更多。

网络钓鱼攻击,即骗子发送欺骗性电子邮件诱骗收件人泄露个人信息,预计将激增。这些攻击可能会冒充官方奥运通讯、赞助商和与奥运会相关的流行品牌。目标是窃取敏感数据或在受害者的设备上安装恶意软件。

谁是主要的威胁因素?

巴黎首席检察官还对有组织犯罪集团,特别是来自欧洲和南美洲的犯罪集团聚集在该市发出了警报。这些团伙专门从事街头盗窃,这可能会导致被盗设备欺诈的增加。被盗的智能手机和平板电脑可能被用于数字银行欺诈,为访问者增加了另一层风险。

人工智能如何影响网络犯罪?

网络罪犯使用人工智能是另一个日益增长的问题。人工智能可以自动化和增强传统的攻击方法,使其更高效、更难检测。相反,网络安全团队也在使用人工智能来加强防御,通常是以能够实时发现和应对威胁的人工智能平台的形式,旨在领先于网络犯罪分子一步。

正在实施哪些安全措施?

为应对这些威胁,2024年巴黎奥组委与主要科技公司和政府机构合作,加强网络安全措施。这些努力包括进行全面的安全审计,建立快速反应小组,并为参与奥运会的所有利益相关者实施严格的培训计划。

法国网络安全机构ANSSI在这些准备工作中发挥着至关重要的作用。总干事文森特·斯特鲁贝尔保证,已经进行了广泛的准备工作,以应对潜在的袭击。这包括雇佣道德黑客来测试与奥运会相关的各种网站和基础设施的安全性。

随着奥运会的临近,所有参与者都必须意识到潜在的风险,并采取积极措施保护个人信息和设备。数字世界为渎职行为提供了与庆祝活动一样多的机会,巴黎奥运会将证明网络安全专业人员和网络犯罪分子之间正在进行的斗争。

Bacaan Terkait

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

Meskipun harga Ethereum (ETH) turun 20-45% sejak awal tahun, minat institusional terhadap aset kriptu terkemuka ini tetap kuat. SharpLink, setelah jeda delapan bulan, kembali membeli 5.000 ETH senilai sekitar $7,88 juta, diikuti penambahan 26.324 LSETH senilai $45,54 juta. Total kepemilikannya kini mencapai 876.285 ETH, menunjukkan keyakinan pada utilitas jangka panjang dan pendapatan staking Ethereum, meski menghadapi kerugian belum terealisasi hampir $1,71 miliar. Tren akumulasi ini juga tercermin pada aktivitas "paus" (whale), dengan satu dompet baru mengakumulasi 18.361 ETH senilai $28,9 juta dalam sembilan hari terakhir, menandakan persiapan untuk pergerakan harga di masa depan. Namun, kepercayaan yang kembali bangun ini belum sepenuhnya tercermin dalam permintaan institusional yang lebih luas. ETF Spot Ethereum justru mencatat arus keluar bersih, dengan penarikan $12,85 juta pada 26 Juni. Meski demikian, total aset yang dipegang penerbit ETF masih signifikan, senilai lebih dari $8,38 miliar, yang mengindikasikan penyesuaian posisi berkelanjutan daripada pelepasan total. Pada intinya, akumulasi oleh treasury perusahaan dan paus mendukung prospek jangka panjang Ethereum, tetapi pemulihan berkelanjutan masih bergantung pada membaiknya sentimen pasar dan arus masuk ETF yang lebih kuat untuk mengimbangi tekanan penjualan institusional yang masih ada.

ambcrypto4j yang lalu

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

ambcrypto4j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

Baru-baru ini, DeepSeek V4 diperbarui dengan framework *Speculative Decoding* baru bernama **DSpark**, yang diklaim meningkatkan kecepatan inferensi hingga 80%. Pembaruan ini, yang juga disertai open-sourcing framework **DeepSpec**, berfokus pada optimasi teknikal dan peningkatan performa, bukan perubahan arsitektur model inti. DSpark mengimplementasikan **Semi-Autoregressive Generation** untuk menjaga throughput tinggi dan meningkatkan akurasi token yang dihasilkan oleh model draf (*draft model*). Inovasi utamanya adalah **Confidence-Scheduled Verification**, yaitu sistem penjadwalan yang cerdas dan adaptif. Sistem ini menggunakan *Confidence Head* untuk memperkirakan probabilitas penerimaan setiap token kandidat dan secara dinamis menyesuaikan panjang verifikasi berdasarkan beban kerja sistem (*hardware-aware*), sehingga mengalokasikan daya komputasi hanya ke token yang paling potensial. Dalam pengujian di berbagai domain (penalaran matematika, generasi kode, percakapan), DSpark menunjukkan peningkatan signifikan dibandingkan model *state-of-the-art* seperti Eagle3 dan DFlash. Pada kondisi *throughput* yang setara, DSpark meningkatkan kecepatan respons pengguna sebesar 57%-85% untuk model DeepSeek-V4 Flash dan Pro. DeepSpec, yang dirilis bersamaan, adalah *codebase* lengkap untuk melatih dan mengevaluasi model draf *speculative decoding*. Framework ini menyediakan pipeline standar (persiapan data, pelatihan, evaluasi) dan mendukung beberapa algoritma (DSpark, DFlash, Eagle3) serta model target (Qwen3, Gemma), memudahkan peneliti dan insinyur untuk mengembangkan dan menerapkan teknik percepatan inferensi pada model bahasa besar mereka sendiri.

marsbit5j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

marsbit5j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

Sejak bergabung dengan Anthropic, aktivitas Andrej Karpathy di komunitas terbuka berkurang drastis. Baru-baru ini, sebuah dokumen bernama CLAUDE.md yang diklaim sebagai panduan penggunaan Claude milik Karpathy beredar di komunitas. Isinya berisi sejumlah prinsip ketat untuk memandu AI dalam menulis kode, yang bertujuan mengurangi kesalahan umum model bahasa besar (LLM). Prinsip-prinsip utama mencakup: 1) **Baca dahulu sebelum menulis** – pahami struktur dan gaya kode proyek yang ada. 2) **Berpikir sebelum menulis kode** – klarifikasi asumsi, pertimbangkan trade-off, dan uraikan rencana. 3) **Tetap sederhana** – hindari desain berlebihan, abstraksi prematur, dan fleksibilitas yang tidak diperlukan. 4) **Modifikasi terarah** – lakukan perubahan minimal yang sesuai dengan gaya kode asli, jangan melakukan reformatting atau pembersihan yang tidak relevan. 5) **Verifikasi dan uji** – pastikan kode berfungsi seperti yang diharapkan dengan pengujian yang tepat. 6) **Debug secara sistematis** – jangan menebak, selidiki akar masalahnya. 7) **Hati-hati dengan dependensi** – hindari menambah dependensi yang tidak perlu. 8) **Komunikasi yang jelas** – jelaskan apa yang dilakukan dan alasannya. Dokumen ini juga menyoroti pola kegagalan umum seperti abstraksi yang salah, "optimistic path", dan "halusinasi pengetahuan". Meskipun keaslian dokumen ini diragukan, isinya sangat selaras dengan pemikiran Karpathy yang telah banyak mengkritik kelemahan LLM dalam pemrograman. Prinsip-prinsip ini, yang juga telah dijadikan template populer di GitHub, dianggap dapat meningkatkan efektivitas dan mengurangi kesalahan saat menggunakan asisten AI seperti Claude untuk pengembangan perangkat lunak.

marsbit7j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

marsbit7j yang lalu

Trading

Spot
活动图片