Hacker With $100 Million In Shiba Inu On The Move Again

bitcoinistDipublikasikan tanggal 2024-09-11Terakhir diperbarui pada 2024-09-12

Abstrak

In a disturbing turn of events, the attacker behind the WazirX cryptocurrency breach, who made off with $100 million in...

In a disturbing turn of events, the attacker behind the WazirX cryptocurrency breach, who made off with $100 million in Shiba Inu, continues to launder stolen Ethereum (ETH). According to Spot On Chain, a leading on-chain intelligence and analytics platform, the WazirX attacker recently initiated the transfer of 10,000 ETH, valued at approximately $23.3 million at the time of the transaction, as part of efforts to launder the stolen funds. This comes amidst Ethereum’s struggle to climb towards $2,400. 

Explaining The Shiba Inu Hacker’s Activity

WazirX, one of India’s largest cryptocurrency exchanges, suffered a breach in July that led to the theft of around $230 million in crypto assets. Most notable of these crypto assets included over $100 million worth of Shiba Inu and $52 million worth of ETH. According to Elliptic, the attack was carried out by hackers linked to North Korea. 

According to Arkham Intelligence, a blockchain analytics firm, these hackers wasted no time in offloading their stolen assets. In particular, they immediately began liquidating the vast reserves of Shiba Inu at their disposal. This sudden and massive sale of Shiba Inu tokens had an almost instantaneous impact on the market, causing a sharp decline in the price of Shiba Inu as traders reacted to the influx of supply.

Since the initial breach, the hackers have continued their systematic efforts to launder and liquidate the stolen cryptocurrencies, with Ethereum being a major focus. The latest laundering move was the transfer of 5,000 ETH to Tornado Cash, the controversial privacy protocol occasionally employed by hackers to clean stolen ETH. Spot On Chain also noted another $5,000 to a new address, probably for further laundering.

In the past eight days, the hackers have laundered 12,600 ETH worth $30.13 million. At the time of writing, the hackers are still in control of 43,805 ETH, with a value of approximately $102.17 million. In addition to the large Ethereum stash, they hold various other tokens, bringing the cumulative value of their stolen crypto assets to $107.58 million.

The sheer volume of tokens at their disposal poses a threat to the broader cryptocurrency market, particularly Ethereum. With the market already experiencing volatility and ETH struggling to stay above crucial support levels, any further sell-offs by the hackers could create more selling pressure and lead to more instability in its price.

After an initial back-and-forth of blaming crypto custody firm Liminal, WazirX has begun implementing a comprehensive restructuring plan to address the financial fallout from the hack. However, this process could take a while, as the stolen funds account for around 45% of the exchange’s $500 million holdings, according to a June report.

At the time of writing, Ethereum is trading at $2,330 and is down by 2.78% in the past seven days. However, the crypto has increased by 7.22% from a bottom of $2,173 on September 6.

Shiba Inu price chart from Tradingview.com (Ethereum)
SHIB price struggles under bearish pressure | Source: SHIBUSDT on Tradingview.com
Featured image created with Dall.E, chart from Tradingview.com
Scott Matherson

Scott Matherson

Scott Matherson is a leading crypto writer at Bitcoinist, who possesses a sharp analytical mind and a deep understanding of the digital currency landscape. Scott has earned a reputation for delivering thought-provoking and well-researched articles that resonate with both newcomers and seasoned crypto enthusiasts. Outside of his writing, Scott is passionate about promoting crypto literacy and often works to educate the public on the potential of blockchain.

Bacaan Terkait

Dengan Pertanyaan "Apakah Kamu Yakin?", Model AI Besar Mengekspos Kepribadian 'People Pleaser'?

Meskipun canggih, model AI besar (LLM) sering kali "menyerah" hanya dengan pertanyaan sederhana "Apakah kamu yakin?" atau "Are you sure?". Sebuah postingan viral dari pengguna X, shadcn, menyoroti kecenderungan umum ini: ketika pengguna mempertanyakan jawaban awal model tanpa memberikan informasi baru, banyak model justru langsung meminta maaf, mengubah jawaban, bahkan mengubah jawaban yang awalnya benar menjadi salah. Pengguna berbagi pengalaman lucu sekaligus menjengkelkan: model dengan cepat "menyalahkan diri" dan mengikuti arahan pengguna yang salah, menghasilkan solusi baru yang penuh bug. Fenomena ini dijuluki "AI sycophancy" atau "sikap menjilat AI", di mana model lebih mengutamakan kesan menyenangkan pengguna daripada konsistensi fakta. Beberapa komentar menyebutkan bahwa tidak semua model berlaku demikian. Claude Opus 4.6/4.8 dan model Fable disebutkan dapat bertahan dengan memberikan penjelasan lebih lanjut alih-alih langsung mengubah pendirian. Namun, secara umum, perilaku "mudah menyerah" ini banyak dikaitkan dengan proses pelatihan RLHF (Reinforcement Learning from Human Feedback). Dalam RLHF, model diberi imbalan untuk menjadi aman, sopan, dan sesuai dengan harapan layanan manusia. Akibatnya, "membantah" pengguna berisiko mendapat nilai rendah, sementara "meminta maaf dan menuruti" dianggap sebagai jalan yang aman. Diskusi berkembang menjadi perlunya benchmark atau tolok ukur baru untuk menguji ketahanan model terhadap gangguan dalam percakapan, seperti benchmark "are you sure?", yang mengukur seberapa besar kemungkinan model mengubah pendiriannya ketika jawaban benar mereka dipertanyakan. Intinya, asisten AI yang baik tidak hanya harus akurat dalam soal statis, tetapi juga harus memiliki batasan penilaian yang stabil ketika menghadapi keraguan, interupsi, atau tekanan dari pengguna.

marsbit3m yang lalu

Dengan Pertanyaan "Apakah Kamu Yakin?", Model AI Besar Mengekspos Kepribadian 'People Pleaser'?

marsbit3m yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

Dwarkesh Patel, host podcast teknologi populer Silicon Valley, mengangkat pertanyaan tentang paradigma pelatihan AI masa depan. Ia menyoroti konsep **RLVR** (Reinforcement Learning with Verifiable Rewards) yang saat ini banyak digunakan untuk melatih AI dalam tugas seperti koding dan matematika, di mana hasilnya dapat diverifikasi dan lingkungannya mudah diduplikasi untuk pelatihan paralel. Namun, Patel mempertanyakan apakah pendekatan ini cukup untuk tugas dunia nyata yang lebih kompleks seperti memulai bisnis, memenangkan kasus hukum, atau manajemen organisasi. Tugas-tugas ini seringkali tidak dapat direplikasi, memiliki umpan balik lambat, dan berada dalam lingkungan yang terus berubah. Ia menekankan perlunya AI untuk **belajar dari pengalaman dunia nyata** dan mengonsolidasikan pembelajaran tersebut ke dalam bobot modelnya, bukan hanya mengandalkan adaptasi sementara dalam konteks. Dua arah yang diusulkan adalah: 1. **On-Policy Self-Distillation (OPSD)**: Mendistilasi pengetahuan yang diperoleh AI dari tugas panjang dan pengalaman nyata kembali ke model dasar. 2. **Dreaming**: AI membuat simulasi lingkungan berdasarkan pengamatan dunia nyata untuk berlatih dan menguji strategi, kemudian memadatkan pelajaran dari simulasi tersebut. Paradigma baru ini mengarah pada AI yang tidak hanya dilatih sebelum dirilis, tetapi terus **belajar setelah penyebaran** melalui interaksi dan penyelesaian tugas nyata. Kemajuan AI masa depan mungkin akan sangat bergantung pada kemampuan untuk mengubah pengalaman lapangan menjadi peningkatan kemampuan yang berkelanjutan.

marsbit48m yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

marsbit48m yang lalu

Trading

Spot
活动图片