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

cryptonews.ruDipublikasikan tanggal 2025-09-25Terakhir diperbarui pada 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.

Bacaan Terkait

Claude Dituduh Jadi Bodoh di Seluruh Internet, Anthropic Ungkap Penyebab Sebenarnya: Masalahnya Bukan di Modelnya

"Model" dan "Effort" dalam Claude Code: Bukan Model yang Bodoh, tapi Pengaturan yang Salah. Banyak pengguna mengeluh Claude Code menjadi "bodoh", seperti tidak membaca file atau menjalankan tes. Ternyata, masalahnya bukan pada model AI-nya, melainkan pada pengaturan **Effort** yang secara diam-diam diturunkan dari high ke medium oleh Anthropic pada Maret, demi mengurangi latency. Effort mengontrol seberapa keras Claude bekerja: membaca file, menjalankan tes, dan menyelesaikan tugas multi-langkah. Anthropic menjelaskan perbedaan kunci: - **Model** (Seperti Sonnet, Opus, Fable): Menentukan "kemampuan" atau pengetahuan dasar AI (terkait bobot yang dibekukan saat pelatihan). Ini menjawab "bisakah" AI melakukan tugas. - **Effort** (low, medium, high, ultra): Menentukan "sikap" atau seberapa banyak usaha yang AI kerahkan untuk tugas *tersebut*. Ini mengontrol seberapa teliti, proaktif, dan mandirinya AI. Kesalahan umum adalah langsung mengganti ke model yang lebih besar (dan mahal) ketika hasilnya buruk. Seringkali, menaikkan level Effort pada model yang lebih kecil (misal, Sonnet dengan high effort) bisa mengungguli model besar dengan effort rendah (Opus dengan medium effort), karena Claude mengerahkan lebih banyak pekerjaan. **Kerangka diagnosis resmi dari Anthropic:** 1. Periksa konteks/prompt Anda terlebih dahulu. 2. Jika Claude **tidak cukup berusaha** (melewatkan file, tes), **naikkan Effort**. 3. Jika Claude **tidak mampu** (salah terus meski konteks jelas dan berusaha), **ganti model yang lebih kuat**. Intinya: Era hanya membandingkan kekuatan model akan berakhir. Keterampilan baru yang penting adalah **menjadwalkan dan mengalokasikan** model & effort dengan tepat sesuai tugas, seperti manajer proyek, untuk hasil yang lebih baik dan penghematan biaya token.

marsbit1j yang lalu

Claude Dituduh Jadi Bodoh di Seluruh Internet, Anthropic Ungkap Penyebab Sebenarnya: Masalahnya Bukan di Modelnya

marsbit1j yang lalu

Yayasan Ethereum Mungkin Akan Berevolusi Menjadi "Maskot"? Organisasi yang Beragam Sedang Memangkas Fungsinya

Yayasan Ethereum Foundation (EF) baru saja membubarkan tim dukungan protokolnya secara resmi, menandai salah satu perubahan organisasi terbesar dengan setidaknya 8 orang senior yang telah mengundurkan diri tahun ini. Restrukturisasi internal ini, yang disebut-sebut sebagai "pembersihan" besar-besaran, bertujuan menciptakan struktur yang lebih ramping namun memicu gelombang keluarnya talenta kunci. Mantan anggota EF kini mendirikan organisasi independen seperti Ethlabs dan Ethereum Institutional, yang masing-masing berfokus pada pengembangan teknologi inti dan adopsi institusional. Hal ini menunjukkan pergeseran fungsi-fungsi penting dari EF yang sentralistik ke entitas yang lebih terspesialisasi dan terdesentralisasi dalam ekosistem. Di sisi lain, tim keamanan EF mulai memanfaatkan agen AI untuk pengujian keamanan yang lebih luas, berhasil menemukan kerentanan nyata. Meski diklaim belum menggantikan peran peneliti manusia, kemajuan teknologi AI berpotensi mengubah lebih lanjut struktur dan kebutuhan tenaga kerja di EF. Dengan harga ETH yang stagnan dan kritik internal terhadap tata kelola EF, masa depan yayasan ini dipertanyakan. Pendiri Vitalik Buterin sendiri telah menyuarakan visi untuk EF yang lebih kecil dan berfokus jangka panjang. Analisis menunjukkan EF mungkin berevolusi dari pemimpin pusat menjadi lebih seperti "maskot" atau koordinator simbolis, sementara organisasi lain yang lebih gesit mengambil alih peran operasional dan penggerak inovasi dalam ekosistem Ethereum yang semakin matang dan kompleks.

marsbit1j yang lalu

Yayasan Ethereum Mungkin Akan Berevolusi Menjadi "Maskot"? Organisasi yang Beragam Sedang Memangkas Fungsinya

marsbit1j yang lalu

Trading

Spot
活动图片