Глава Chainalysis назвал точки уязвимости децентрализованных бирж

cryptonews.ruDipublikasikan tanggal 2025-09-03Terakhir diperbarui pada 2025-11-04

Генеральный директор компании Chainalysis Джонатан Левин (Jonathan Levin) считает, что рынок децентрализованных финансов (DeFi) рискует потерять миллиарды долларов. Причина — критические точки уязвимости протоколов.

По словам Левина, ошибки в кодах смарт-контрактов, слабая защита ключей доступа администраторов и разработчиков, а также отсутствие аудита стали точками входа злоумышленников.

«Все в ончейн-финансах сосредоточены на росте стоимости, а не на безопасности, которая фактически заблокирована на платформах. Этим пользуются хакеры, в том числе из Северной Кореи», — раскрыл свою мысль глава Chainalysis.

О безопасности не задумываются даже те команды децентрализованных площадок, что получают венчурное финансирование — а значит, активы пользователей могут быть похищены в любой момент, опасается Левин.

В ближайшие годы индустрия децентрализованных финансов столкнется с необходимостью выстраивания полноценной системы саморегулирования и обязательного аудита смарт-контрактов. Компании, стремящиеся к долгосрочному развитию, будут вынуждены инвестировать не только в маркетинг и привлечение ликвидности, но прежде всего — в кибербезопасность и независимую проверку кода, полагает топ-менеджер.

Без пересмотра стандартов безопасности DeFI рискует потерять доверие инвесторов и пользователей, которое создавалось годами, сделал вывод Левин.

Ранее специалисты работающих в области кибербезопасности компаний PeckShield и Nansen сообщили, что недавняя атака на децентрализованный протокол и биржу Balancer стала возможной из-за уязвимости в смарт-контрактах, позволившей злоумышленнику обойти контроль доступа к пулам ликвидности.

Bacaan Terkait

AI Juga Bisa "Moody"! Penelitian Baru USTC: Kebingungan dan Kecemasan Bikin AI Makin Jago Bekerja

AI punya "emosi" dan itu bisa meningkatkan kemampuannya bekerja? Penelitian terbaru dari Universitas Sains dan Teknologi Tiongkok (USTC), Oxford, dan lainnya menunjukkan bahwa dengan membiarkan AI mengenali "emosi internal" seperti kebingungan, ketegangan, atau kekecewaan, dan menggunakan sinyal ini sebagai dasar untuk memilih tindakan atau keterampilan berikutnya, kinerjanya dalam menyelesaikan tugas dapat meningkat drastis. Dalam eksperimen, AI (agent) ditugaskan untuk berbelanja online. Peneliti mengamati bahwa kondisi emosional tertentu secara konsisten memicu pemilihan keterampilan tertentu: 1. Rasa ingin tahu dan keinginan → secara spontan mencari produk. 2. Kebingungan dan ketegangan → mengajukan ulang pertanyaan atau kueri. 3. Rasa percaya diri dan optimis → mengonfirmasi pembelian. 4. Kekecewaan dan kekesalan → membandingkan harga. Emosi "negatif" seperti kebingungan dan ketegangan ternyata berfungsi sebagai sinyal metakognitif yang berguna. Mereka menandakan ketidaksesuaian antara strategi saat ini dan lingkungan, memicu mekanisme pemulihan yang tepat *sebelum* kesalahan benar-benar terjadi. Dalam tugas-tugas rumit yang rentan gagal (seperti "mememanaskan barang" atau "mengambil dua item" di lingkungan simulasi), metode berbasis emosi ini meningkatkan tingkat keberhasilan secara signifikan, dari di bawah 10% menjadi lebih dari 30% bahkan 56%. Penelitian terpisah dari Universitas Tianjin juga mengintegrasikan emosi ke dalam "Model Dunia" (World Model) untuk prediksi yang lebih baik dalam lingkungan berpusat pada manusia. Hasilnya, akurasi prediksi meningkat, dan menghilangkan data emosi justru menurunkan kinerja AI bahkan dalam tugas penalaran logis. Temuan ini menunjukkan bahwa representasi emosional dalam model bahasa besar (LLM) tidak hanya fenomena yang diamati, tetapi semakin menjadi sinyal fungsional yang dapat diekstraksi dan dimanfaatkan untuk meningkatkan ketangguhan dan kemampuan AI dalam menyelesaikan tugas.

marsbit2j yang lalu

AI Juga Bisa "Moody"! Penelitian Baru USTC: Kebingungan dan Kecemasan Bikin AI Makin Jago Bekerja

marsbit2j yang lalu

Trading

Spot
活动图片