Кража приватных ключей превращается в крупный автоматизированный бизнес

cryptonews.ruDipublikasikan tanggal 2025-02-18Terakhir diperbarui pada 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.

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.

marsbit52m yang lalu

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

marsbit52m 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.

marsbit1j yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

marsbit1j yang lalu

Trading

Spot
活动图片