Waspada Seluruh Jaringan! Kebocoran Kode Sumber Claude Code Picu 'Bencana Sekunder': Peretas Menyebarkan Perangkap Phishing di GitHub

marsbitDipublikasikan tanggal 2026-04-03Terakhir diperbarui pada 2026-04-03

Abstrak

Waspadalah! Kebocoran kode sumber Claude Code dari Anthropic telah memicu "bencana sekunder". Peretas memanfaatkan insiden ini dengan membuat repositori palsu di GitHub yang menyebarkan perangkat lunak berbahaya pencuri informasi bernama Vidar. Pelaku dengan nama pengguna idbzoomh mengklaim repositorinya berisi kode sumber yang bocor dengan "fitur perusahaan yang terbuka", menjebak developer yang ingin mencoba. Repositori ini dioptimalkan untuk mesin pencari agar muncul di hasil teratas saat pengguna mencari "kebocoran Claude Code". Jika pengguna mengunduh dan menjalankan file tersebut, sistem akan terinfeksi Vidar - malware yang mencuri kata sandi browser, dompet kripto, dan data sensitif lainnya. Peretas juga memasang alat proxy GhostSocks untuk kontrol jarak jauh dan transfer data. Para peneliti keamanan memperingatkan bahwa paket berbahaya ini diperbarui sangat sering, sehingga mudah melewati deteksi keamanan dasar. Developer disarankan untuk hanya mengunduh alat melalui saluran resmi Anthropic dan tidak menjalankan file dari sumber yang tidak dikenal.

Menurut laporan 2 April, insiden kebocoran kode sumber Claude Code yang disebabkan oleh kesalahan manusia Anthropic masih terus berlanjut. Saat ini, sejumlah peretas telah memanfaatkan isu panas ini dengan menyebarkan perangkat lunak berbahaya pencuri informasi bernama Vidar melalui repositori palsu di GitHub.

Umpan yang Ditingkatkan: Mengklaim 'Membuka Kunci Fitur Tingkat Perusahaan'

Laporan pemantauan perusahaan keamanan Zscaler menunjukkan, seorang pengguna bernama idbzoomh telah membuat beberapa repositori palsu di GitHub.

  • Phishing yang Tepat Sasaran: Peretas ini dalam deskripsi repositorinya mengklaim menyediakan kode sumber versi bocor yang 'membuka kunci fitur perusahaan', mengiming-imingi pengembang yang ingin mencoba untuk mengunduh.

  • Optimasi SEO: Untuk memperluas jangkauan serangan, penyerang mengoptimalkan kata kunci untuk mesin pencari, menyebabkan repositori berbahaya ini sering kali berada di peringkat teratas ketika pengguna mencari kata kunci seperti 'kebocoran Kode Claude'.

Profil Virus: Vidar Menyusup, Data 'Pindah Rumah'

Begitu pengguna terkecoh, mengunduh dan menjalankan file yang dapat dieksekusi di dalamnya, sistem akan dengan cepat disusupi:

  • Pencurian Informasi: Vidar yang ditanam adalah perangkat lunak berbahaya yang sangat matang di web gelap, khusus ditujukan untuk mencuri kata sandi akun browser, dompet kripto, dan berbagai informasi pribadi sensitif.

  • Persistensi Laten: Virus juga akan secara bersamaan menyebarkan alat proxy GhostSocks, membangun saluran rahasia untuk kontrol jarak jauh dan pengiriman data berikutnya.

Peringatan Risiko: Waspadai 'Makan Siang Gratis' dari Saluran Non-Resmi

Peneliti keamanan指出, paket terkompresi berbahaya dari repositori palsu ini memiliki frekuensi pembaruan yang sangat tinggi, sangat mudah untuk melewati deteksi keamanan dasar. Saat ini setidaknya telah ditemukan dua repositori dengan teknik serupa, diduga merupakan pengujian strategi penyebaran yang berbeda oleh penyerang yang sama.

Observasi Industri: 'Rantai Perangkap' Keamanan AI

Dari kesalahan pengemasan kode sumber Anthropic, hingga pemanfaatan sekunder oleh peretas untuk phishing, peristiwa ini mencerminkan kompleksitas risiko keamanan di era AI. Ketika kelompok pengembang menjadi target serangan, literasi digital dasar—tidak menjalankan file biner dari sumber yang tidak dikenal—tetap menjadi tembok pertahanan terakhir.

Pengingat dari editor untuk para pengembang: Harap pastikan untuk mendapatkan alat melalui saluran resmi Anthropic, jangan sampai karena rasa ingin tahu atau mengejar 'fitur yang dibobol' jatuh ke dalam perangkap yang dirancang dengan cermat oleh peretas.

Pertanyaan Terkait

QApa yang menyebabkan insiden kebocoran kode sumber Claude Code?

AInsiden ini disebabkan oleh kesalahan manusia (human error) dari Anthropic.

QBagaimana peretas memanfaatkan kebocoran kode sumber Claude Code?

APeretas membuat repositori palsu di GitHub yang mengklaim berisi kode sumber yang bocor untuk menyebarkan perangkat lunak berbahaya pencuri informasi bernama Vidar.

QApa itu Vidar dan apa bahayanya?

AVidar adalah perangkat lunak berbahaya (malware) yang sangat matang di dark web, khusus dirancang untuk mencuri kata sandi browser, dompet cryptocurrency, dan berbagai informasi pribadi sensitif.

QApa saja taktik yang digunakan peretas untuk menjebak korbannya?

APeretas menggunakan umpan yang mengklaim 'membuka kunci fitur enterprise', mengoptimalkan kata kunci untuk mesin pencari (SEO), dan sering memperbarui paket berbahaya untuk menghindari deteksi keamanan dasar.

QApa saran keamanan untuk pengembang terkait insiden ini?

APengembang harus selalu mendapatkan alat melalui saluran resmi Anthropic, dan tidak menjalankan file biner dari sumber yang tidak dikenal untuk menghindari jebakan yang dirancang peretas.

Bacaan Terkait

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

Model generatif seperti model difusi atau autoregresif yang dominan saat ini biasanya tidak melatih seluruh proses generasi secara end-to-end. Mereka dilatih hanya untuk memprediksi satu "langkah kecil" dalam proses, namun saat inferensi, langkah ini harus diulang ratusan atau ribuan kali. Ketidaksesuaian ini menyebabkan masalah "exposure bias," di mana kesalahan menumpuk seiring waktu. Makalah terbaru dari UIUC dan Harvard memperkenalkan paradigma baru bernama **Explorative Modeling (XM)**. Inti dari metode ini sangat sederhana: alih-alih menghasilkan satu sampel, model menghasilkan **K kandidat** dalam setiap langkah pelatihan. Kemudian, hanya kandidat yang paling dekat dengan data target yang dipilih untuk menghitung gradien dan memperbarui model. Mengapa ini berhasil? Dalam tugas generatif, satu input bisa memiliki banyak output yang valid (mode). Fungsi kerugian rekonstruksi tradisional cenderung menyebabkan "mode blurring," di mana model hanya mempelajari rata-rata dari semua mode, menghasilkan output yang tidak realistis. Dengan menghasilkan beberapa kandidat, model dapat "mengeksplorasi" dan menangkap beberapa mode yang berbeda sekaligus, sehingga menghindari rata-rata yang kabur. Penelitian ini menunjukkan bahwa **"eksplorasi" (K) bertindak sebagai sumbu penskalaan ketiga** yang efektif, selain parameter dan data. Eksperimen pada gambar, video, dan bahasa menunjukkan peningkatan kinerja yang monoton dengan peningkatan K, dengan keuntungan yang lebih besar pada skala yang lebih besar. XM dapat meningkatkan efisiensi FLOP hingga 4.1x dan efisiensi sampel hingga 6.2x. Yang lebih menarik, ketika diterapkan secara ekstrem, XM memungkinkan **pelatihan generatif yang benar-benar end-to-end**. Dalam tugas kontrol robot, "Explorative Policy" berbasis XM mencapai kinerja yang setara dengan "Diffusion Policy" yang membutuhkan 100 langkah inferensi, sementara hanya membutuhkan satu langkah inferensi maju. Ini membuktikan bahwa kompleksitas untuk menangani banyak mode dapat dipindahkan dari inferensi ke pelatihan. Meskipun ide "best-of-K" bukan hal baru, kontribusi utama makalah ini adalah penjelasan teoritis bahwa mekanisme ini secara langsung meningkatkan **ekspresivitas generatif** model. Dengan demikian, ini menawarkan cara baru yang ampuh untuk mengatasi tantangan mendasar dalam pemodelan generatif.

marsbit45m yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

marsbit45m yang lalu

Upbit Rebalance 864B SHIB dalam Pergerakan Wallet Internal

Bursa Korea Selatan Upbit melakukan penataan ulang 864 miliar SHIB di antara alamat dompet internalnya, menciptakan pergerakan rantai-blok besar senilai sekitar $4 juta. Pergerakan ini melibatkan transfer 384 miliar SHIB keluar dari dompet panas dan 480 miliar SHIB kembali ke dompet yang sama, tampaknya sebagai bagian dari operasi penyeimbangan kembali (rebalancing) dompet rutin, bukan pelepasan atau penjualan aset oleh bursa. Aktivitas ini terjadi setelah SHIB mengalami reli harga 36%, yang membuatnya lebih mencolok dan ditanggapi dengan sensitif oleh pedagang. Namun, karena perpindahan terjadi antara alamat yang diketahui milik Upbit sendiri, hal ini tidak secara langsung mengubah pasokan di pasar. Artikel ini menekankan pentingnya konteks dan pelabelan dompet yang tepat dalam menafsirkan data on-chain, agar pergerakan besar tidak disalahartikan sebagai sinyal jual atau aksi "paus" yang dapat menyesatkan narasi pasar.

bitcoinist46m yang lalu

Upbit Rebalance 864B SHIB dalam Pergerakan Wallet Internal

bitcoinist46m yang lalu

Maksimal 20 Makalah Per Orang? Aturan Baru ICLR Ditanggapi dengan "Petisi Sarkas" dari Peneliti DeepMind

Apakah ada batas yang wajar untuk jumlah makalah yang dapat disertakan seorang penulis di konferensi AI top? ICLR 2027 memberlakukan aturan baru: maksimal 20 makalah per penulis. Aturan ini dirancang untuk meringankan tekanan pada sistem peninjauan, terutama setelah ICLR 2026 mengalami lonjakan 68% dalam jumlah pengajuan hingga 19.525 makalah. Peraturan ini langsung memicu perdebatan. Dan Roy, seorang peneliti dari Google DeepMind, meluncurkan petisi satir di platform X yang menyerukan pencabutan batas 20 makalah tersebut. Dalam petisinya, dia secara ironis berargumen bahwa batasan ini akan "memperlambat kemajuan AI," terutama di era di mana AI Agent dapat menghasilkan banyak penelitian dan model bahasa besar (LLM) sudah digunakan untuk meninjau makalah. Sindirannya menyoroti kekhawatiran nyata tentang kualitas penelitian dan peninjauan. Poin utamanya adalah: dengan maraknya penggunaan AI untuk menulis dan meninjau makalah, apakah solusinya hanya membatasi jumlah pengajuan? ICLR mendorong ilmu "lebih lambat" dan lebih matang, sementara dinamika saat ini berisiko membanjiri sistem dengan makalah inkremental. Petisi Roy, meski sarkastik, mendorong komunitas untuk merenungkan inti permasalahan ini.

marsbit51m yang lalu

Maksimal 20 Makalah Per Orang? Aturan Baru ICLR Ditanggapi dengan "Petisi Sarkas" dari Peneliti DeepMind

marsbit51m yang lalu

Celah Keamanan Coldcard Picu Pencurian Senilai $89 Juta, Picu Migrasi On-Chain Terbesar Setelah FTX

Kerusakan pada dompet perangkat keras Coldcard mengakibatkan pencurian Bitcoin senilai sekitar $89 juta, memicu migrasi aset besar-besaran di blockchain terbesar sejak runtuhnya FTX. Menurut Galaxy Research, 1.367,05 BTC dicuri dari 4.585 alamat dalam tiga gelombang serangan yang menargetkan dompet dengan frasa pemulihan (seed phrase) yang lemah akibat cacat perangkat lunak. Insiden ini menyebabkan gangguan signifikan pada indikator rantai Bitcoin. Pengguna yang terdampak berbondong-bondong memindahkan aset mereka ke dompet baru yang aman, menyebabkan lonjakan ekstrem dalam aktivitas alamat aktif dan volume transaksi kecil. CryptoQuant mencatat puncak baru dalam transaksi berukuran di bawah 1 BTC dan peningkatan drastis deposit ke bursa, sementara sentimen pasar berubah sangat bearish. Pelacakan dana curian menghadapi tantangan unik: aturan keamanan AI di AS menghambat analisis data investigasi oleh model komersial utama, memaksa peneliti seperti tim Galaxy untuk beralih ke model AI sumber terbuka dari China (seperti GLM 5.2) guna melacak aliran dana dengan cepat. Kasus ini menyoroti dilema dalam penggunaan AI untuk keamanan siber: pembatasan yang melindungi juga dapat memperlambat respons defensif terhadap kejahatan yang bergerak cepat di ruang kripto.

marsbit1j yang lalu

Celah Keamanan Coldcard Picu Pencurian Senilai $89 Juta, Picu Migrasi On-Chain Terbesar Setelah FTX

marsbit1j yang lalu

OpenAI Tidak Lagi Mengandalkan Model Termahal untuk Menghasilkan Uang

OpenAI tidak lagi mengandalkan model termahal untuk menghasilkan uang. Pada 30 Juli, perusahaan mengumumkan penyesuaian harga, menurunkan harga model GPT-5.6 Luna sebesar 80% dan Terra sebesar 20%. Yang lebih penting dari angka penurunan harga adalah pesan intinya: untuk banyak tugas, model terkuat (seperti Sol) tidak selalu diperlukan. OpenAI secara eksplisit merekomendasikan strategi di mana model mahal (Sol) menangani perencanaan dan analisis kompleks, sementara model yang lebih terjangkau (Luna) mengeksekusi tugas, menulis kode, dan menjalankan pengujian. Pergeseran ini mencerminkan perubahan industri AI dari hanya mengejar kecerdasan tertinggi menuju optimisasi biaya dan efisiensi untuk penggunaan skala besar. Anthropic juga mengikuti pola serupa dengan meluncurkan Claude Opus 5 dengan harga setengah dari model andalannya, Fable 5. Kedua raksasa Silicon Valley ini menunjukkan bahwa model flagship kini berfungsi lebih untuk nilai merek dan pembuktian teknologi, sementara model "kendaraan massal" yang lebih murah (seperti Luna, Terra, Opus) yang akan mendorong adopsi komersial luas dan menghasilkan pendapatan utama. OpenAI mengungkapkan bahwa penurunan biaya ini sebagian didorong oleh model AI (Sol) yang mengoptimalkan kode produksi dan alur kerjanya sendiri, menciptakan siklus peningkatan efisiensi yang dapat mempercepat penurunan biaya di masa depan. Intinya, kompetisi AI bergeser dari "siapa yang paling pintar" menjadi "mana yang paling bernilai". Perusahaan tidak lagi membeli satu model tunggal, tetapi merancang sistem dengan beberapa model yang cocok untuk tugas yang berbeda—mirip dengan arsitektur komputasi awan. Tujuan akhir OpenAI adalah membangun ekosistem yang mengunci alur kerja pengembang melalui volume panggilan API yang sangat besar dan biaya yang sangat rendah, sehingga menciptakan daya tarik yang kuat. Ketika AI menjadi murah dan tersebar luas seperti listrik, tertanam dalam setiap proses tanpa diperdebatkan, era sesungguhnya baru dimulai.

marsbit2j yang lalu

OpenAI Tidak Lagi Mengandalkan Model Termahal untuk Menghasilkan Uang

marsbit2j yang lalu

Trading

Spot
活动图片

Kategori Populerright-arrow

Tag Populerright-arrow