Upbit Memindahkan Hampir Semua Aset ke Penyimpanan Dingin Menanggapi Kekhawatiran Keamanan

bitcoinistDipublikasikan tanggal 2025-12-11Terakhir diperbarui pada 2025-12-11

Abstrak

Setelah peretasan yang mencuri 44,5 miliar won (sekitar $30 juta) dari dompet panas Solana, Upbit memindahkan hampir semua aset nasabah ke penyimpanan dingin. Sekitar 99% aset kini disimpan offline, menjadikannya salah satu platform paling konservatif secara global dalam hal eksposur aset online. Langkah ini menempatkan Upbit di atas standar bursa besar dunia seperti Coinbase (98%) dan Kraken (95-97%). Peretasan November lalu adalah serangan signifikan kedua setelah insiden 2019 yang mengakibatkan kehilangan 342.000 ETH. Upbit berkomitmen mengganti kerugian pengguna dari cadangan perusahaan. Meski meningkatkan keamanan, analis memperingatkan bahwa minimnya cadangan dompet panas dapat memperlambat penarikan selama volatilitas pasar tinggi, berpotensi memperlebar disparitas harga di pasar Korea yang tertutup untuk peserta asing.

Setelah peretasan yang menyebabkan penyerang mencuri 44,5 miliar won (sekitar $30 juta) dari dompet panas Solana, Upbit telah mulai memindahkan hampir semua aset pelanggan ke penyimpanan dingin, langkah yang kini menempatkannya di antara platform paling konservatif secara global dalam hal paparan aset online.

Transisi ini menandai salah satu perubahan keamanan terkuat oleh bursa besar, menandakan percakapan industri yang lebih luas tentang menyeimbangkan penarikan cepat dengan kebutuhan untuk mengurangi permukaan serangan.

Seiring pasar aset digital terus berkembang, respons Upbit memberikan gambaran real-time tentang bagaimana platform menyeimbangkan likuiditas operasional dengan risiko siber sistemik.

Harga BTC mencatat kenaikan kecil pada grafik harian. Sumber: BTCUSD di Tradingview

Upbit Mendorong Penggunaan Dompet Panas Mendekati Nol

Setelah tinjauan internal dan perombakan sistem, Upbit mengonfirmasi bahwa mereka kini menyimpan sekitar 99% aset pengguna di dompet dingin, dengan paparan dompet panas berkurang menjadi sekitar 1% dan diperkirakan akan berkurang lebih lanjut.

Pada akhir Oktober, bursa memegang 98,33% dana pelanggan secara offline, tingkat yang sudah jauh di atas minimum 80% yang diwajibkan berdasarkan Undang-Undang Perlindungan Pengguna Aset Virtual Korea Selatan.

Pergeseran ini mengikuti pola kewaspadaan yang meningkat. Pelanggaran terbaru adalah serangan signifikan kedua Upbit, terjadi pada 27 November, mencerminkan insiden 2019 yang menyaksikan lebih dari 342.000 ETH dikuras dari sistemnya.

Serangan berbasis Solana tahun ini mengakibatkan penarikan di 24 token dalam waktu kurang dari satu jam, mendorong penghentian operasi dompet panas secara langsung dan transfer darurat ke penyimpanan dingin. Upbit telah berjanji untuk mengganti sepenuhnya pengguna yang terkena dampak dari cadangan perusahaan.

Data domestik menunjukkan bahwa bursa sudah memimpin pasar dalam penggunaan penyimpanan dingin, mempertahankan rasio dompet panas terendah di antara pesaing lokal, yang bagian dompet dinginnya berkisar dari 82% hingga 90%.

Patokan Keamanan Memberi Tekanan pada Bursa Global dan Lokal

Rasio dompet dingin hampir 99% Upbit melampaui standar bursa global besar. Coinbase menyimpan sekitar 98% dananya secara offline, sementara rasio Kraken berada di antara 95% dan 97%.

Beberapa bursa Asia, termasuk OKX dan Gate.io, mempertahankan tingkat yang sama. Dengan pembaruan terbaru Upbit, platform kini berada di garis depan praktik penyimpanan dingin global.

Pengamat industri mencatat bahwa langkah ini sejalan dengan momentum regulasi yang lebih luas. Komisi Layanan Keuangan Korea Selatan sedang mempertimbangkan aturan baru yang akan mewajibkan bursa untuk mengganti kerugian pengguna yang diakibatkan oleh peretasan, terlepas dari kesalahan, mirip dengan standar yang dikenakan pada bank.

Pertanyaan Likuiditas Membayangi di Pasar yang Terbatas

Meskipun keamanan menjadi pusat restrukturisasi Upbit, analis memperingatkan bahwa beroperasi dengan cadangan dompet panas minimal dapat memperlambat penarikan selama periode volatilitas pasar yang meningkat.

Pasar kripto Korea Selatan sebagian besar tertutup untuk peserta asing, membatasi arbitrase dan menciptakan kondisi di mana penundaan dapat memperburuk perbedaan harga, yang biasa dikenal sebagai "premium Kimchi".

Selama penangguhan penarikan sementara bulan lalu, likuiditas secara efektif terperangkap, mengakibatkan kesenjangan harga yang melebar tajam antara pasar Korea dan global. Namun, Upbit mempertahankan bahwa sistem yang dibangun kembali dan model prediktifnya akan memastikan likuiditas yang cukup di bawah kondisi perdagangan normal.

Gambar sampul dari ChatGPT, grafik BTCUSD dari Tradingview

Bacaan Terkait

Rubin Ultra Terkuras Drastis, Apakah Nvidia Juga Tak Tahan dengan Kenaikan Harga Memori?

Laporan terbaru dari SemiAnalysis mengungkapkan bahwa NVIDIA telah merevisi spesifikasi Rubin Ultra, varian flagship dari arsitektur Rubin yang diumumkan di GTC 2026. Alih-alih peningkatan besar pada memori dan daya komputasi, fokus utama kini beralih ke kemampuan interkoneksi skala sistem. Spesifikasi kunci yang diungkapkan menunjukkan Rubin Ultra akan mempertahankan puncak komputasi teoretis yang sama dengan Rubin standar, yaitu 35 PFLOPs. Namun, terjadi pengurangan signifikan pada kapasitas memori, turun menjadi 192GB dengan konfigurasi 8-Hi, lebih rendah dari Rubin standar yang 288GB (12-Hi). Peningkatan bandwidth memori juga minimal, hanya 1 TB/s, dan daya chip bahkan sedikit lebih tinggi. Peningkatan utama justru pada "skala interkoneksi" (*scale-up world size*), yang melonjak dari 72 GPU menjadi 576 GPU. Ini memungkinkan ratusan GPU Rubin Ultra terhubung via NVLink membentuk satu "super GPU" logis yang sangat besar. Analisis SemiAnalysis mengaitkan perubahan desain ini dengan lonjakan harga HBM (High Bandwidth Memory) yang drastis. Biaya material (BOM) untuk rak server Rubin Ultra sempat melonjak menjadi sekitar $8 juta karena harga HBM, tetapi dengan spesifikasi baru, biaya turun ke sekitar $6.4 juta. NVIDIA diduga mengalihkan biaya dari komponen HBM yang mahal (yang pangsa biayanya turun dari ~40% menjadi 28%) ke peningkatan interkoneksi jaringan (naik dari 4% menjadi 12%). Berita ini memicu kekhawatiran pasar tentang permintaan HBM. Saham produsen HBM seperti SK Hynix dan Samsung anjlok sekitar 8%, mencerminkan kekhawatiran bahwa pembeli utama seperti NVIDIA mungkin mulai mengurangi ketergantungan pada HBM berkapasitas tinggi untuk mengontrol biaya sistem AI secara keseluruhan.

Odaily星球日报10m yang lalu

Rubin Ultra Terkuras Drastis, Apakah Nvidia Juga Tak Tahan dengan Kenaikan Harga Memori?

Odaily星球日报10m yang lalu

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.

marsbit1j yang lalu

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

marsbit1j yang lalu

Trading

Spot
活动图片