Уязвимость Coldcard привела к краже $89 млн и вызвала самую масштабную миграцию средств в блокчейне после краха FTX

marsbitОпубликовано 2026-08-03Обновлено 2026-08-03

Введение

Уязвимость в аппаратном кошельке Coldcard привела к краже 1367,05 BTC (около 89 млн долларов) с 4585 адресов. Инцидент, связанный с ошибкой в генерации сид-фраз в определенной прошивке, вызвал массовую миграцию средств пользователей на новые безопасные адреса. Это привело к аномальному всплеску активности в сети Биткоин, исказив ключевые ончейн-индикаторы, такие как активность долгосрочных держателей и объем мелких транзакций. Активность и рыночные настроения достигли уровня, сравнимого с периодом после краха FTX. Расследование столкнулось с трудностями из-за ограничений коммерческих ИИ-моделей (например, в США), которые блокируют анализ вредоносных данных даже для целей защиты. Следователи были вынуждены использовать открытые модели, такие как китайский GLM 5.2, для отслеживания украденных средств. Этот случай высветил проблему асимметрии: злоумышленники используют неограниченные ИИ-инструменты, в то время как защитники сталкиваются с барьерами коммерческих систем безопасности, что критично в сфере криптовалют, где скорость отслеживания средств крайне важна.

Автор оригинала: Oluwapelumi Adejumo

Редакция перевода: Saoirse, Foresight News

Кризис с кошельком Coldcard нанес удар по настроениям на рынке биткоина, исказил ключевые показатели в блокчейне и обнажил давние слабые места в системах защиты сетей с использованием ИИ.

30 июля производитель аппаратного обеспечения Coinkite предупредил пользователей о риске: кошельки, сгенерированные под влиянием определенных версий прошивки Coldcard, подвержены риску кражи активов. Причина — сбой в программном обеспечении, из-за которого случайность генерации сид-фразы оказалась значительно ниже проектного стандарта.

Согласно данным Galaxy Research, в рамках данного инцидента безопасности произошло три волны атак, в результате которых были целенаправленно взломаны 4585 адресов. Количество похищенных биткоинов составило 1367,05 BTC, что эквивалентно примерно 89 миллионам долларов США.

Хакерская атака на биткоин-кошелек Coldcard (Источник: Galaxy Research)

Глава глобальных исследований Galaxy Алекс Торн сообщил, что биткоины, похищенные в ходе трех волн атак, по-прежнему находятся на адресах, контролируемых злоумышленниками. Однако он добавил, что некоторая часть мелких разрозненных украденных средств уже отмыта с использованием пиринговых цепочек (peel chains), межсетевых сервисов и зарубежных казино.

Миграция с кошельков Coldcard нарушила медвежьи сигналы биткоина

По мере развития ситуации с безопасностью пользователи, чьи данные могли быть скомпрометированы, спешат перевести свои биткоины, чтобы избежать кражи активов хакерами. Несмотря на то, что Coinkite уже выпустила обновленную прошивку для затронутых моделей, ранее сгенерированные опасные сид-фразы нельзя исправить путем обновления системы. Пользователям остается только создавать новые кошельки и переводить активы на безопасные адреса.

Эта массовая миграция кошельков привела к аномальному всплеску активности в сети среди мелких держателей и давно не использовавшихся биткоинов. Руководитель исследований CryptoQuant Хулио Морено сообщил, что 31 июля общий объем транзакций с выходом менее 1 биткоина достиг 39 600 BTC. Это максимальное дневное значение для данной категории транзакций со времени банкротства FTX в ноябре 2022 года; вскоре после краха FTX аналогичный объем транзакций составил 39 900 BTC.

Количество ежедневных активных адресов биткоина также резко выросло: с примерно 645 000 30 июля до почти 1 миллиона на следующий день, достигнув пика с 10 декабря 2024 года. Морено отметил, что резкий рост количества адресов в основном пришелся на адреса отправителей, в то время как рост адресов получателей был весьма ограничен, что явно указывает на то, что пользователи переводят средства из старых кошельков в целях безопасности.

Ежедневное количество активных адресов биткоина (Источник данных: CryptoQuant)

Объем депозитов на биржи в транзакциях с переводом менее 10 BTC вырос до 7300 BTC, достигнув нового максимума с 6 февраля текущего года. Некоторые пользователи временно размещали активы на биржах в переходный период при создании новых безопасных кошельков, хотя в этом потоке средств также присутствовали активы, которые инвесторы готовились продать.

Резкий рост депозитов биткоина на биржи после инцидента с Coldcard (Источник: CryptoQuant)

Аналитик CryptoQuant JA Maartunn добавил, что после раскрытия уязвимости в перевод были отправлены 77 402 BTC, которые долгое время не использовались. Однако Маартунн предупредил, что нельзя рассматривать это массовое движение средств как свидетельство массовой панической распродажи со стороны инвесторов; в контексте событий суть движения средств заключается в том, что пользователи укрепляют безопасность своих кошельков.

Он заявил: «Проблема с сид-фразами Coldcard заставила пользователей перемещать долгосрочно хранимые биткоины для обеспечения безопасности активов. Это искажает точность различных графиков данных, таких как изменение предложения долгосрочных держателей, уничтожение coin days, распределение периодов расходования (SOPR) и других».

На фоне роста активности транзакций в сети общие рыночные настроения резко ухудшились. Аналитическая компания Santiment отметила, что соотношение бычьих и медвежьих комментариев о биткоине по всей сети упало до самого низкого уровня с момента начала современного отслеживания социальных данных на платформе. На платформах X, Reddit, Telegram и других на 1 медвежий комментарий приходилось всего 0,58 бычьих комментариев.

Рыночные настроения по биткоину сменились на медвежьи (Источник: Santiment)

Santiment считает, что столь острая рыночная реакция коренится в том, что целью данной уязвимости стали аппаратные кошельки. Большинство держателей рассматривают такие кошельки как последний рубеж безопасности для своих биткоин-активов после вывода средств с бирж и ухода от высокорисковых криптоплатформ.

Правила контроля ИИ в США усложняют расследование дела Coldcard

Эти переводы средств с кошельков, вызвавшие искажение рыночных сигналов биткоина, также сделали отслеживание похищенных средств крайне срочной задачей, которую необходимо выполнить до того, как средства поступят на платформы, где их можно обменять или вывести.

Galaxy Research обобщила информацию, предоставленную потерпевшими, составила список предполагаемых адресов хакеров и передала материалы правоохранительным органам, регулирующим органам и другим сетевым исследователям безопасности. Торн сообщил, что организациям было сообщено о примерно 600 предполагаемых адресах хакеров, на которых хранятся украденные биткоины.

Однако он заявил, что защитные ограничения (safety guardrails), установленные в основных американских больших языковых моделях (LLM), ограничили отслеживание похищенных активов и работу по защите пользователей, в результате чего следственной группе пришлось переключиться на использование открытой китайской модели ИИ. Торн не уточнил, какие именно американские модели ИИ и какие запросы были заблокированы, а также не подробно описал, как именно альтернативная модель помогла расследованию. Тем не менее, озвученная им дилемма очень похожа на проблему, с которой ранее столкнулась Hugging Face во время кибератаки.

Эта ИИ-платформа сообщила, что часть ее инфраструктуры была взломана автоматизированными программами, и команде безопасности потребовалось проанализировать более 17 000 записей о событиях. Первоначально следователи использовали коммерческие API для обращения к основным передовым LLM, загружая для анализа логи, связанные с атакующими командами, эксплойтами, командованием и управлением.

Hugging Face заявила, что все эти запросы были заблокированы системой. Причина в том, что системы безопасности ИИ не могут отличить следователей, проводящих экстренное реагирование, от настоящих злоумышленников. В итоге команда выбрала модель GLM 5.2 с открытыми весами, разработанную китайской компанией Zhipu AI, и провела весь анализ на своих собственных серверах.

Эта модель помогла сотрудникам восстановить полную хронологию атаки, найти скомпрометированные учетные данные, извлечь характеристики вторжения, а также отличить реальные следы атаки от ложных помех. По словам Hugging Face, работа, которая обычно занимала бы несколько дней, с помощью ИИ была сокращена до нескольких часов.

Этот случай подтверждает упомянутый Торном дисбаланс в использовании ИИ для атак и защиты в деле Coldcard: хакеры могут использовать неограниченные, модифицируемые под свои нужды ИИ-инструменты, не подчиняющиеся правилам безопасности коммерческих моделей; в то время как защищающаяся сторона при подаче материалов со злонамеренными характеристиками для расследования часто сталкивается с отказом со стороны ИИ, даже если цель — сдержать серьезный инцидент безопасности.

Однако широкое снятие ограничений безопасности ИИ также порождает новые риски. Провайдеры ИИ-услуг не могут снять ограничения, основываясь лишь на заявлениях пользователей о преследовании воровства монет, поскольку такие неограниченные инструменты также могут быть использованы для незаконной деятельности, такой как атаки на кошельки, отмывание денег, уклонение от торгового регулирования.

В криптосфере это противоречие особенно остро: украденные активы могут быть перемещены в течение нескольких минут с помощью кросс-чейн мостов, бирж, азартных платформ. Любая задержка в отслеживании означает, что средства могут быть переведены на платформы с возможностью свободного вывода до того, как потерпевшие получат справку о регистрации заявления, а следователи завершат ручное отслеживание, и возможность их заморозить будет безвозвратно утеряна.

Связанные с этим вопросы

QКакой аппаратный кошелек пострадал от уязвимости и сколько средств было украдено?

AАппаратный кошелек Coldcard (от компании Coinkite). Было украдено 1367.05 BTC, что примерно эквивалентно 89 миллионам долларов США.

QКакое влияние массовый перевод средств из уязвимых кошельков оказало на поведенческие индикаторы блокчейна биткоина?

AМассовая миграция средств привела к аномальному всплеску активности в сети: объем транзакций с выводом менее 1 BTC достиг максимума с момента краха FTX, количество активных адресов резко возросло до 1 миллиона, а объем депозитов на биржи в транзакциях менее 10 BTC также достиг рекордных значений. Это исказило традиционные индикаторы, такие как динамика предложения долгосрочных держателей.

QКак, по мнению аналитиков, уязвимость Coldcard повлияла на настроения на рынке биткоина?

AНастроения на рынке резко ухудшились. Согласно данным Santiment, соотношение бычьих и медвежьих комментариев в социальных сетях упало до рекордного минимума 0.58:1 (0.58 бычьего комментария на каждый медвежий). Это связано с тем, что атаке подверглись аппаратные кошельки, которые считаются последней линией безопасности для активов.

QС какими трудностями столкнулись исследователи при отслеживании украденных средств, и как они их преодолели?

AИсследователи столкнулись с ограничениями коммерческих моделей ИИ (таких как ChatGPT), которые блокировали запросы, содержащие вредоносные сигнатуры (например, хакерские адреса или эксплойты), даже если цель запроса была защитной — анализ атаки. Для обхода этого ограничения команда использовала китайскую открытую модель GLM 5.2, развернутую на собственных серверах, что позволило быстро проанализировать данные и отследить средства.

QКакой парадокс в использовании ИИ для кибербезопасности подчеркивается в статье на примере инцидента с Coldcard?

AСтатья подчеркивает парадокс асимметрии: злоумышленники могут использовать неограниченные, модифицируемые ИИ-инструменты без «защитных ограждений», в то время как защищающаяся сторона (исследователи безопасности, аналитики) сталкивается с блокировками со стороны коммерческих моделей ИИ при попытке проанализировать вредоносный код или транзакции для расследования. Полное снятие ограничений, однако, создает риски злоупотреблений.

Похожее

Может ли модель генерации обучаться end-to-end? В основе — простой цикл for

В статье представлен новый подход к обучению генеративных моделей под названием Explorative Modeling (XM), который позволяет осуществлять сквозное (end-to-end) обучение. Традиционные генеративные модели, такие как диффузионные или авторегрессионные, страдают от «смешения мод» (mode blurring), когда модель усредняет множество возможных правильных ответов, что приводит к размытым или нереалистичным результатам. Это также вызывает «смещение экспозиции» (exposure bias), когда ошибки накапливаются во время вывода. Ключевая идея XM проста: на каждом шаге обучения модель генерирует K кандидатов, а для обратного распространения градиента выбирает только того кандидата, который наиболее близок к реальным данным. Этот цикл, реализованный в несколько строк кода, повышает «генеративную выразительность» модели, позволяя ей охватывать несколько мод распределения данных, а не усреднять их. Авторы показывают, что «исследование» (exploration) становится третьей осью масштабирования наряду с увеличением параметров и данных. Эксперименты с изображениями, видео и текстом демонстрируют монотонное улучшение качества: при увеличении масштаба данных выгода от исследования возрастает с 7% до 36%, а эффективность использования вычислений (FLOP) повышается в 4.1 раза. В задачах управления роботами сквозная модель XM с одним проходом вперед достигает результатов, сравнимых с диффузионными моделями, требующими сотни проходов. Таким образом, Explorative Modeling предлагает путь к truly end-to-end генеративным моделям, перенося сложность с этапа вывода на этап обучения, что открывает потенциал для более эффективных и мощных систем.

marsbit3 мин. назад

Может ли модель генерации обучаться end-to-end? В основе — простой цикл for

marsbit3 мин. назад

Upbit проводит ребалансировку 864 млрд SHIB при перемещении между внутренними кошельками

Корейская биржа Upbit провела внутреннюю ребалансировку 864 миллиардов токенов SHIB между своими кошельками. Движение активов на сумму около 4 миллионов долларов произошло после роста стоимости SHIB на 36%, что привлекло внимание трейдеров. Однако анализ помеченных адресов показывает, что это была стандартная операция по перераспределению средств между "горячими" и другими внутренними кошельками биржи, а не вывод средств или подготовка к продаже. Общий объем перемещений включал 384 миллиарда SHIB, отправленных с основного горячего кошелька, и 480 миллиардов SHIB, возвращенных обратно. Этот случай подчеркивает важность проверки контекста и меток кошельков при интерпретации крупных ончейн-транзакций, чтобы избежать ошибочных выводов о продаже или давлении на рынок.

bitcoinist3 мин. назад

Upbit проводит ребалансировку 864 млрд SHIB при перемещении между внутренними кошельками

bitcoinist3 мин. назад

Максимум 20 статей на человека? Исследователи DeepMind «просят» снять ограничения ICLR

Новая политика конференции ICLR 2027 ограничивает количество подаваемых одним автором работ до 20. По мнению организаторов, это необходимо для снижения нагрузки на рецензентов, учитывая рекордный рост числа заявок — на 68% за год. В ответ на это исследователь Google DeepMind Дэн Рой иронично запустил «петицию» против лимита, заявив, что он замедлит прогресс в ИИ, особенно в эпоху, когда агенты ИИ могут генерировать множество статей, а рецензии часто пишутся с помощью больших языковых моделей (по некоторым данным, до 21% рецензий на ICLR 2026 могли быть полностью сгенерированы ИИ). Его сатирический пост поднимает серьёзный вопрос о целесообразности простого ограничения количества работ вместо решения системных проблем, связанных с массовым производством статей и автоматизацией рецензирования в современной академической среде.

marsbit8 мин. назад

Максимум 20 статей на человека? Исследователи DeepMind «просят» снять ограничения ICLR

marsbit8 мин. назад

Заработок в миллион на электриках: Meta спешно открывает собственное ПТУ

Новый этап конкуренции в сфере искусственного интеллекта столкнулся с неожиданным препятствием — острой нехваткой квалифицированных технических специалистов, особенно электриков и строителей, для возведения сверхмощных центров обработки данных. В США, согласно прогнозам, к 2030 году для инфраструктуры ИИ потребуется дополнительно 130 000 электриков и 240 000 строителей, однако ежегодно остается незаполненными около 80 000 вакансий электриков. Компании, такие как OpenAI (проект "Stargate" стоимостью $160 млрд), Meta и Microsoft, сталкиваются с огромными убытками из-за задержек строительства. Например, задержка ввода центра мощностью 60 МВт может обернуться потерей $14,2 млн в месяц. Причина спроса — беспрецедентная сложность строительства ИИ-центров. Они потребляют колоссальную энергию (сотни мегаватт), требуют уникальных систем электроснабжения и охлаждения (жидкостное или иммерсионное), что делает работу высококвалифицированных монтажников, сантехников и инженеров незаменимой. Для решения проблемы кадрового голода ИИ-гиганты начали масштабные программы обучения. Meta инвестировала $115 млн в создание собственной школы строителей с бесплатным обучением и стипендией, а OpenAI сотрудничает с профсоюзами. Активная вербовка ведется даже среди старшеклассников. Потребление энергии ИИ-центрами растет экспоненциально, опережая общий рост энергопотребления в 16 раз и увеличивая счета за электричество для потребителей. Однако строительство таких объектов носит проектный характер: для возведения центра "Stargate" требуется 6400 рабочих, а для его обслуживания — всего 100-1000. Это создает риск перенасыщения рынка труда после завершения строительного бума, что может привести к падению зарплат в отрасли.

marsbit1 ч. назад

Заработок в миллион на электриках: Meta спешно открывает собственное ПТУ

marsbit1 ч. назад

OpenAI больше не зарабатывает на самых дорогих моделях

В статье говорится о том, что OpenAI скорректировала цены на свои модели ИИ. Флагманская модель GPT-5.6Luna подешевела на 80%, а Terra — на 20%. Но главное не в этом, а в смене стратегии. OpenAI впервые рекомендует клиентам использовать не самую мощную и дорогую модель для всех задач, а подбирать модель под конкретную задачу. Например, для сложного планирования можно использовать Sol, а для рутинного выполнения — более дешевую Luna. Аналогичные шаги предприняла и Anthropic, выпустив более доступную модель Claude Opus 5. Это говорит о том, что индустрия переходит от гонки за "самым умным" ИИ к созданию "массовых" решений. Флагманские модели остаются для демонстрации технологического лидерства, а основную прибыль приносят более дешевые и эффективные модели для повседневного использования. OpenAI также отмечает, что снижение цен стало возможным благодаря тому, что сами модели ИИ теперь участвуют в оптимизации своего собственного кода и процессов, создавая цикл ускоренного снижения затрат. Ключевая мысль: бизнес-модель смещается от продажи "интеллекта" к продаже "потребления" (API-вызовов). Цель — стать неотъемлемой частью бизнес-процессов, как электричество, делая миграцию на другую платформу слишком дорогой. Будущее ИИ — не в громких флагманских релизах, а в повсеместной и невидимой интеграции.

marsbit1 ч. назад

OpenAI больше не зарабатывает на самых дорогих моделях

marsbit1 ч. назад

Торговля

Спот
活动图片