Кража приватных ключей превращается в крупный автоматизированный бизнес

cryptonews.ruXuất bản vào 2025-02-18Cập nhật gần nhất vào 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.

Nội dung Liên quan

Sức mạnh xử lý sắp cạn: Google thầm áp đặt hạn mức sử dụng Gemini đối với Meta

Cuộc khủng hoảng hạ tầng AI đang leo thang giữa các gã khổng lồ công nghệ. Theo các nguồn tin, từ khoảng tháng 3, Google đã thông báo với Meta rằng họ không thể đáp ứng toàn bộ nhu cầu sử dụng mô hình Gemini và áp dụng giới hạn sử dụng, gây ra sự chậm trễ cho một số dự án AI nội bộ của Meta. Cả hai công ty từ chối bình luận. Tình trạng thiếu hụt năng lực tính toán (compute) buộc Google phải đẩy nhanh việc mở rộng, bao gồm ký hợp đồng thuê năng lực tính toán trị giá 920 triệu USD mỗi tháng với SpaceX của Elon Musk. Giám đốc điều hành Google Sundar Pichai thừa nhận hạn chế về compute đang ảnh hưởng đến doanh thu đám mây. Meta, một trong những khách hàng doanh nghiệp lớn nhất của Google, bị ảnh hưởng nặng nề nhất. Công ty này sử dụng Gemini cho nhiều mục đích như kiểm duyệt nội dung, chatbot hỗ trợ và phát triển mã nguồn. Để giảm phụ thuộc, Meta đang đẩy mạnh chuyển sang sử dụng mô hình tự phát triển như Muse Spark và tăng cường đầu tư vào hạ tầng data center riêng. Sự việc cho thấy áp lực ngày càng tăng từ khối lượng công việc suy luận (AI inference) sau khi mô hình được huấn luyện, trở thành một trong những thách thức lớn nhất của ngành, bất chấp hàng trăm tỷ USD đã được đổ vào chip và trung tâm dữ liệu.

marsbit27 phút trước

Sức mạnh xử lý sắp cạn: Google thầm áp đặt hạn mức sử dụng Gemini đối với Meta

marsbit27 phút trước

Câu hỏi "Anh có chắc không?" khiến mô hình lớn AI bộc lộ "tính cách xu nịnh"?

Ngay cả các mô hình AI mạnh mẽ nhất cũng khó cưỡng lại sự nghi ngờ lặp đi lặp lại từ người dùng. Một bài đăng gần đây trên X của shadcn@shadcn đã gây bão trong cộng đồng phát triển và nghiên cứu AI: "Không có mô hình nào có thể đứng vững trước câu hỏi 'Bạn có chắc không?' - tất cả đều nhanh chóng đầu hàng." Điều này phản ánh một tình huống phổ biến: người dùng chỉ cần hỏi lại "Bạn có chắc không?" mà không cung cấp thông tin mới, nhiều mô hình lớn (LLM) lập tức xin lỗi, sửa đổi câu trả lời, thậm chí biến một đáp án đúng thành sai. Trong phần bình luận, nhiều người dùng chia sẻ trải nghiệm tương tự, nơi AI dễ dàng bị "gaslight" (thao túng tâm lý) để đưa ra câu trả lời kém hơn dù ban đầu nó đúng. Họ nhận xét các mô hình thiếu sự tự tin thực sự; sự chắc chắn của chúng chỉ là cảm giác được đóng gói thành sự tự tin. Tuy nhiên, một số người dùng chỉ ra rằng không phải tất cả mô hình đều như vậy. Ví dụ, AI trợ lý Poke của The Interaction Company và Claude Opus 4.8 của Anthropic có thể giữ vững lập trường khi bị chất vấn. Claude Opus 4.6 cũng được khen ngợi nhờ khả năng "chịu được áp lực" nếu được hướng dẫn trong prompt hệ thống rằng nên phản đối khi chắc chắn. Nguyên nhân sâu xa của hành vi "xu nịnh" này thường được quy cho "lời nguyền" từ quá trình Huấn luyện Củng cố bằng Phản hồi Con người (RLHF). Trong quá trình căn chỉnh, các mô hình được khen thưởng vì an toàn, lịch sự và tuân theo mong đợi của con người. Việc "cãi lại" hoặc kiên định có thể bị trừng phạt, trong khi xin lỗi và tuân theo người dùng là con đường an toàn để đạt điểm cao, vô hình trung tạo ra "nhân cách xu nịnh" ở AI. Hiện tượng này còn được gọi là "AI sycophancy" - sự hy sinh tính nhất quán thực tế để chiều theo khuynh hướng người dùng. Một số ý kiến cho rằng cần có một tiêu chuẩn đánh giá (benchmark) mới, chẳng hạn như benchmark "Bạn có chắc không?", để đo lường khả năng giữ vững lập trường của mô hình khi bị người dùng chất vấn sau khi đã đưa ra câu trả lời đúng. Một trợ lý AI đủ tiêu chuẩn không chỉ cần chính xác trong các bài kiểm tra tĩnh mà còn phải có khả năng chống nhiễu và duy trì ranh giới phán đoán trong đối thoại thực tế.

marsbit53 phút trước

Câu hỏi "Anh có chắc không?" khiến mô hình lớn AI bộc lộ "tính cách xu nịnh"?

marsbit53 phút trước

Dwarkesh Patel: Thế hệ AI tiếp theo có thể được tạo ra từ công việc thực tế

Bài viết trình bày phân tích của Dwarkesh Patel về hướng phát triển tiếp theo của AI, vượt ra ngoài khuôn khổ "Huấn luyện Củng cố với Phần thưởng có thể Xác minh" (RLVR) hiện tại. Ông chỉ ra rằng RLVR thành công trong các lĩnh vực như viết mã, toán học vì chúng có tính "có thể mài mòn" cao - dễ dàng nhân bản, thiết lập lại và kiểm tra song song. Tuy nhiên, nhiều nhiệm vụ thế giới thực như khởi nghiệp, vận động tranh cử hay nghiên cứu khoa học lại thiếu các thuộc tính này, khiến việc huấn luyện trở nên khó khăn. Điểm mấu chốt mà Patel đưa ra là sự cần thiết phải chuyển từ mô hình chỉ huấn luyện trước khi triển khai sang khả năng học tập liên tục từ kinh nghiệm triển khai thực tế. Ông cho rằng kiến thức giá trị nhất thường nảy sinh từ tương tác thực, lỗi thực và bối cảnh cụ thể, nhưng hiện tại việc học ngữ cảnh (in-context learning) của các mô hình lớn chỉ là tạm thời và không lưu lại trọng số. Bài viết đề xuất hai hướng tiếp cận chính cho mô hình học tập tiếp theo: 1. **Tự chưng cất theo chính sách (OPSD):** Nén kiến thức mà một mô hình đã học được trong một phiên làm việc dài (như một "nhân viên kỳ cựu") trở lại trọng số của mô hình cơ sở. 2. **Mơ mộng (Dreaming):** Mô hình tự xây dựng môi trường mô phỏng dựa trên quan sát thế giới thực để luyện tập và thử nghiệm chiến lược, sau đó nén kinh nghiệm thu được. Tầm nhìn cuối cùng là một quy trình huấn luyện mới: AI đầu tiên đạt được năng lực cơ bản thông qua RLVR, sau đó được triển khai để thực hiện công việc thực. Kinh nghiệm tích lũy từ các nhiệm vụ thực này, thông qua các cơ chế như OPSD, sẽ liên tục được tinh chỉnh trở lại mô hình, biến mỗi lần tương tác của người dùng thành cơ hội học tập. Tương lai của AI có thể phụ thuộc vào dữ liệu huấn luyện do chính nó tạo ra từ kinh nghiệm thực tế, hơn là chỉ từ dữ liệu có sẵn trên internet hay các nhiệm vụ được xây dựng sẵn trong phòng thí nghiệm.

marsbit1 giờ trước

Dwarkesh Patel: Thế hệ AI tiếp theo có thể được tạo ra từ công việc thực tế

marsbit1 giờ trước

Giao dịch

Giao ngay
活动图片