💥 Массивная кибератака на Bybit: похищено $1,5 млрд в Ethereum и отмыто 499 000 ETH за 10 дней 💥
В феврале 2025 года криптовалютная биржа Bybit стала жертвой одной из крупнейших кибератак в истории цифровых активов. В результате взлома было похищено 499 000 ETH на сумму $1,5 млрд, что составляет 70% всех ETH-активов платформы. Средства были быстро выведены и отмыты через децентрализованный протокол THORChain, а сама атака привлекла внимание не только криптосообщества, но и международных правоохранительных органов.
🧠 Как произошла атака?
21 февраля 2025 года Bybit сообщила о скомпрометации одного из своих «холодных» кошельков — типа хранилища, который обычно считается самым безопасным из-за своей изоляции от интернета. Несмотря на это, злоумышленники смогли получить доступ и вывести средства в Ethereum, что говорит о сложной и многоэтапной атаке с высоким уровнем подготовки.
Предполагаемые этапы взлома:
1️⃣ Сбор информации: Хакеры могли заранее провести разведку, чтобы получить доступ к системным данным или ключам.
2️⃣ Фишинг или социальная инженерия: Одним из возможных векторов могла быть компрометация сотрудников, имеющих доступ к холодному хранилищу.
3️⃣ Атака на инфраструктуру: Взлом API, внутренних систем управления или ошибки в конфигурации безопасности могли предоставить злоумышленникам необходимые привилегии.
4️⃣ Вывод средств: После получения доступа хакеры перевели 499 000 ETH на несколько подставных адресов.
🎭 Кто стоит за атакой?
По данным ФБР, основным подозреваемым является Lazarus Group — северокорейская хакерская организация, известная серией крупных атак на криптовалютные компании. Lazarus Group уже обвиняли в кражах Axie Infinity ($620 млн) и Coincheck ($530 млн), а их тактики включают комбинацию кибершпионажа, взломов и отмывания средств.
Почему подозрение пало на Lazarus Group:
➖ Методика атаки: Сложные многоступенчатые схемы взлома, характерные для этой группы.
➖ Отмывание через децентрализованные протоколы: Lazarus активно использует миксеры и DeFi-платформы, такие как Tornado Cash и THORChain.
➖ Геополитический контекст: Lazarus финансирует государственные программы КНДР, используя украденные криптовалюты.
💸 Как хакеры отмыли $1,5 млрд за 10 дней?
Ключевым элементом успеха хакеров стало быстрое отмывание средств через THORChain — децентрализованный кроссчейн-протокол, который позволяет обменивать криптовалюты без участия централизованных платформ.
🔗 Почему выбрали THORChain:
➖ Анонимность: Нет требований KYC, транзакции сложнее отследить.
➖ Высокая ликвидность: Позволяет быстро обрабатывать крупные суммы.
➖ Децентрализованная структура: Отсутствие централизованного контроля затрудняет блокировку или заморозку средств.
За 10 дней через THORChain прошло $5,9 млрд транзакций, а сама платформа заработала $5,5 млн на комиссиях, что стало рекордным объёмом операций.
⚠️ Последствия для Bybit и пользователей
🔒 Безопасность под вопросом: Атака на «холодный» кошелёк, который считается одним из самых надёжных методов хранения, подрывает доверие к бирже и её механизмам защиты.
💸 Компенсации: Пока не ясно, как Bybit планирует возместить потери пользователям и каким образом биржа будет восстанавливать свою репутацию.
🎯 Вознаграждение за поимку хакеров: Bybit предложила $140 млн за информацию, которая поможет найти злоумышленников или организаторов атаки.
Stay secure and read SecureTechTalks 📚
#Bybit #Кибератака #LazarusGroup #Ethereum #CryptoSecurity #Кибербезопасность #SecureTechTalks #THORChain #Blockchain #CyberCrime
В феврале 2025 года криптовалютная биржа Bybit стала жертвой одной из крупнейших кибератак в истории цифровых активов. В результате взлома было похищено 499 000 ETH на сумму $1,5 млрд, что составляет 70% всех ETH-активов платформы. Средства были быстро выведены и отмыты через децентрализованный протокол THORChain, а сама атака привлекла внимание не только криптосообщества, но и международных правоохранительных органов.
🧠 Как произошла атака?
21 февраля 2025 года Bybit сообщила о скомпрометации одного из своих «холодных» кошельков — типа хранилища, который обычно считается самым безопасным из-за своей изоляции от интернета. Несмотря на это, злоумышленники смогли получить доступ и вывести средства в Ethereum, что говорит о сложной и многоэтапной атаке с высоким уровнем подготовки.
Предполагаемые этапы взлома:
1️⃣ Сбор информации: Хакеры могли заранее провести разведку, чтобы получить доступ к системным данным или ключам.
2️⃣ Фишинг или социальная инженерия: Одним из возможных векторов могла быть компрометация сотрудников, имеющих доступ к холодному хранилищу.
3️⃣ Атака на инфраструктуру: Взлом API, внутренних систем управления или ошибки в конфигурации безопасности могли предоставить злоумышленникам необходимые привилегии.
4️⃣ Вывод средств: После получения доступа хакеры перевели 499 000 ETH на несколько подставных адресов.
🎭 Кто стоит за атакой?
По данным ФБР, основным подозреваемым является Lazarus Group — северокорейская хакерская организация, известная серией крупных атак на криптовалютные компании. Lazarus Group уже обвиняли в кражах Axie Infinity ($620 млн) и Coincheck ($530 млн), а их тактики включают комбинацию кибершпионажа, взломов и отмывания средств.
Почему подозрение пало на Lazarus Group:
💸 Как хакеры отмыли $1,5 млрд за 10 дней?
Ключевым элементом успеха хакеров стало быстрое отмывание средств через THORChain — децентрализованный кроссчейн-протокол, который позволяет обменивать криптовалюты без участия централизованных платформ.
🔗 Почему выбрали THORChain:
За 10 дней через THORChain прошло $5,9 млрд транзакций, а сама платформа заработала $5,5 млн на комиссиях, что стало рекордным объёмом операций.
⚠️ Последствия для Bybit и пользователей
🔒 Безопасность под вопросом: Атака на «холодный» кошелёк, который считается одним из самых надёжных методов хранения, подрывает доверие к бирже и её механизмам защиты.
💸 Компенсации: Пока не ясно, как Bybit планирует возместить потери пользователям и каким образом биржа будет восстанавливать свою репутацию.
🎯 Вознаграждение за поимку хакеров: Bybit предложила $140 млн за информацию, которая поможет найти злоумышленников или организаторов атаки.
Stay secure and read SecureTechTalks 📚
#Bybit #Кибератака #LazarusGroup #Ethereum #CryptoSecurity #Кибербезопасность #SecureTechTalks #THORChain #Blockchain #CyberCrime
Please open Telegram to view this post
VIEW IN TELEGRAM
🤯1
🔥 Кибербезопасность в эпоху LLM-агентов: как защитить онлайн-транзакции от атак? 🔥
🌍 Автономные роботы, управляемые ИИ, уже проводят онлайн-транзакции – от финансовых операций до логистики. Но насколько они защищены? Такие системы становятся мишенью для атак, включая манипуляцию транзакциями, подмену данных и взлом доступа.
🔑 Основные угрозы для LLM-роботов в онлайн-транзакциях
🔹 Атаки на LLM-модели – модели могут быть подвержены утечке данных, манипуляциям и подмене входных данных.
🔹 Атаки на транзакции – злоумышленники могут изменять детали перевода или создавать поддельные запросы.
🔹 Нехватка встроенных механизмов безопасности – многие LLM-агенты разрабатываются без учёта защиты от атак.
💥 Как работает усиленная архитектура безопасности?
1️⃣ Blockchain 🏦
Каждая транзакция записывается в блокчейн, обеспечивая неизменяемость данных. Даже если кто-то попытается изменить транзакцию, это будет обнаружено.
2️⃣ Многофакторная аутентификация (MFA) 🔐
Биометрия + одноразовые пароли (OTP) – гарантируют, что только авторизованные пользователи и агенты могут совершать операции.
3️⃣ Система обнаружения аномалий (ADS) 📊
Использует машинное обучение для анализа транзакций в реальном времени и выявления подозрительных действий.
📈 Насколько эффективны эти методы?
📊 Основные показатели:
✔ Точность обнаружения мошенничества – до 98%.
✔ Целостность транзакций – практически 100% за счёт использования блокчейна.
✔ Процент успешной аутентификации – 99.5% (значительно выше, чем у традиционных решений).
✔ Задержка проверки транзакции – 0.05 секунды (в 2 раза быстрее стандартных методов).
📉 Такие системы способны снижать уровень мошенничества на 90%!
🔮 Будущее кибербезопасности LLM-агентов
📌 Блокчейн становится стандартом для защиты транзакций.
📌 Многофакторная аутентификация – обязательный элемент в защите LLM-систем.
📌 Машинное обучение повышает точность обнаружения угроз в реальном времени.
🔍 LLM-агенты – это будущее онлайн-транзакций, но без мощных механизмов защиты они могут стать катастрофой для бизнеса и пользователей. Разработчики должны учитывать безопасность на всех уровнях!
Stay secure and read SecureTechTalks 📚
#LLM #CyberSecurity #Blockchain #AI #MFA #ADS #CyberThreats #SecureTechTalks #FinTech #ThreatDetection
🌍 Автономные роботы, управляемые ИИ, уже проводят онлайн-транзакции – от финансовых операций до логистики. Но насколько они защищены? Такие системы становятся мишенью для атак, включая манипуляцию транзакциями, подмену данных и взлом доступа.
🔑 Основные угрозы для LLM-роботов в онлайн-транзакциях
🔹 Атаки на LLM-модели – модели могут быть подвержены утечке данных, манипуляциям и подмене входных данных.
🔹 Атаки на транзакции – злоумышленники могут изменять детали перевода или создавать поддельные запросы.
🔹 Нехватка встроенных механизмов безопасности – многие LLM-агенты разрабатываются без учёта защиты от атак.
💥 Как работает усиленная архитектура безопасности?
1️⃣ Blockchain 🏦
Каждая транзакция записывается в блокчейн, обеспечивая неизменяемость данных. Даже если кто-то попытается изменить транзакцию, это будет обнаружено.
2️⃣ Многофакторная аутентификация (MFA) 🔐
Биометрия + одноразовые пароли (OTP) – гарантируют, что только авторизованные пользователи и агенты могут совершать операции.
3️⃣ Система обнаружения аномалий (ADS) 📊
Использует машинное обучение для анализа транзакций в реальном времени и выявления подозрительных действий.
📈 Насколько эффективны эти методы?
📊 Основные показатели:
✔ Точность обнаружения мошенничества – до 98%.
✔ Целостность транзакций – практически 100% за счёт использования блокчейна.
✔ Процент успешной аутентификации – 99.5% (значительно выше, чем у традиционных решений).
✔ Задержка проверки транзакции – 0.05 секунды (в 2 раза быстрее стандартных методов).
📉 Такие системы способны снижать уровень мошенничества на 90%!
🔮 Будущее кибербезопасности LLM-агентов
📌 Блокчейн становится стандартом для защиты транзакций.
📌 Многофакторная аутентификация – обязательный элемент в защите LLM-систем.
📌 Машинное обучение повышает точность обнаружения угроз в реальном времени.
🔍 LLM-агенты – это будущее онлайн-транзакций, но без мощных механизмов защиты они могут стать катастрофой для бизнеса и пользователей. Разработчики должны учитывать безопасность на всех уровнях!
Stay secure and read SecureTechTalks 📚
#LLM #CyberSecurity #Blockchain #AI #MFA #ADS #CyberThreats #SecureTechTalks #FinTech #ThreatDetection
🔥 Simulation в кибербезопасности: зачем запускать «виртуальные войны» 🚀
Симуляция - это не игра и не просто тест «в лаборатории». Это инструмент, который позволяет видеть уязвимости там, где реальная атака стоила бы миллионов.
💡 Реальные атаки непредсказуемы, а тесты в продакшене - опасны. Симуляция создаёт контролируемую копию инфраструктуры, в которой можно:
- Запустить DDoS 🌊 и отследить, на какой нагрузке сеть «падает».
- Смоделировать подмену данных в SCADA ⚡ и посмотреть, как автоматика начнёт давать ложные команды.
- Проверить реакцию блокчейн-узлов на атаку 51% 💰.
➖ Понять, как быстро вредонос распространится в корпоративной сети 🦠.
В симуляции можно крутить ручки параметров: от числа ботов в ботнете до задержек в канале, и фиксировать точные метрики: латентность, потерю пакетов, скорость восстановления, экономический ущерб.
📊 Глобальный анализ (135 исследований за 25 лет)
Учёные классифицировали симуляции по четырём осям:
➖ Где применяются: IT-сети, критическая инфраструктура, транспорт, блокчейн.
➖ Какие угрозы моделируют: от DoS до цепочек сложных атак.
➖ Как моделируют: агентные модели, вероятностные деревья атак, HIL.
➖ Для чего: оценка урона, тест защит, генерация ML-датасетов, расчёт ROI от безопасности.
🎯 Реальные кейсы
➖ Энергосети (SCADA) - симуляция подмены телеметрии выявила, что неправильная температура в датчике запускает аварийное отключение генератора.
➖ Транспорт (V2X) - подмена GPS-координат в симуляции автономного авто приводит к резкому торможению на трассе.
➖ Облачные платформы - моделирование DDoS показало, что при атаке в 10 Гбит/с автомитигатор успевает включиться через 7 секунд, но первые 5 секунд сервис недоступен.
➖ Блокчейн - симуляция атаки 51% показала, что при снижении хэшрейта на 25% вероятность успеха атакующего растёт в 2,3 раза.
🔥 Что симулируют чаще всего
1⃣ DDoS/DoS 🌊 - лидер по частоте, потому что легко настраивается и даёт чистые метрики.
2⃣ MitM и подмена данных 🎭 - критично для CPS/SCADA, где ошибка сенсора = катастрофа.
3⃣ Распространение вредоносов 🦠 - через SIR/SEIR-модели, чтобы найти точки отказа.
4⃣ Инъекции 💉 - моделируются реже, из-за привязки к конкретным приложениям.
🛠 Рабочие методы
➖ ABM (Agent-Based Modeling), когда важно смоделировать действия атакующего, администратора и пользователя в одном сценарии.
➖ Compartmental/SIR - быстрый макроанализ распространения угроз.
➖ Petri Nets - для многофазных атак с зависимыми шагами.
➖ HIL (Hardware-in-the-loop) - незаменимо, если нужно увидеть эффект атаки на реальном железе.
➖ Монте-Карло/байесовские деревья атак - для расчёта вероятностей успеха и экономического ущерба.
📌 Как использовать симуляцию на практике
1⃣ Начните с DDoS - минимальные затраты, максимум пользы для сетевой инфраструктуры.
2⃣ Делайте гибрид: симуляция + HIL для критичных систем.
3⃣ Генерируйте синтетические логи для ML - обучайте детекторы на реальных сценариях.
4⃣ Закладывайте поведение людей - иначе упустите сценарии социнженерии.
5⃣ Считайте деньги - симуляция даёт цифры, которыми можно убедить руководство инвестировать в защиту.
Stay secure and read SecureTechTalks 📚
#Simulation #CyberSecurity #SecureTechTalks #ИБ #DDoS #SCADA #Blockchain #HIL #ML #Инфобез
Симуляция - это не игра и не просто тест «в лаборатории». Это инструмент, который позволяет видеть уязвимости там, где реальная атака стоила бы миллионов.
💡 Реальные атаки непредсказуемы, а тесты в продакшене - опасны. Симуляция создаёт контролируемую копию инфраструктуры, в которой можно:
- Запустить DDoS 🌊 и отследить, на какой нагрузке сеть «падает».
- Смоделировать подмену данных в SCADA ⚡ и посмотреть, как автоматика начнёт давать ложные команды.
- Проверить реакцию блокчейн-узлов на атаку 51% 💰.
В симуляции можно крутить ручки параметров: от числа ботов в ботнете до задержек в канале, и фиксировать точные метрики: латентность, потерю пакетов, скорость восстановления, экономический ущерб.
📊 Глобальный анализ (135 исследований за 25 лет)
Учёные классифицировали симуляции по четырём осям:
🎯 Реальные кейсы
🔥 Что симулируют чаще всего
1⃣ DDoS/DoS 🌊 - лидер по частоте, потому что легко настраивается и даёт чистые метрики.
2⃣ MitM и подмена данных 🎭 - критично для CPS/SCADA, где ошибка сенсора = катастрофа.
3⃣ Распространение вредоносов 🦠 - через SIR/SEIR-модели, чтобы найти точки отказа.
4⃣ Инъекции 💉 - моделируются реже, из-за привязки к конкретным приложениям.
🛠 Рабочие методы
📌 Как использовать симуляцию на практике
1⃣ Начните с DDoS - минимальные затраты, максимум пользы для сетевой инфраструктуры.
2⃣ Делайте гибрид: симуляция + HIL для критичных систем.
3⃣ Генерируйте синтетические логи для ML - обучайте детекторы на реальных сценариях.
4⃣ Закладывайте поведение людей - иначе упустите сценарии социнженерии.
5⃣ Считайте деньги - симуляция даёт цифры, которыми можно убедить руководство инвестировать в защиту.
Stay secure and read SecureTechTalks 📚
#Simulation #CyberSecurity #SecureTechTalks #ИБ #DDoS #SCADA #Blockchain #HIL #ML #Инфобез
Please open Telegram to view this post
VIEW IN TELEGRAM
🧠🛡️ LLM помогает находить баги в смарт-контрактах
Смарт-контракты одна из самых сложных и рискованных частей Web3-экосистем. Их ошибки это не просто «падение системы», а потерянные миллионы долларов для пользователей.
🎯 Обычные статические анализаторы вроде Slither не справляются: они генерируют массу ложных срабатываний или пропускают «нестандартные» уязвимости, когда логика контракта уходит от шаблонов.
Исследователи из Georgia Tech предложили интересную альтернативу: систему LLMBugScanner, в которой не одна LLM, а группа LLM, работают в связке и голосует за результаты.
🧪 Одиночные модели не панацея
Если запустить одну модель (даже fine-tuned), она может сработать на одни типы ошибок, но провалиться на других:
🔹 Модели хорошо находят наборные, стандартные баги вроде integer overflow, но «слепнут» на контекст логики.
🔹 Результаты могут отличаться от прогона к прогону, потому что модель непоследовательна.
🔹 Fine-tuning помогает на одних данных, но портит результаты на других.
Это типичная проблема: LLM понимают шаблоны, но не логику, семантику и нюансы исполнения кода.
🧩 LLMBugScanner
Чтобы устранить вышеупомянутые ограничения, реализована архитектура LLMBugScanner, которая делает две вещи:
1) 🎯 Адаптация к контексту смарт-контрактов
Модели проходят двухступенчатое fine-tuning-обучение:
На большом датасете Solidity-контрактов с отмеченными типами уязвимостей, чтобы понять общий «язык» и паттерны Ethereum-кода.
На маленьком датасете с CVE-контрактами, чтобы научиться опознавать конкретные баги и описывать их.
📌 В результате модели перестают постоянно неправильно классифицировать ошибки (например, путать проблемы доступа с арифметическими).
2) 🤝 Коллективное голосование моделей
Вместо того чтобы полагаться на одну «умную» сеть, LLMBugScanner запускает пять разных моделей, каждая анализирует контракт, а затем результаты объединяются через систему голосования:
🔹 Weighted Voting: сильные модели «весомее»
🔹 Priority Voting: решает конфликты по приоритету моделей
Итог: система ловит больше багов и с меньшим шумом, чем любая модель по отдельности.
📊 Тестирование
Команда проанализировала 108 реальных смарт-контрактов с известными уязвимостями из базы CVE. Результаты:
🔥 Ensemble-подход поднял точность обнаружения до ~60 % в топ-5 выводов, что на ~19 % выше, чем у одной лучшей модели.
🧠 Преимущества и ограничения
✅ Групповой разум работает лучше, чем одиночные модели.
✅ Снижается влияние случайных ошибок и индивидуальных слабостей моделей.
✅ Лучше охватываются разные типы уязвимостей.
Ограничения:
⚠️ Некоторые редкие классы ошибок (например, сложные ошибки доступа или логической структуры) всё ещё остаются трудными для обнаружения даже в ансамбле.
⚠️ Около 10 % выводов моделей всё ещё могут содержать «галлюцинации».
📌 Ссылка на исследование
🔗 https://arxiv.org/abs/2512.02069
Stay secure and read SecureTechTalks 📚
#CyberSec #Web3Security #SmartContractAudit #LLM #AIinSecurity #DeFi #Blockchain #SecureTechTalks #BugBounty
Смарт-контракты одна из самых сложных и рискованных частей Web3-экосистем. Их ошибки это не просто «падение системы», а потерянные миллионы долларов для пользователей.
🎯 Обычные статические анализаторы вроде Slither не справляются: они генерируют массу ложных срабатываний или пропускают «нестандартные» уязвимости, когда логика контракта уходит от шаблонов.
Исследователи из Georgia Tech предложили интересную альтернативу: систему LLMBugScanner, в которой не одна LLM, а группа LLM, работают в связке и голосует за результаты.
🧪 Одиночные модели не панацея
Если запустить одну модель (даже fine-tuned), она может сработать на одни типы ошибок, но провалиться на других:
🔹 Модели хорошо находят наборные, стандартные баги вроде integer overflow, но «слепнут» на контекст логики.
🔹 Результаты могут отличаться от прогона к прогону, потому что модель непоследовательна.
🔹 Fine-tuning помогает на одних данных, но портит результаты на других.
Это типичная проблема: LLM понимают шаблоны, но не логику, семантику и нюансы исполнения кода.
🧩 LLMBugScanner
Чтобы устранить вышеупомянутые ограничения, реализована архитектура LLMBugScanner, которая делает две вещи:
1) 🎯 Адаптация к контексту смарт-контрактов
Модели проходят двухступенчатое fine-tuning-обучение:
На большом датасете Solidity-контрактов с отмеченными типами уязвимостей, чтобы понять общий «язык» и паттерны Ethereum-кода.
На маленьком датасете с CVE-контрактами, чтобы научиться опознавать конкретные баги и описывать их.
📌 В результате модели перестают постоянно неправильно классифицировать ошибки (например, путать проблемы доступа с арифметическими).
2) 🤝 Коллективное голосование моделей
Вместо того чтобы полагаться на одну «умную» сеть, LLMBugScanner запускает пять разных моделей, каждая анализирует контракт, а затем результаты объединяются через систему голосования:
🔹 Weighted Voting: сильные модели «весомее»
🔹 Priority Voting: решает конфликты по приоритету моделей
Итог: система ловит больше багов и с меньшим шумом, чем любая модель по отдельности.
📊 Тестирование
Команда проанализировала 108 реальных смарт-контрактов с известными уязвимостями из базы CVE. Результаты:
🔥 Ensemble-подход поднял точность обнаружения до ~60 % в топ-5 выводов, что на ~19 % выше, чем у одной лучшей модели.
🧠 Преимущества и ограничения
✅ Групповой разум работает лучше, чем одиночные модели.
✅ Снижается влияние случайных ошибок и индивидуальных слабостей моделей.
✅ Лучше охватываются разные типы уязвимостей.
Ограничения:
⚠️ Некоторые редкие классы ошибок (например, сложные ошибки доступа или логической структуры) всё ещё остаются трудными для обнаружения даже в ансамбле.
⚠️ Около 10 % выводов моделей всё ещё могут содержать «галлюцинации».
📌 Ссылка на исследование
🔗 https://arxiv.org/abs/2512.02069
Stay secure and read SecureTechTalks 📚
#CyberSec #Web3Security #SmartContractAudit #LLM #AIinSecurity #DeFi #Blockchain #SecureTechTalks #BugBounty
👍1