بر اساس گزارش شرکت تحلیل بلاک چین تی‌آر‌ام لبز (TRM Labs)، یک کمپین کلاهبرداری با سوءاستفاده از آموزش‌های جعلی یوتیوب درباره ساخت بات‌های معاملاتی آربیتراژ مبتنی بر هوش مصنوعی کلود (Claude)، موفق به سرقت ۲۷۴.۶ اتریوم از ۲۲۴ قربانی شده است. کلاهبرداران بدون نیاز به لینک‌های فیشینگ سنتی، کاربران را فریب دادند تا قراردادهای هوشمند مخرب را شخصاً بر بستر شبکه مستقر و فعال کنند
ربات‌های ترید جعلی؛ شگرد تازه کلاهبرداران در یوتیوب
فهرست مطالب
تحقیقات نشان می‌دهد که در این عملیات، حداقل ۲۳۴ قرارداد هوشمند توسط قربانیان راه‌اندازی شده و وجوه سرقتی به ۶ آدرس متعلق به مهاجمان واریز شده است. میانگین خسارت هر قربانی حدود ۱ اتریوم برآورد می‌شود. این دارایی‌های سرقت‌شده با توجه به قیمت اتریوم در زمان انتقال، ارزشی بالغ بر ۵۱۷,۰۰۰ دلار داشته‌اند.
شگرد فریب با کدهای دستکاری‌شده در شبیه‌سازها
مهاجمان با استفاده از چهره‌ها و صداهای تولیدشده با هوش مصنوعی، ویدیوهایی آموزشی تولید کرده و کاربران را به وب‌سایت‌های کامپایلر مشابه ریمیکس (Remix) هدایت می‌کردند. در پشت‌صحنه این پلتفرم‌ها، کدهای ارائه‌شده نادیده گرفته شده و کدهای مخرب جایگزین می‌شدند. در نتیجه، پس از واریز حداقل ۰.۰۵ اتریوم به قرارداد، فشردن هر یک از دکمه‌های «شروع» یا «برداشت»، کل موجودی را مستقیماً به کیف پول سارقان منتقل می‌کرد.
نکته کلیدی این کمپین آن است که قربانی خودش قرارداد را روی شبکه مستقر می‌کند و همین موضوع، ماهیت حمله را از کلاهبرداری معمولی جدا می‌سازد. کاربر تصور می‌کند در حال ساختن ابزاری برای سودآوری از تفاوت قیمت میان صرافی‌هاست، در حالی که کدی که اجرا می‌کند تنها یک کار انجام می‌دهد: انتقال دارایی به کیف پول مهاجم. اعتماد به ویدیوی آموزشی جای بررسی مستقل کد را می‌گیرد و همین نقطه، نقطه شکست زنجیره امنیتی کاربر است.
اهمیت نقش هوش مصنوعی در این ماجرا نیز کمتر از خود کلاهبرداری نیست. ساخت ویدیوهایی با چهره و صدای طبیعی، پیش‌تر به تیم تولید و هزینه نیاز داشت؛ اکنون با ابزارهای هوش مصنوعی می‌توان ده‌ها نسخه متفاوت از یک آموزش را با لحن‌های گوناگون ساخت و در شبکه‌های اجتماعی منتشر کرد. این صرفه اقتصادی، حجم کمپین را بالا می‌برد و شناسایی دستی آن را برای کاربر عادی دشوارتر می‌کند.
دور زدن سپرهای امنیتی و روش‌های سنتی کشف فیشینگ
برخلاف حملات رایج تخلیه کیف پول که بر اخذ مجوزهای دسترسی متکی هستند، در این روش کاربر شخصاً قرارداد جدیدی را ایجاد می‌کرد. به همین دلیل، آدرس تازه ایجادشده در هیچ فهرست سیاهی قرار نداشت و سیستم‌های هشدار امنیتی کیف پول‌ها قادر به شناسایی ماهیت فریبکارانه تراکنش نبودند.
این ویژگی نشان می‌دهد فهرست‌های سیاه و هشدارهای مبتنی بر آدرس، تنها تا زمانی کارآمدند که مهاجم از مقصد شناخته‌شده استفاده کند. وقتی دارایی به قراردادی تازه و بی‌سابقه منتقل می‌شود، هیچ سابقه‌ای برای تطبیق وجود ندارد. از این رو، دفاع در چنین سناریویی بیشتر بر رفتار کاربر تکیه دارد تا بر داده‌های تاریخی؛ یعنی بررسی کد، مطالعه دقیق مجوزهایی که امضا می‌شود و پرهیز از اجرای کدی که منبع آن قابل راستی‌آزمایی نیست.
بیشتر بخوانید: تلاش توسعه‌دهندگان اتریوم برای مخفی‌سازی تراکنش‌ها از ربات‌های مخرب
گزارش‌های تکمیلی درباره کلاهبرداری‌های حوزه کریپتو را می‌توانید در کوین‌تلگراف دنبال کنید.
پرسش‌های متداول
این کلاهبرداری چگونه انجام شده است؟
کلاهبرداران با آموزش‌های جعلی یوتیوب درباره ساخت بات‌های معاملاتی آربیتراژ مبتنی بر کلود، کاربران را ترغیب کردند قراردادهای هوشمند مخرب را شخصاً روی شبکه مستقر و فعال کنند.
چه میزان اتریوم و از چند قربانی سرقت شد؟
بر اساس گزارش تی‌آر‌ام لبز، ۲۷۴.۶ اتریوم از ۲۲۴ قربانی سرقت شد و وجوه سرقتی به ۶ آدرس متعلق به مهاجمان واریز شد.
چرا سیستم‌های امنیتی کیف پول‌ها این تراکنش‌ها را شناسایی نکردند؟
چون قربانی خودش قرارداد تازه‌ای ایجاد می‌کرد، آن آدرس در هیچ فهرست سیاهی قرار نداشت و هشدارهای مبتنی بر آدرس شناخته‌شده نمی‌توانستند ماهیت فریبکارانه تراکنش را تشخیص دهند.
این روش چه تفاوتی با فیشینگ سنتی دارد؟
در این کمپین نیازی به لینک فیشینگ نبود؛ کد مخرب پشت وب‌سایت‌های کامپایلر مشابه ریمیکس جایگزین می‌شد و با فشردن دکمه «شروع» یا «برداشت»، کل موجودی کیف پول به سارقان منتقل می‌شد.
جمع‌بندی
پرونده ۲۷۴.۶ اتریوم نشان می‌دهد کلاهبرداری در بازار ارزهای دیجیتال از لینک‌های مشکوک به آموزش‌های حرفه‌ای و ویدیوهای تولیدشده با هوش مصنوعی منتقل شده است. در این مدل، کاربر خودش قرارداد را مستقر می‌کند و همین موضوع شناسایی حمله را برای ابزارهای امنیتی دشوار می‌کند. احتیاط در اجرای کد ناشناس و توجه به منبع آموزش، همچنان مهم‌ترین لایه دفاعی کاربران است.