ماه آوریل ۲۰۲۶ با عبور از مرز ۶۰۶ میلیون دلار دارایی مسروقه، به سیاهترین ماه در تاریخ امنیت ارزهای دیجیتال تبدیل شد. این رقم که از مجموع ۲۳ حملهٔ موفق علیه پلتفرمهای مالی غیرمتمرکز (DeFi)، پلهای میانزنجیرهای (Cross-chain Bridges) و صرافیهای متمرکز به دست آمده، نهتنها یک رکورد تلخ از نظر حجم مالی، که نشانهای از یک تحول کیفی در ماهیت تهدیدات سایبری است: مهاجمان اکنون از عاملهای هوش مصنوعی خودمختار برای شناسایی آسیبپذیریها، شبیهسازی حملات، بهینهسازی بردارهای نفوذ و حتی مذاکره با پروتکلهای حاکمیتی استفاده میکنند. آنچه در آوریل ۲۰۲۶ رخ داد، صرفاً یک جهش کمی در حجم سرقتها نبود، بلکه یک «لحظهٔ گذار» (Transition Moment) بود که در آن، جرایم سایبری از «هنر دستی هکرها» به «صنعت خودکار مبتنی بر هوش مصنوعی» تغییر ماهیت داد.
۱. کالبدشکافی رکورد: ۶۰۶ میلیون دلار در ۳۰ روز
بر اساس گزارش پلتفرم تحلیل بلاکچین Chainalysis که در ۲ مه ۲۰۲۶ منتشر شد، مجموع زیانهای مستقیم ناشی از هک و اکسپلویت در آوریل ۲۰۲۶ به ۶۰۶.۴ میلیون دلار رسید — رقمی که از مجموع کل زیانهای سهماههٔ اول ۲۰۲۶ (۵۱۰ میلیون دلار) فراتر رفت و آوریل را به تنهایی مسئول ۵۴٪ از کل زیانهای سال تا آن زمان کرد. این در حالی است که میانگین ماهانهٔ زیانها در سال ۲۰۲۵ حدود ۱۸۰ میلیون دلار بود — یعنی آوریل ۲۰۲۶ بیش از ۳.۴ برابر میانگین ماه قبل.
۱.۱ مهمترین حملات آوریل ۲۰۲۶
- ۷ آوریل — Euler Finance v2 (۲۳۷ میلیون دلار): بزرگترین ضربهٔ ماه به پروتکل وامدهی بازراهاندازیشدهٔ Euler Finance وارد شد. مهاجم با استفاده از یک «حملهٔ فلش لون چندمرحلهای» (Multi-stage Flash Loan Attack) که در آن آسیبپذیریهای دو استخر نقدینگی مجزا را بهطور همزمان بهرهبرداری کرد، ۲۳۷ میلیون دلار در قالب ۹ دارایی مختلف (عمدتاً USDC، ETH و stETH) به سرقت برد. نکتهٔ هشداردهنده این بود که اکسپلویت استفادهشده — که ترکیبی از دستکاری اوراکل (Oracle Manipulation) و حملهٔ بازگشتی (Reentrancy Attack) بود — تنها ۴ روز پس از استقرار نسخهٔ جدید پروتکل رخ داد، و بررسیهای بعدی نشان داد که مهاجم از یک مدل هوش مصنوعی برای شبیهسازی خودکار قراردادهای هوشمند و یافتن زنجیرهٔ بهینهٔ حملات استفاده کرده است.
- ۱۴ آوریل — PolyBridge (۱۵۶ میلیون دلار): پل میانزنجیرهای PolyBridge (که بیش از ۴۰ بلاکچین را به هم متصل میکند) هدف یک حملهٔ پیچیدهٔ «امضای جعلی» (Fake Signature) قرار گرفت. مهاجم با بهرهبرداری از یک آسیبپذیری در ماژول اعتبارسنجی (Validator Module)، پیامهای تأیید تراکنش را جعل کرد و ۱۵۶ میلیون دلار دارایی را از قرارداد قفلشدهٔ پل خارج نمود. تحلیلهای پس از حمله نشان داد که مهاجم از یک مدل زبانی بزرگ (مشابه آنچه در حادثهٔ Claude Opus دیده شد) برای تحلیل کد منبع پل، شناسایی الگوهای اعتبارسنجی، و تولید خودکار payload حمله استفاده کرده است.
- ۲۲ آوریل — DecentraX (۸۹ میلیون دلار): صرافی غیرمتمرکز DecentraX با یک حملهٔ «دستکاری قیمت» (Price Manipulation) از کار افتاد. مهاجم با ایجاد نوسان مصنوعی در یک استخر نقدینگی با حجم پایین، قیمت یک توکن بیارزش را بهطور موقت هزاران برابر کرد، از آن بهعنوان وثیقه برای وامگیری گسترده استفاده نمود، و سپس نقدینگی را تخلیه کرد. این حمله — که نوعاً «حملهٔ نهنگ مصنوعی» (Synthetic Whale Attack) نامیده میشود — توسط یک ربات هوش مصنوعی طراحی شده بود که بهطور خودکار استخرهای آسیبپذیر را در ۱۵ زنجیرهٔ مختلف اسکن کرده و سودآورترین هدف را انتخاب کرده بود.
۲. نقش هوش مصنوعی: از دستیار هکر تا هکر خودمختار
وجه تمایز «آوریل سیاه» با دورههای قبلی هکهای کریپتو، نه حجم سرقت، که «درجهٔ خودکارسازی» حملات است. تحلیلهای فنی Chainalysis و گزارشهای تیمهای امنیتی (از جمله PeckShield و SlowMist) نشان میدهند که در ۱۸ مورد از ۲۳ حملهٔ آوریل، مهاجمان از ابزارهای هوش مصنوعی در یک یا چند مرحله از زنجیرهٔ حمله (Cyber Kill Chain) استفاده کردهاند. این تحول، سه پیامد نگرانکننده دارد:
۲.۱ اسکن و شناسایی خودکار آسیبپذیریها (Automated Vulnerability Scanning)
پیشتر، یافتن آسیبپذیری در قراردادهای هوشمند نیازمند هفتهها یا ماهها کار توسط متخصصان امنیت یا هکرهای انسانی بود. اکنون، عاملهای هوش مصنوعی میتوانند کد منبع هزاران قرارداد هوشمند را در چند ساعت تحلیل کنند، الگوهای آسیبپذیری شناختهشده (مانند Reentrancy، Integer Overflow، Unchecked Call، Flash Loan Attack Vectors) را شناسایی نمایند، و حتی آسیبپذیریهای جدیدی را از طریق «تولید خودکار موارد آزمون» (Automated Test Case Generation) کشف کنند. در واقع، همان قابلیتی که در Claude Opus برای کشف آسیبپذیریهای صفر-روزه مشاهده شد، اکنون بهطور خاص برای قراردادهای هوشمند بهینهسازی شده و در دارکنت به فروش میرسد. یک عامل هوش مصنوعی تخصصی به نام «ContractBreaker» که در دارکنت با قیمت ۵۰,۰۰۰ دلار معامله میشود، میتواند در ۲۴ ساعت بیش از ۱۰,۰۰۰ قرارداد را اسکن کرده و آسیبپذیریهای قابل بهرهبرداری را با احتمال موفقیت ۸۳٪ شناسایی کند.
۲.۲ شبیهسازی و بهینهسازی حمله (Attack Simulation & Optimization)
پس از شناسایی آسیبپذیری، مرحلهٔ بعدی طراحی بردار حمله است. در حملات پیچیدهای مانند Euler Finance، مهاجم باید زنجیرهای از اقدامات (فلش لون، دستکاری اوراکل، سوآپ، وامگیری، تخلیه) را بهگونهای طراحی کند که در یک تراکنش اتمی (Atomic Transaction) قابل اجرا باشد و حداکثر سود را با حداقل ریسک شناسایی به دست آورد. عاملهای هوش مصنوعی اکنون میتوانند هزاران سناریوی حمله را در یک محیط شبیهسازیشده از ماشین مجازی اتریوم (EVM) اجرا کنند، پارامترها (مقدار فلش لون، تعداد مراحل، ترتیب سوآپها) را بهطور خودکار بهینهسازی نمایند، و حتی «هزینهٔ گس» (Gas Cost) و احتمال «front-running» توسط رباتهای MEV را نیز در محاسبات خود لحاظ کنند. نتیجه، حملاتی است که در آنها نرخ موفقیت از ۶۰٪ (برای حملات دستی) به بالای ۹۵٪ (برای حملات خودکار بهینهسازیشده) افزایش یافته است.
۲.۳ فرار از ردیابی و پولشویی خودکار (Automated Laundering)
پس از سرقت، بزرگترین چالش برای مهاجم، پولشویی داراییهای مسروقه بدون ردیابی توسط تحلیلگران بلاکچین است. در آوریل ۲۰۲۶، مهاجمان از عاملهای هوش مصنوعی برای «مسیریابی بهینهٔ پولشویی» (Optimal Laundering Path) استفاده کردند: عامل، مسیر حرکت داراییها از میان میکسرها (مانند Tornado Cash)، پلهای میانزنجیرهای، صرافیهای غیرمتمرکز با نقدینگی بالا، و سرویسهای سواپ اتمی را بهگونهای برنامهریزی میکند که «امتیاز ریسک» (Risk Score) در پلتفرمهای تحلیلی مانند Chainalysis و TRM Labs به حداقل برسد. برخی از این عاملها حتی میتوانند تراکنشها را بهطور خودکار در بازههای زمانی تصادفی تقسیم کنند و از الگوهای رفتاری تراکنشهای قانونی تقلید نمایند تا از الگوریتمهای تشخیص ناهنجاری (Anomaly Detection) عبور کنند.
۳. واکنش صنعت و نهادهای نظارتی: از انفعال تا بحران
رکوردشکنیهای آوریل ۲۰۲۶، صنعت کریپتو و نهادهای نظارتی را در حالت «بحران» قرار داد. سه واکنش عمده در پی این رویدادها شکل گرفت:
- بازنگری امنیتی پروتکلهای DeFi: پروتکلهای بزرگ (Aave، Uniswap، Compound) اعلام کردند که «ممیزی امنیتی مبتنی بر هوش مصنوعی» (AI-Driven Security Audit) را بهعنوان استاندارد جدید ممیزیهای خود — در کنار ممیزی انسانی — اجباری میکنند. این ممیزیها شامل «تولید خودکار موارد آزمون تهاجمی» (Automated Adversarial Test Case Generation) و «شبیهسازی حمله توسط عاملهای متخاصم مجازی» (Virtual Adversarial Agent Simulation) است.
- فشار نظارتی بر پلتفرمهای DeFi: کمیسیون بورس و اوراق بهادار آمریکا (SEC) و نهاد نظارت بر بازارهای مالی اتحادیه اروپا (ESMA) در بیانیههای جداگانهای، از پلتفرمهای DeFi خواستند که «الزامات امنیتی حداقلی» را رعایت کنند و در غیر این صورت، با «اقدامات اجرایی» مواجه خواهند شد. با این حال، ماهیت غیرمتمرکز این پلتفرمها، اعمال چنین الزاماتی را پیچیده میکند.
- ظهور بیمههای امنیت سایبری مبتنی بر هوش مصنوعی: استارتاپهای InsurTech محصولات جدیدی عرضه کردهاند که با استفاده از هوش مصنوعی، ریسک امنیتی پروتکلهای DeFi را بهطور بلادرنگ ارزیابی کرده و حق بیمه را بهطور پویا تنظیم میکنند. با این حال، حق بیمه برای پروتکلهای جدید و ممیزینشده به ۱۵-۲۰٪ ارزش کل قفلشده (TVL) در سال رسیده است — رقمی که برای بسیاری از پروتکلها غیرقابل تحمل است.
۴. جدول مقایسهای بزرگترین حملات آوریل ۲۰۲۶
| تاریخ | پلتفرم | نوع حمله | مبلغ سرقت (دلار) | نقش هوش مصنوعی |
|---|---|---|---|---|
| ۷ آوریل | Euler Finance v2 | فلش لون چندمرحلهای + دستکاری اوراکل + بازگشتی | ۲۳۷ میلیون | شبیهسازی خودکار حمله و بهینهسازی زنجیرهٔ تراکنش |
| ۱۴ آوریل | PolyBridge | جعل امضای اعتبارسنجی | ۱۵۶ میلیون | تحلیل خودکار کد منبع و تولید payload |
| ۲۲ آوریل | DecentraX | دستکاری قیمت (نهنگ مصنوعی) | ۸۹ میلیون | اسکن خودکار ۱۵ زنجیره و انتخاب هدف بهینه |
| ۲۷ آوریل | StableVault | حملهٔ وام فوری علیه استیبلکوین الگوریتمی | ۶۲ میلیون | شناسایی خودکار عدم تعادل در استخرهای نقدینگی |
| ۳۰ آوریل | CrossFi Chain | سوءاستفاده از پل میانزنجیرهای | ۴۱ میلیون | جعل خودکار تراکنشهای میانزنجیرهای |
| سایر (۱۸ حمله) | مختلف | متنوع | ۲۱.۴ میلیون | استفاده در مراحل مختلف (عمدتاً اسکن و شناسایی) |
| مجموع | ۶۰۶.۴ میلیون |
۵. پیامدهای راهبردی: مسابقهٔ تسلیحاتی هوش مصنوعی در سایه
«آوریل سیاه» ۲۰۲۶ را باید در پیوند با حادثهٔ Claude Opus (کشف مستقل آسیبپذیریهای صفر-روزه توسط مدل آنتروپیک، ۱۹ آوریل ۲۰۲۶) تحلیل کرد. این دو رویداد، که تنها ۱۲ روز از یکدیگر فاصله دارند، مجموعاً یک «لحظهٔ بیداری» (Wake-up Call) برای کل اکوسیستم دیجیتال هستند: همان توانمندیهای هوش مصنوعی که برای کشف دارو، بهینهسازی لجستیک و توسعهٔ نرمافزار به کار میروند، میتوانند — با اندکی تنظیم — برای کشف آسیبپذیریها، طراحی اکسپلویتها و اجرای حملات خودکار نیز استفاده شوند.
این واقعیت، یک «مسابقهٔ تسلیحاتی» (Arms Race) جدید را در امنیت سایبری رقم زده است که در آن مهاجمان و مدافعان هر دو به سلاحهای هوش مصنوعی مجهز میشوند. تفاوت نگرانکننده این است که مهاجمان تنها به یک آسیبپذیری برای موفقیت نیاز دارند، در حالی که مدافعان باید تمام آسیبپذیریها را ببندند — و در جهانی که عاملهای هوش مصنوعی میتوانند هزاران قرارداد را در ساعت اسکن کنند، «سطح حمله» (Attack Surface) عملاً نامحدود است. همانطور که یک تحلیلگر ارشد Chainalysis پس از انتشار گزارش آوریل گفت: «ما از عصر “هکرهای کلاهسیاه” وارد عصر “هوش مصنوعی کلاهسیاه” شدهایم — و سرعت این گذار، حتی از بدبینانهترین سناریوهای ما نیز فراتر رفته است.»
برای صنعت DeFi — که وعدهٔ «حذف واسطهها» و «امنیت از طریق ریاضیات» را میداد — این رکورد تلخ یک زنگ خطر وجودی است: اگر اعتماد به امنیت پروتکلها فرو بریزد، کل بنیان «مالی غیرمتمرکز» فرومیریزد — و جایگزین کردن «اعتماد به کد» با «اعتماد به ممیزیهای هوش مصنوعی»، شاید آخرین راه چاره باشد.
۱۶ پاسخ به “آوریل سیاه امنیت سایبری: رکوردشکنی هکها در دنیای کریپتو و ظهور تهدیدات خودکار مبتنی بر هوش مصنوعی”
عالی بود مرسی 🔥
دقیقا همینطوره
دمت گرم ستون
خوب بود
مفید و کاربردی 👌
دقیقا همینطوره
بدک نبود در کل
ممنون داداش
دمت گرم ستون
تشکر
خیلی خفن بود
پشمام چقدر خوب بود
دمت گرم ستون
پشمام چقدر خوب بود
خوب بود
خوب بود