در پی سرقت ۳۸۷ میلیون دلاری از صرافی Bitget، تیم‌های تحلیلگر Chainalysis با بهره‌گیری از ابزارهای هوش مصنوعی (AI) داخلی، فرآیند ردیابی دارایی‌های جابه‌جا شده توسط عوامل تهدید (Threat Actor) کره شمالی را تسریع کردند. با توجه به سرعت بالای مهاجمان در جابه‌جایی وجوه، استفاده از اتوماسیون‌های سفارشی برای تحلیل تراکنش‌های پیچیده در چندین بلاک‌چین مختلف ضروری بود.
تسریع تحلیل‌های Cross-Chain با استفاده از AI
تحلیلگران Chainalysis از یک پلتفرم Agentic برای ایجاد ابزارهای اتوماسیون استفاده کردند که توانست زمان مورد نیاز برای تطبیق دستی پل‌های ارتباطی (Bridge Reconciliation) را از ۲۰ ساعت به کمتر از ۱۰ دقیقه کاهش دهد. این فناوری جایگزین تخصص انسانی نشد، بلکه به تحلیلگران اجازه داد تا منطق بررسی را تعریف کرده و خروجی‌ها را با سرعت بیشتری بازبینی کنند.
جزئیات توزیع و تطهیر وجوه سرقتی
در سه ساعت نخست پس از اکسپلویت (Exploit)، مبلغ ۳۸۷ میلیون دلار در ۲۳ تراکنش از Bitget خارج شد و در چهار شبکه توزیع گردید:
- Ethereum: ۴۹.۷٪
- XRP: ۴۰.۸٪
- Zcash: ۷.۶٪
- Tron: ۱.۸٪
عوامل تهدید برای پنهان کردن ردپای مالی، از مکانیسم‌های پیچیده‌ای نظیر پروتکل‌های نقدینگی Cross-chain، پیام‌رسان‌های زنجیره‌ای، Instant Swaps و سرویس‌های تطهیر وجه (Laundering Services) استفاده کردند. برای مثال، در مورد دارایی‌های XRP، مهاجمان به جای ارسال مستقیم به صرافی‌ها، از پروتکل‌های نقدینگی برای تبدیل آن‌ها به Bitcoin استفاده کردند تا شناسایی آن‌ها دشوارتر شود.
تاثیر بر عملیات SOC و نهادهای انتظامی
با شناسایی سریع مسیرهای انتقال، برچسب‌های (Labels) مربوط به وجوه سرقتی در پلتفرم داده‌ها فعال شدند. این امر به تیم‌های Compliance و سازمان‌های انتظامی اجازه داد تا با دسترسی به داده‌های به‌روز، اقدام به مسدودسازی یا توقیف دارایی‌ها در صرافی‌های مقصد نمایند. طبق گزارش‌ها، مجموع دارایی‌های سرقتی توسط عوامل مرتبط با کره شمالی در سال ۲۰۲۶ به بیش از یک میلیارد دلار رسیده است که نشان‌دهنده استفاده فزاینده این گروه از اتوماسیون‌های پیشرفته برای مبهم‌سازی تراکنش‌هاست.
