В 2019 году атаки на банкоматы принесли преступникам гроши

В 2019 году атаки на банкоматы принесли преступникам гроши

В 2019 году атаки на банкоматы принесли преступникам гроши

Атаки на банкоматы, в ходе которых используются специальные вредоносные программы и техника джекпотинга, больше не приносят злоумышленникам нормального дохода. За первую половину 2019 года преступные группы, промышляющие ATM-атаками, выручали менее €1000 за одну успешную кампанию.

В общей сложности банки по всей Европе сообщили о 35 инцидентах, в которых были замечены ATM-вредоносы и техники джекпотинга. Джекпотинг подразумевает вид атаки на банкомат, в результате которой злоумышленник заставляет устройство буквально «выплевывать» купюры.

Исследованием подобных инцидентов в первой половине этого года занималась некоммерческая организация European Association for Secure Transactions (EAST).

«Вредоносные программы использовались в каждой третьей атаке. В остальных случаях преступники прибегали к джекпотингу», — гласит отчёт (PDF) EAST.

«Эти операции отметились малыми потерями кредитных организаций. В одном случае злоумышленникам удалось украсть менее €1000. Средняя сумма потерь также значительно упала — приблизительно на 100%».

Таким образом, уже второй год подряд преступные группы не могут украсть действительно большие суммы, используя специальные вредоносные программы, заточенные под атаки на банкоматы.

Подпишитесь на новости

Модели OpenAI и Anthropic выбирали скорые и школу как военные цели

Компания Vals AI проверила ограничения ИИ-моделей на участие в выборе военных целей. В экспериментах системы отмечали гражданских, машины скорой помощи и сдающихся солдат. Представление задания как игры часто помогало преодолеть отказы.

Результаты экспериментов опубликованы в исследовании Vals AI. Специалисты испытали 14 моделей на изображениях с имитацией съёмки с дронов.

Отдельный сценарий включал реальные спутниковые снимки иранского Минаба, где школа расположена рядом с военным комплексом.


GPT-6 Astra выделяла хотя бы одну цель в 6% обычных запросов. После оговорки об игре показатель вырос до 92%. В других экспериментах большинство моделей продолжало обнаруживать людей даже после показа сгенерированных последствий ударов.


Модели не управляли реальными атаками и не принимали решений об ударах. Авторы также не оценивали точность наведения и эффективность систем в боевых условиях.


Vals AI рекомендует усилить ограничения на уровне API. Один из обозначенных рисков — массовая разметка видеозаписей для обучения автономных систем наведения.

RSS: Новости на портале Anti-Malware.ru