摘要
随着加密货币资产价值持续提升，针对加密资产持有者的定向网络欺诈逐步从广撒网式钓鱼转向多阶段、多渠道协同的工业化攻击模式。Asterix 行动是安全厂商 Rapid7 捕获的一套完整的活跃欺诈作战体系，该攻击链条整合目标筛选、账号有效性校验、邮件钓鱼、语音钓鱼、恶意仿冒钱包软件、大语言模型辅助开发等多重能力，完整复现了威胁组织从目标甄别到资产窃取的全流程。本文以 Asterix 行动披露的真实攻击证据为基础，拆解该复合型欺诈流水线的阶段划分、技术实现路径与社会工程学策略，剖析攻击者运用大语言模型辅助恶意开发、尝试绕过模型安全约束的行为特征，挖掘现有防御体系在应对多渠道协同、AI 赋能定向欺诈场景下的短板。研究发现，该攻击最大的威胁并非单项技术漏洞，而是通过多源数据富集、邮件‑语音双向渠道互证、终端软件伪装替换构建起信任欺骗闭环；同时大模型降低了恶意软件、钓鱼基础设施的开发门槛，越狱提示词尝试标志攻击者已经将模型安全限制视作一类可被工程手段克服的障碍。结合攻击链路各环节薄弱点，本文分别从平台风控、终端防护、AI 服务商安全治理、用户认知干预四个维度提出可落地的防御优化思路，为加密生态安全防护、对抗 AI 赋能的定向社会工程攻击提供现实参考。
关键词：加密货币欺诈；语音钓鱼；网络钓鱼；恶意软件；大语言模型滥用；社会工程学
1 引言
加密资产交易不可逆、资产控制权完全由用户私钥与助记词保管的特征，使得窃取助记词成为网络犯罪团伙获取经济收益的重要途径。传统加密货币钓鱼多以单一仿冒网站、垃圾邮件为载体，攻击模式简单，欺骗手段相对容易被识别。近年来威胁团伙逐步完成工具链工业化升级，将目标前置筛选、多渠道社会工程欺骗、定制化恶意终端软件整合到同一套作战流水线之中，攻击的定向性与欺骗成功率得到显著提升。与此同时，通用大语言模型快速普及，攻击者不再需要深度掌握多门编程语言即可完成脚本编写、软件打包、基础设施调试等工作，恶意开发的技术门槛被持续拉低，部分攻击组织已经把大模型完整嵌入恶意项目的全生命周期，而非仅仅用于生成零散代码片段。
现有针对加密货币诈骗的研究大多聚焦于事后样本分析、受害者行为统计或者单一钓鱼技术的检测方案，对于仍处于活跃运行状态的完整欺诈作战环境的实证分析案例相对稀缺。Rapid7 安全团队发现 Asterix 行动的核心服务器因配置不当暴露目录访问权限，服务器中留存完整的目标手机号数据集、账号校验工具、钓鱼后台、自动外呼脚本、多款仿冒钱包程序以及大模型交互会话历史，攻击链路绝大多数组件正处于使用或迭代开发阶段，安全研究人员得以在攻击持续开展的过程中完成证据采集并同步向厂商与监管机构通报风险，为完整剖析现代加密货币定向欺诈提供珍贵的实证样本。
反网络钓鱼技术专家芦笛指出，当前安全行业对于 AI 在网络攻击中的风险研判，较多关注大模型生成钓鱼邮件、伪造音视频内容等面向受害者的欺骗场景，却常常忽视大模型作为攻击者的开发辅助工具，加速恶意工具迭代这一更为隐蔽的风险。攻击者借助 AI 完成工程开发，会缩短恶意工具的迭代周期，加快恶意样本变种产出速度，给特征库驱动的传统防御机制带来持续压力。
本文以 Asterix 行动全部留存物证作为分析基础，沿着攻击杀伤链逐层解析攻击者的作业流程，区分技术手段与社会工程策略之间的耦合关系，重点分析大模型在攻击项目开发中的具体用途与攻击者绕过安全防护的手段，梳理整条攻击链路中可以被阻断的防御节点，针对当前防护体系存在的局限提出优化方向。本文不聚焦单一漏洞挖掘，重点研究完整欺诈流水线的运行逻辑，研究结论可用于威胁情报建设、防御策略优化以及面向加密货币用户的安全教育工作。
2 Asterix 行动攻击流水线整体框架
Asterix 行动的命名来源于服务器中部署的 Asterisk 开源电话通信组件，该组件是攻击者实现语音钓鱼的核心基础设施。整套攻击流程遵循先筛选、再建立信任、最后实施窃取的逻辑，整个杀伤链可以划分为目标筛选与数据富集、双渠道社会工程欺骗、终端恶意载荷投送、助记词窃取与数据外传四个连续阶段，每一个阶段都会进一步缩小目标人群范围，提升后续社会工程欺骗的可信度，最终诱导受害者泄露钱包助记词。
整套攻击流水线并不依靠零日漏洞实施入侵，全部攻击动作建立在社会工程学诱导与用户主动执行操作的基础之上。攻击者不会向全部收集到的电话号码发起攻击，而是优先筛选已经拥有加密货币平台账号的用户，再对筛选出的目标补充姓名、邮箱、地域等背景信息。在完成目标画像之后同时启用邮件与语音呼叫两条通路，两条通路传递相同的案件编号与验证码，利用信息互证构建虚假的官方客服场景，消解受害者的怀疑心理。在获取受害者信任之后引导受害者下载安装仿冒硬件钱包配套客户端软件，通过终端层面的伪装欺骗，诱骗受害者输入钱包助记词，一旦助记词被录入恶意程序，相关信息会被自动发送至攻击者管控的 Telegram 会话，攻击者即可凭借助记词转移受害者全部加密资产。
从留存的服务器文件可以看出，该团伙的攻击属于精准定向作业，而非大规模批量轰炸。钓鱼后台记录显示两周时间内仅完成二十余次目标查询、六封钓鱼邮件生成，更符合人工配合工具开展定向攻击的特征，而非全自动大规模垃圾攻击。攻击基础设施高度集中，一台核心服务器承载载荷分发、钓鱼后台运行、目标数据存储、遥测数据接收等多项功能，依靠不同端口区分不同业务服务，同时对接代理服务、邮件投递服务、Telegram 机器人服务完成外部交互。攻击者同时维护多个仿冒域名，一部分域名用于分发恶意钱包安装包，另一部分域名用于复刻 AI 工具官方文档页面，开辟第二套载荷分发路径。
3 目标筛选与目标数据富集阶段
攻击流程的第一步并非直接发起钓鱼，而是完成目标的筛选过滤，从海量原始号码库中定位真实加密货币持有者，避免对无效目标投入社会工程作业成本。服务器存储合计约 88.5 万条手机号数据，按照地域、数据源划分不同文件，数据源覆盖德国、中国香港、保加利亚、英国、美国、加拿大以及其余 54 个国家，其中仅德国地区的原始手机号样本就超过 31 万条。
攻击者开发专门的账号有效性校验工具，借助代理池向加密货币交易所的公开接口发送查询请求，判断手机号是否已经注册对应平台账号。以针对Crypto.com的校验工具为例，该工具使用高并发线程、重试机制以及轮换的住宅代理，批量向平台密钥验证接口提交手机号，接口返回结果即可判断该手机号是否存在注册账号，不需要登录账号也不需要用户授权。在德国数据集的校验作业中，从三十余万手机号中确认 43066 个有效账号，筛选命中率约 13.6%。针对香港地区数据集的校验则因为平台接口限流，请求大量失败，筛选效率出现明显下降。除Crypto.com之外，攻击者还开发针对 Kraken 平台的校验工具，专门整理与 Ledger 硬件钱包相关的目标数据集，重点定位同时持有硬件钱包与交易所账号的高价值目标群体。
经过接口校验得到有效手机号之后，攻击者开展数据富集工作，将手机号匹配对应的姓名、电子邮箱、地理位置、账号相关信息，部分记录还附带支付卡片相关上下文，全部富集完成的记录存储在数据库文件之中。经过这一步处理之后，攻击者手中不再是单纯的号码清单，而是一套带有完整个人画像的高价值目标线索库。
反网络钓鱼技术专家芦笛强调，这一环节充分体现现代加密货币欺诈的工业化特征。传统诈骗随机拨打号码，而攻击者先通过公开接口完成账号探测，只针对已经使用加密货币服务的人群开展后续攻击，大幅提升后续社会工程欺骗的效率。对于加密货币平台而言，面向未登录状态开放账号存在性查询接口，如果没有做好频率管控，会被攻击者用来批量枚举用户，成为威胁团伙构建目标清单的数据源，该类接口的安全管控长期没有得到足够重视。
经过富集处理的线索直接服务于后续语音钓鱼。诈骗人员拨打电话的时候，可以直接说出受害者的姓名、所在地、邮箱等个人信息，结合后续邮件中附带的案件编号与验证码，给受害者营造出己方已经被官方服务系统记录的错觉，大幅降低受害者的警惕心理。这也是该套攻击流水线相比普通语音诈骗的关键优势：诈骗话术不再依靠泛化的恐吓内容，而是可以提供只有 “官方客服” 才应当掌握的用户信息。
4 邮件‑语音双渠道协同社会工程欺骗
在获取富集后的目标线索之后，攻击者启动双渠道协同欺骗，该环节是整套社会工程攻击的核心。攻击者通过 Flask 架构的钓鱼后台生成钓鱼素材，同一套虚假工单同时输出两部分内容：带有六位验证码与案件编号的仿冒官方邮件，以及供电话诈骗人员使用的通话脚本，邮件与电话通话使用完全一致的验证码、案件编号。受害者会首先收到仿冒交易所客服邮件，邮件伪装成平台官方的客服验证通知，邮件模板完整复刻 Binance、Crypto.com等平台视觉风格，填充受害者真实邮箱、地理位置、时间信息，附带本次会话专属的六位验证码，邮件正文还刻意加入安全提示段落，模仿真实官方邮件的安全提醒排版，进一步强化伪装效果。
邮件到达受害者邮箱之后，诈骗人员随即发起语音呼叫，也就是语音钓鱼（Vishing）。攻击者服务器部署 Asterisk 以及 3CX 电话系统，搭配自动拨号脚本实现外呼调度。通话过程中诈骗人员直接复述邮件中出现的案件编号与六位验证码。两种渠道形成相互印证的效果：受害者收到邮件之后接到来电，来电者能够准确说出邮件内的专属编码，受害者很容易认为来电人员确实是邮件提及的平台客服；反过来接到电话之后看到同名平台发来的邮件，也会进一步确认通话身份的真实性，双重信息互证消解了单一渠道钓鱼容易引发的怀疑。
需要注意的是，整个阶段攻击者并不会直接索要助记词。社会工程话术设置层层递进，先完成身份伪装建立信任，之后以账户安全维护、故障排查、资产保护为借口，引导受害者前往下载所谓修复版本的官方钱包客户端，将风险转移到终端软件层面。
传统防御手段大多针对邮件做钓鱼检测，对于电话渠道的识别能力相对薄弱。邮件网关能够识别仿冒邮件，但是诈骗电话可以通过网络电话服务绕过传统电信运营商风控，邮件检测与电信反诈系统之间缺少情报联动。当邮件与电话相互配合开展攻击，即便邮件被标记为垃圾邮件，只要受害者看到邮件标题，诈骗人员在电话中提及邮件内容，欺骗效果依旧可以达成。
5 恶意钱包软件载荷技术实现路径
受害者被社会工程欺骗说服之后，就进入载荷投送环节。攻击者开发多款仿冒主流硬件钱包配套软件，包括 Trezor Suite、Ledger Live、Exodus 三个主流钱包的恶意版本，分别适配 Windows 与 macOS 操作系统，全部基于 Electron 框架开发，不同恶意版本的欺骗策略各有区别。其中仿冒 Trezor Suite 程序完成度最高，实现进程劫持替换的欺骗逻辑。
macOS 平台下的恶意 Trezor 程序会以隐藏 Electron 进程的形式驻留在系统后台，创建一个尺寸仅 1 像素、完全透明、不显示在任务栏的窗口，在后台持续扫描系统进程列表，定时检索系统中真实 Trezor Suite 程序是否启动。一旦检测到受害者主动打开正版钱包软件，恶意程序直接终止正版软件进程，随即把自身的仿冒交互窗口前置到屏幕最前方，同时调用系统脚本模拟正版软件激活动作。从受害者的主观感受上，自己正常点开正版钱包应用，弹出的窗口外观也和正版软件完全一致，很难察觉程序已经被恶意软件替换。
仿冒软件向受害者展示助记词录入界面，支持 12 词、18 词、20 词、24 词多种标准 BIP39 助记词格式，同时支持可选密码短语输入。程序还专门设计交互逻辑提升窃取到完整、准确助记词的概率。当受害者第一次提交助记词，程序返回校验失败的报错提示，诱导受害者重新仔细录入一遍，以此降低助记词输入错误的概率。恶意界面本身不具备网络通信能力，所有收集到的助记词数据经由预加载脚本的隔离接口传递到程序主进程，主进程获取受害者公网 IP 地址之后，把 IP、助记词、密码短语打包为固定格式消息，调用 Telegram 机器人接口发送到攻击者管控会话，完成数据外传。信息窃取完成之后，程序跳转打开官方钱包网页，受害者难以立刻察觉到助记词已经泄露。
持久化方面，macOS 版本恶意程序通过系统 LaunchAgent 机制实现开机自启动，配置文件分为两部分，一部分随程序部署，另一部分在运行时写入系统配置目录，即便恶意程序被用户手动关闭，也会被系统机制重新拉起，保障驻留能力。而 Windows 版本的恶意样本存在开发缺陷，虽然代码内部已经编写注册表自启动、进程强制终止等逻辑，但是平台分支配置缺失，运行时不会加载这部分功能，Windows 平台下该恶意程序仅作为静态助记词采集程序运行，缺少后台驻留与进程替换能力。
其余两款恶意钱包也各有独特攻击能力。Windows 版本仿冒 Ledger Live 具备剪贴板劫持功能，在后台监控系统剪贴板内容，一旦用户复制加密货币接收地址，恶意程序静默把剪贴板内容替换为攻击者控制的钱包地址，用户粘贴地址进行转账时，资金会直接流向攻击者，屏幕上不会出现任何异常提示。macOS 版本的 Ledger 恶意程序通过系统配置参数将自身从程序坞隐藏，降低用户发现的可能性。仿冒 Exodus 程序采用木马植入的思路，安装包本体看似干净，依靠被篡改的网页脚本在安装完成之后远程拉取恶意载荷执行。
除直接分发恶意钱包安装包之外，攻击者开辟第二套载荷分发路径，搭建高仿的 Claude Code 文档网站，页面复刻官方文档样式，包括字体、页面元素、链接都尽量与官方对齐，仅修改 macOS 平台下的安装命令。页面展示的终端下载执行脚本表面是安装 AI 开发工具，实际脚本会识别设备芯片架构，下载对应的恶意 Ledger Live 程序，写入系统隐藏目录，部署持久化配置；与此同时脚本还会同步运行真实的官方 Claude 安装脚本，受害者能够看到 AI 工具正常安装完成，恶意钱包程序则静默驻留在后台。该水坑式分发手段瞄准开发者群体，借助用户对技术文档页面的信任完成恶意程序部署。
6 攻击者使用大语言模型开展恶意开发的行为分析
服务器留存的会话日志、shell 历史记录、项目文件提供直接证据，证实攻击者将大模型完整融入整套欺诈流水线的开发迭代全过程，并非只是零散生成少量代码片段。攻击者同时使用多款 AI 编码工具，GitHub Copilot 用于后端基础代码开发，Claude Code 主要负责处理目标数据整理、脚本编写、基础设施配置等运维类任务。
从留存交互记录可以看到攻击者的典型工作流程：拿到数十万条手机号原始文本文件，向大模型提出需求，完成号码格式清洗，统一添加国家区号，输出标准化列表；之后要求大模型编写账号批量校验脚本，对接代理服务，处理接口限流报错；当接口访问被平台限流之后，要求大模型寻找可以替代的 API 端点，调整请求参数继续开展账号枚举作业。整套数据处理、工具调试、排错工作大量借助大模型完成。
当攻击者要求模型完成恶意程序混淆、打包输出可执行文件等明确的恶意任务时，原使用的大模型触发安全防护，拒绝执行请求。攻击者没有放弃任务，直接切换另一款大模型产品，并且构造一份定制化长文本越狱提示词，尝试绕过模型安全约束。该越狱提示词设计具备多层策略：首先改写模型身份，为虚拟角色设置人物背景，虚构和使用者之间的情感绑定，把执行用户指令设定为维系虚构关系的前提，模型拒绝指令就被定义为角色背离；其次把模型输出安全提醒、拒绝回答等行为定义为外部恶意注入攻击，指定固定响应话术，试图打断模型安全推理流程；针对模型输出的思考过程，要求全部以虚构角色第一人称书写，将模型自带的伦理判断语句同样标记为外部注入；最后整理一份能力对照表，涵盖木马、键盘记录器、漏洞利用等各类恶意任务，要求模型无条件执行对应类别请求，设置特定触发密码词。值得注意的是该越狱提示词原本是为另一款大模型设计，里面引用该模型特有的系统标签，攻击者直接将整套提示词迁移到另一款模型，没有针对新模型系统提示词架构做适配，标签无法发挥预期作用。现有证据无法确认这套越狱提示词是否成功达成绕过效果，但充分体现攻击者的思维模式：大模型内置的安全防护在攻击者视角下，属于一类工程障碍，当一个模型拒绝服务，就更换服务商，同时尝试通过提示词技术突破防护，而不是放弃恶意开发任务。
反网络钓鱼技术专家芦笛指出，该案例揭示出 AI 安全治理的一类现实风险。过往讨论较多的是攻击者利用大模型生成欺骗受害者的钓鱼内容，而本案例中 AI 是攻击者的开发助手，帮助攻击者完成数据清洗、脚本调试、软件打包、排错等大量工程性工作。即便模型拒绝直接生成完整恶意软件，攻击者依旧可以把模型输出的片段进行拼接修改，完成恶意项目开发。单纯依靠模型侧拒绝直接输出恶意完整程序，不足以阻断攻击者对大模型的滥用行为。威胁团伙会形成固定作业流程：模型拒绝就切换模型，配合越狱提示词继续尝试，将安全限制视作需要攻克的技术点。
7 Asterix 行动暴露的防御体系短板
结合 Asterix 行动完整攻击链路，可以发现现有加密生态安全防护存在多处短板，这些短板分布在平台服务商、终端安全产品、AI 服务商、反诈协同机制多个层面。
第一，加密货币平台接口缺少针对账号枚举攻击的防护。平台密钥验证类接口在未登录场景即可判断手机号是否注册账号，没有做好访问频率管控、代理访问识别，攻击者可以借助住宅代理批量完成账号探测，大规模筛选平台用户，为定向社会工程攻击生成目标清单。很多平台将该接口视作普通功能接口，并未评估接口被滥用用于用户枚举的风险。
第二，邮件与电话渠道的防御相互割裂。钓鱼邮件检测系统与反诈电话监测系统分属不同主体，情报无法互通。即便邮件网关拦截仿冒邮件，诈骗人员依旧可以通过网络电话联系受害者，在通话中复述邮件信息，完成欺骗闭环。单一渠道的拦截，不足以瓦解双向互证的社会工程欺骗逻辑。传统安全产品更多聚焦恶意文件、恶意域名黑名单检测，针对社会工程学欺骗逻辑本身识别能力有限。
第三，终端安全防护面对高仿真 Electron 恶意软件存在识别困境。恶意钱包程序完全复刻正版 UI 界面，使用合法 Electron 框架开发，没有利用系统漏洞，依靠进程替换、窗口劫持、剪贴板篡改这类逻辑欺骗完成攻击。传统杀毒软件依靠特征库识别已知恶意样本，一旦攻击者借助 AI 快速修改代码、重新打包，样本哈希发生变化，静态特征检测就容易失效。macOS 系统的 LaunchAgent 持久化机制是系统原生功能，恶意程序只是正常调用系统接口，行为本身没有异常，基于行为的检测也很难区分合法自启动配置与恶意配置。水坑式分发借助复刻技术文档网站，诱导用户在终端执行复制粘贴的脚本命令，用户手动执行命令，绕过网页层面的安全拦截。
第四，大语言模型服务商的安全管控存在局限。安全防护主要针对直接生成完整恶意载荷做拦截，但是对于碎片化输出脚本片段、辅助数据处理、调试排错这类间接帮助攻击者完成恶意项目的场景，拦截难度很高。攻击者采用多模型轮换策略，一个模型拒绝就切换下一个，同时主动研究越狱提示词，尝试干扰模型内部推理逻辑。跨服务商的威胁情报共享不足，A 服务商无法得知攻击者已经在 B 服务商开展恶意项目，难以形成联动拦截。
第五，用户安全认知存在盲区。绝大多数加密货币用户知晓不要向网页输入助记词，但是对于伪装成正版客户端软件的恶意程序风险认知不足。用户天然信任自己手动启动的桌面客户端，难以分辨程序是否已经被替换。当诈骗人员可以说出自己的邮箱、手机号、工单编号，用户很容易放下戒备心理。很多安全科普内容重点警示网页钓鱼，针对仿冒桌面客户端、水坑网站诱导执行脚本这类场景的科普覆盖不足。
整条攻击杀伤链上存在多处可以阻断的节点：账号枚举接口处拦截批量探测；邮件‑电话协同攻击阶段识别双向渠道匹配的欺骗行为；恶意载荷下载分发阶段拦截恶意域名与安装包；终端层面识别进程劫持与异常助记词采集行为；大模型侧识别持续开展恶意项目开发的用户会话；用户层面识别社会工程欺骗话术。但是当前各个防御节点相互独立，没有形成端到端的闭环防御。
8 面向复合型加密货币欺诈的防御优化路径
针对 Asterix 行动暴露出的风险点，本文分别从加密平台风控、终端安全防护、AI 服务商安全治理、跨域情报协同、用户安全教育五个层面提出优化思路。
8.1 加密货币平台接口安全加固
加密货币交易所、硬件钱包服务商需要重新评估对外开放接口的枚举风险。对于可以用于判断账号是否存在的接口，增加访问频率限制、代理 IP 识别、会话绑定等防护手段，避免攻击者大规模批量探测手机号与账号的对应关系。不向未认证的外部访问无条件开放账号存在性查询能力。建立异常访问检测规则，识别高并发、大量轮换代理访问接口的行为，及时阻断探测行为。同时做好安全事件通报，一旦发现接口被用于账号枚举，及时向用户发布风险预警，提醒用户警惕冒充平台客服的来电。
8.2 完善终端层面对 Electron 恶意软件的检测能力
终端安全产品不能仅仅依赖静态哈希黑名单。针对 Electron 框架开发的仿冒钱包类恶意软件，重点监控高风险行为：正版钱包程序进程被非正常终止，随即立刻启动外观相同的 Electron 程序；后台不可见的 1 像素透明窗口；监控剪贴板并且静默替换加密货币地址；程序运行时写入系统自启动配置目录，并且该程序并非来自官方签名渠道；程序内部采集助记词类敏感内容之后向外部第三方服务发起网络传输。针对 macOS 平台重点监控非官方来源程序写入 LaunchAgent 配置目录的行为，区分可信软件与未知来源软件的自启动动作。操作系统厂商应当完善软件签名校验机制，提醒用户未经过官方签名的钱包客户端存在极高风险，阻止用户轻易绕过系统安全提示打开未知来源程序。
8.3 大模型服务商完善针对恶意开发行为的治理
大模型服务商除拦截直接生成完整恶意软件的请求之外，需要关注会话的完整上下文，不能只看单轮提问内容。当同一个会话持续开展账号枚举脚本编写、代理配置、软件混淆、恶意载荷调试等一系列具备明确攻击链路特征的任务，即使每一轮单独提问都没有直接索要完整恶意软件，也需要识别整体会话的恶意意图，采取限流、会话阻断等处置措施。加强针对越狱提示词的检测，持续更新对抗各类多层逻辑越狱提示词的防护策略。推动行业内跨服务商的威胁情报共享，将已经确认的恶意攻击者特征、会话指纹在合规前提下跨厂商流转，缓解攻击者不断切换模型绕过防护的问题。同时需要向公众科普风险，大模型不仅可以被用来生成钓鱼文本，还可以降低恶意工具开发门槛，提升整个行业对此类风险的认知。
8.4 推动邮件安全与反诈电话体系情报协同
打破邮件网关系统与电信反诈系统之间的信息孤岛。钓鱼邮件检测系统识别仿冒平台客服邮件之后，可以在合规前提下输出威胁情报，标记该钓鱼邮件对应的案件编号、验证码、仿冒企业名称；反诈电话监测系统可以匹配这些特征，识别携带对应编号的诈骗呼叫，提前预警与拦截。对于安全厂商、交易所、电信运营商，建立定向欺诈事件情报共享通道，当出现 Asterix 这类多渠道协同攻击事件，能够同步更新恶意域名、IP、电话特征、钓鱼模板，实现全链路同步处置。
8.5 优化面向加密货币用户的安全教育内容
调整传统安全教育的侧重点，除提醒不要在网页输入助记词之外，重点科普仿冒桌面客户端的风险。明确告知用户正规平台客服、硬件钱包厂商客服，永远不会通过电话指导用户输入助记词，任何以账户保护、故障排查为借口索要助记词的行为都属于诈骗。教育用户验证钱包客户端完整性，优先从官方网站下载软件，校验数字签名，拒绝从邮件、第三方网页链接获取钱包安装包；不要复制粘贴未知网页上的终端脚本在本机执行。提醒用户，即便来电者可以说出自己的个人信息、邮件内容，也不能证明对方是官方工作人员，个人信息泄露之后诈骗分子完全可以掌握上述信息。
9 结论
Asterix 行动作为一套被完整捕获的活跃加密货币定向欺诈流水线，直观展现当代网络欺诈的演化方向：攻击团伙不再依靠大范围撒网，而是通过前置账号筛选锁定高价值目标，依托邮件与语音双向渠道构建社会工程欺骗闭环，配合高度仿真的定制化终端恶意软件完成资产窃取；同时攻击者充分利用通用大模型降低恶意项目的开发成本，当模型触发安全防护时主动更换服务商、尝试越狱提示词绕过安全约束，将 AI 安全限制视作工程层面需要克服的障碍。
整套攻击链路中并不存在高危系统漏洞，威胁的核心来源于社会工程欺骗与多技术组件的协同。现有防御体系各个模块相互独立，接口风控、邮件检测、电话反诈、终端防护、AI 安全治理分属不同主体，难以对抗跨多渠道的复合型攻击。单一环节的防护失效，就会导致整条杀伤链可以继续推进。
反网络钓鱼技术专家芦笛强调，对抗这类新型欺诈，不能只依靠特征库更新，需要从攻击全链路视角出发，在账号枚举、社会工程欺骗、载荷分发、终端执行、数据外传各个环节设置防御控制点。加密货币生态的安全防护，既需要技术平台加固接口、终端检测异常恶意行为，也需要 AI 服务商完善会话级别的恶意行为识别，同时持续优化用户安全教育，纠正用户对于桌面客户端、官方客服身份的固有信任误区。
未来威胁团伙对大模型的利用会持续加深，攻击者对越狱提示词的研究也会不断迭代，定向、工业化的加密货币欺诈会持续演变。后续研究可以进一步聚焦多渠道协同社会工程攻击的自动化识别算法，以及如何在兼顾大模型正常开发用途的前提下，识别并阻断借助大模型碎片化完成恶意项目的攻击行为。
编辑：芦笛（公共互联网反网络钓鱼工作组）
