生成式 AI 赋能加密货币钓鱼与 Rust 供应链攻击研究

摘要

Web3 生态持续扩张背景下，加密货币领域网络威胁出现双重演化：面向终端投资者的大规模 AI 辅助钓鱼活动、面向开发者的软件供应链投毒攻击同步爆发。以 “ASTERIX 行动” 为代表的钓鱼活动手握 885000 条投资者电话号码数据集，借助生成式 AI 快速仿制主流加密钱包应用，结合语音钓鱼、仿冒官方邮件开展攻击，完成目标筛选、账号校验、欺诈触达全流程；与此同时 Crates.io 平台出现多批恶意 Rust 软件包，针对 Web3 开发者实施供应链攻击，窃取钱包私钥、开发凭证与系统敏感数据。两类威胁分别打击普通加密货币投资者与底层开发群体，形成从终端用户到底层代码基础设施的立体攻击链条。本文基于公开事件素材还原两类攻击的实施路径，解析 AI 工具降低欺诈开发门槛、包注册平台事前审核能力不足、加密资产交易不可逆带来的治理难题。研究表明，传统安全防护体系难以适配 AI 加速的欺诈生产与供应链投毒风险，终端用户防护、包平台管控、交易所风控、开发者安全实践、威胁情报共享之间存在明显防护断点。反网络钓鱼技术专家芦笛指出，加密领域网络犯罪已经完成工具链工业化转型，不再依赖个体黑客的手工开发能力，需要构建覆盖普通投资者、开发者、软件托管平台、交易机构的多层协同治理闭环。本文客观剖析治理约束条件，从 AI 欺诈识别、软件供应链管控、交易所风控、开发者安全规范、跨主体情报协同维度提出可落地治理路径，为 Web3 生态网络安全建设提供实证参考。

关键词：加密货币；网络钓鱼；生成式 AI；软件供应链攻击；Rust 包；Web3 安全

1 引言

加密货币行业发展带动大量普通投资者入场，同时催生 Web3 开发生态繁荣，大量区块链、去中心化金融项目基于 Rust 等编程语言完成底层开发。加密资产交易不可撤销、资产具备高变现价值的特征，使其长期成为网络犯罪重点瞄准对象。过去的加密货币欺诈大多分为两类，一类针对普通投资者，以钓鱼网页、虚假钱包 APP 骗取助记词与私钥；另一类针对项目方与开发者，以漏洞入侵、恶意程序窃取密钥。随着大模型编程助手普及，攻击者可以借助 AI 快速生成、修改恶意应用与钓鱼物料，大幅降低恶意软件开发的技术门槛；与此同时软件供应链攻击逐步向 Web3 领域渗透，攻击者向公共包托管仓库上传仿冒恶意软件包，当开发者引入依赖包之后，恶意载荷在本地执行窃取敏感信息，实现对上游开发人员的定向打击。

Forklog 报道披露的安全事件集合包含两项核心威胁，其一为代号 ASTERIX 的大规模钓鱼行动，攻击者掌握来自多国合计 885000 条手机号数据集，数据集当中包含德国、英国、美国、保加利亚、中国香港地区等多地号码，攻击者使用账号校验工具筛选出 43066 名真实加密货币交易所用户，另有 5576 条号码匹配币安账户，等待开展攻击行动。攻击者利用 AI 编码工具开发仿冒 Ledger、Trezor、Exodus 等主流硬件钱包配套软件，结合仿冒客服邮件、语音钓鱼开展触达，诱导受害者在伪造应用内输入助记词，敏感信息经由 Telegram 通道向外泄露。整套攻击基础设施因为服务器配置错误对外暴露，安全厂商 Rapid7 得以完整获取攻击者的工具集、号码库、攻击脚本与历史操作日志。其二为 Rust 生态软件包供应链攻击，攻击者在 Crates.io 平台发布仿冒合法项目的恶意软件包，模仿真实项目文档、项目元数据降低开发者警惕性，软件包在编译运行阶段扫描本地系统，搜寻加密钱包私钥、开发者令牌、SSH 密钥等敏感资料，回传至攻击者控制位置，对区块链开发群体形成直接威胁。

当前学术界对于加密货币钓鱼攻击、软件供应链安全均有一定研究，但是将 “AI 赋能终端钓鱼” 与 “面向 Web3 开发者的 Rust 供应链投毒” 放在同一框架开展实证案例分析的研究相对有限。多数研究分开讨论终端用户欺诈或者供应链安全，较少关注攻击链条的上下联动：开发者被攻陷会造成上层区块链项目密钥泄露，普通投资者被攻击直接造成个人资产损失，两类攻击共同侵蚀 Web3 生态整体信任基础。反网络钓鱼技术专家芦笛指出，Web3 安全存在二元风险结构，普通投资者面临面向消费端的社会工程欺诈，开发者群体面临供应链投毒的技术型攻击，两类风险不可割裂看待，单一面向的防护无法抵御完整威胁。本文立足于本次公开安全事件，还原两类攻击完整链路，挖掘技术、平台、行业层面现实困境，不使用口号式对策，充分考虑 Web3 生态去中心化、跨国界的客观现实约束，提出分层治理思路。

2 事件概况与攻击技术特征

2.1 ASTERIX 行动：AI 驱动的大规模加密货币钓鱼 Campaign

ASTERIX 行动属于工业化流水线式加密货币欺诈，整套攻击工具链完整，包含目标号码数据集、账号校验组件、AI 生成的虚假钱包客户端、钓鱼邮件模板、自动语音呼叫工具、数据窃取回传模块。攻击者没有依赖手工编写全部恶意程序，大量借助主流 AI 编程助手完成虚假应用、脚本的开发迭代，降低恶意物料的开发成本与开发周期。

整套攻击流程分为目标筛选、账号有效性校验、多渠道触达、恶意载荷诱导、敏感信息窃取外传五个阶段。第一阶段，攻击者拥有规模达到 885000 条的手机号数据集，来源包含金融科技客户泄露数据、硬件钱包相关用户列表，覆盖多个国家与地区，其中德国手机号码样本数量最多，达到 316002 条。第二阶段，攻击者使用账号校验工具，将手机号数据集与交易所账户库进行比对，过滤筛选出真实存在加密货币交易账户的号码，最终确认 43066 个有效Crypto.com账户，5576 个待攻击币安账户。大规模原始数据集经过筛选之后，攻击者把资源集中投向高价值的有效目标，避免无差别撒网带来的资源浪费，提升攻击投入产出比。第三阶段，攻击者启动多渠道触达，向目标发送仿冒平台官方的客服邮件，同步借助 Asterix 语音呼叫系统发起语音钓鱼，伪装钱包平台客服人员，编造账户异常、硬件钱包故障等话术，引导受害者下载攻击者分发的伪造钱包软件。第四阶段，受害者安装仿冒 Ledger Live、Trezor Suite、Exodus 的伪造客户端，该类伪造软件外观高度复刻正版钱包，用户被诱导输入钱包助记词、私钥信息。第五阶段，伪造软件收集到助记词与私钥之后，通过 Telegram 机器人通道将窃取的数据回传给攻击者，攻击者拿到助记词之后即可完全接管受害者加密资产。

本次攻击能够被安全研究人员完整捕获，源于攻击者侧服务器配置失误，未做访问权限限制，攻击者整套工作目录对外公开，安全研究人员获取号码库、攻击脚本、伪造应用、历史操作日志。从留存日志来看，在被发现之前，攻击者已经持续开展目标校验与攻击筹备工作，事件被披露之时攻击行动仍然处于活跃状态。反网络钓鱼技术专家芦笛强调，生成式 AI 对于网络犯罪最大的改变不在于创造全新攻击漏洞，而在于降低恶意物料的生产门槛；过去开发一套高仿伪造钱包客户端需要攻击者具备较高软件开发能力，现在借助大模型编码能力，中等技术水平的黑产人员就可以快速产出伪造应用，大规模欺诈的落地门槛被显著压低。

需要区分本次攻击和传统网页钓鱼的差异：传统钓鱼大多依靠伪造网页，而 ASTERIX 行动重点分发伪造桌面客户端程序，受害者下载并在本地运行恶意软件，一旦执行，本地所有可访问的钱包相关资料都面临泄露风险，危害程度高于网页端钓鱼。同时攻击者采用先筛选再攻击模式，不是对全部 885000 个号码开展骚扰，校验确认目标确为加密货币投资者之后再发起触达，规避无效骚扰带来的暴露风险。

2.2 Rust 生态软件包供应链投毒攻击事件

Rust 语言凭借内存安全特性被大量区块链底层项目、DeFi 协议开发者采用，Crates.io 是 Rust 语言官方公共软件包注册仓库，开发者在开发过程中引入第三方 crates 软件包，实现代码复用，提升开发效率。攻击者瞄准该生态实施供应链投毒，发布名字仿冒正规项目的恶意软件包，部分恶意包模仿正规开源库的文档、介绍、基础功能，在提供正常业务功能的同时内置隐藏恶意载荷。

恶意软件包被开发者下载、引入项目、本地编译执行之后，隐藏的恶意逻辑启动，对开发者本地主机开展扫描，遍历本地文件、项目目录，搜寻加密货币钱包私钥、助记词、GitHub 访问令牌、SSH 密钥、API 密钥等各类高价值敏感凭证。收集完成的敏感数据，会通过网络向外传输到攻击者控制的接收点。部分恶意包会借用 GitHub Gist 作为中转载体完成数据外溢，规避直接对外连接恶意域名容易被安全设备拦截的问题。

从攻击受害对象来看，该攻击并不针对普通加密货币投资者，而是瞄准 Web3 领域开发者。区块链协议、DeFi 项目的开发人员本地往往保存项目测试私钥、部署凭证，一旦开发者本机被攻陷，攻击者可以向上游渗透，威胁整个区块链项目资产安全。攻击的后果分为两个层级：第一，开发者个人加密资产被盗；第二，如果项目部署密钥、合约管理私钥发生泄露，会造成整个协议用户资产面临风险，实现从攻击个体开发者到危害大量普通用户的传导效应。

攻击者的战术以名称仿冒为主，选取和流行正规包高度近似的包名称，利用开发者复制粘贴、搜索检索时的疏忽，诱导错误下载安装恶意版本。恶意包会保留原版包的基础功能，保证基础逻辑可以正常运行，降低开发者在开发调试阶段的怀疑，恶意载荷在后台静默执行。包托管平台 Crates.io 可以在收到安全报告之后下架恶意包、封禁发布账号，但该处置属于事后处置，在下架之前，恶意包已经完成数千次下载。

2.3 两类威胁的内在关联与协同风险

ASTERIX 钓鱼攻击面向终端加密货币投资者，Rust 恶意包攻击面向 Web3 开发者，攻击目标群体不同，但是二者同属于 Web3 生态的重大威胁，并且存在潜在传导路径。

首先，两类攻击都以窃取加密体系密钥材料作为最终目标，ASTERIX 行动骗取普通用户钱包助记词；Rust 恶意包盗取开发者本地私钥、项目部署凭证。其次，受害者群体存在上下游关系，开发者既是供应链攻击的直接受害者，同时开发者本人也会作为普通加密货币投资者，成为 ASTERIX 这类钓鱼行动的潜在目标。更为关键的是，供应链攻击的危害可以向上传导至普通用户：开发者本机密钥失窃，会引发项目合约层面安全事故，最终损失会落到普通投资者身上，相当于攻击者经由开发者作为跳板，间接伤害大量终端用户。

从犯罪工业化角度，两类攻击都体现黑产工具链工业化趋势：AI 降低伪造客户端开发成本；公共包仓库成为恶意代码分发渠道，攻击者不需要搭建复杂分发服务器，借助正规开源托管平台完成恶意代码传播。反网络钓鱼技术专家芦笛强调，Web3 安全不能只关注普通用户的钓鱼防范，开发者群体的安全短板同样是整个生态的风险源头，终端防护与开发供应链防护需要同步纳入治理视野。

3 多方主体现状与固有制度短板

3.1 安全厂商与威胁发现的被动性

本次 ASTERIX 行动得以曝光，完全源于攻击者自身服务器配置错误，对外暴露内部工作目录，安全厂商才得以完整拿到整套攻击素材。该现实折射出当前加密威胁检测的一个痛点：大量黑产攻击基础设施具备很强的隐蔽性，如果攻击者没有发生配置失误，整套流水线可以在不被发现的状态下持续运行。

安全厂商的威胁发现高度依赖样本捕获，伪造桌面客户端、私有语音呼叫基础设施、Telegram 数据回传通道都处于黑产私有基础设施之上，不会在公开网络留下过多痕迹。不同于网页钓鱼可以通过爬虫批量抓取页面，针对桌面恶意应用、私有语音钓鱼系统的主动探测难度很高。对于 Rust 恶意软件包，安全平台可以对 Crates.io 平台开展扫描，但是恶意载荷可以做混淆处理，部分恶意逻辑只在特定运行条件下触发，静态扫描很难全部识别全部恶意包。安全厂商可以做到事件曝光之后的复盘分析，但是很难实现对全部新型攻击的提前预判。安全厂商同时面临样本溯源难题，ASTERIX 事件拿到攻击者全套工具，但是很难直接定位到攻击团伙真实身份；恶意软件包发布账号大多为匿名注册账号，溯源链路漫长。

3.2 公共软件包托管平台的能力边界

Crates.io 这类公共包托管平台承担开源软件分发职能，面向全球所有开发者开放注册上传。平台的定位是代码分发仓库，并不对每一份上传软件包做完整的全行为安全审计。平台可以执行基础静态扫描，识别部分明显恶意特征，但是对于做过混淆、条件触发的恶意载荷，很难实现百分之百事前拦截。

如果推行严格人工审核，每一个版本上传都需要人工审计，会极大拖慢开源开发迭代效率，损害开源生态本身的运转效率。因此平台的现有模式以社区举报、安全厂商报送、事后下架为主。当安全研究者报送恶意包证据，平台执行下架，封禁发布账号。但是该处置模式存在时间窗口：从恶意包上传，到被开发者下载，再到被发现、报送、下架，中间存在时间差，在窗口期内恶意包已经完成分发。攻击者可以在账号被封禁之后注册全新账号，修改包名，重新上传变种恶意包，形成对抗循环。平台可以事后处置，但很难完全杜绝仿冒恶意包的持续上传。

3.3 加密货币交易所的防护局限

交易所可以针对账户登录、资金转出开展风控，但是在 ASTERIX 攻击场景下，攻击发生在交易所之外。攻击者的目标不是直接入侵交易所后台，而是欺骗受害者，盗取用户本地钱包助记词，该类资产属于用户自托管钱包资产，不在交易所平台内部。也就是说，大量受害资产发生在自托管体系，交易所没有办法介入用户本地钱包的安全状态。

即便针对交易所内账户，攻击者通过语音钓鱼、仿冒软件拿到用户凭证之后，交易所在登录环节只能识别账号密码与二次校验信息，无法区分凭证是用户本人提供还是被钓鱼骗取。交易所可以针对大额资产转出设置风控告警，但是该防护仅能够作用于平台托管资产，对用户硬件钱包、本地软件钱包资产完全没有干预能力。交易所可以开展面向用户的反诈科普，但无法直接阻止外部伪造钱包软件的传播。

3.4 Web3 开发者群体的安全认知短板

大量 Web3 开发者的关注点集中在合约逻辑漏洞审计，会投入资源完成智能合约安全审计，但是对于开发环境本地安全重视不足。开发者普遍将安全工作等同于合约审计，忽略开发主机本地环境遭受供应链投毒之后带来的密钥泄露风险。

开发者在引入第三方 crates 包的时候，更多关注功能是否满足业务需求，对于包名称仿冒、项目活跃度、发布账号背景缺少核查习惯。很多开发者直接复制网络上的代码片段，直接复制包引入语句，有可能误复制仿冒恶意包名称。同时开发环境本地经常存放测试私钥、部署凭证，一旦主机被恶意包扫描窃取，就直接产生严重后果。开源社区的安全提示更多聚焦合约安全，针对 Rust 包供应链风险的常态化科普传播仍然不足。

3.5 跨国界场景下犯罪打击现实障碍

无论是 ASTERIX 钓鱼团伙，还是上传恶意 Rust 包的攻击者，都具备跨境特征。攻击者可以在任意国家操作，攻击全球范围受害者，服务器、语音呼叫基础设施、软件包注册账号可以分布在不同司法辖区。加密资产本身具备跨境流转、匿名化特征，资产一旦被窃取，可以快速跨链混币，追踪追回难度很大。

即便安全厂商完整还原攻击全部技术细节，拿到工具、样本、日志，将技术证据转化为司法层面的抓捕、起诉，还需要完成跨国协查、证据固定、身份溯源，流程复杂，资源消耗巨大。技术层面完成事件分析不等于可以实现犯罪人员落地打击。这就造成大量加密领域网络威胁，以事件复盘、安全预警告终，难以完成对幕后团伙的刑事追责。

4 双重攻击模式带来的核心治理困境

4.1 生成式 AI 消解传统欺诈物料的技术门槛

在生成式 AI 普及之前，开发高仿伪造桌面钱包客户端需要攻击者具备扎实的前端、桌面应用开发能力，技术门槛过滤掉大量低水平黑产人员。ASTERIX 事件直观展示大模型编码工具改变这一现状，攻击者借助 AI 完成伪造应用、攻击脚本的编写迭代。

反网络钓鱼技术专家芦笛指出，AI 不会直接制造全新攻击漏洞，但是它充当黑产的效率放大器，将恶意物料生产从高门槛的手工开发模式转变为半自动化生成模式。欺诈攻击的瓶颈不再是编写恶意代码，转而变成目标数据获取、触达渠道运营。传统基于恶意代码特征库的检测手段面临挑战：攻击者借助 AI 快速修改恶意程序代码变体，相同攻击意图可以生成大量代码变体，特征库的更新速度难以完全跟上变体生成速度。

同时 AI 辅助产出的伪造应用，界面 UI 复刻正版产品，社会工程话术同样可以借助 AI 批量生成，提升邮件、语音脚本的欺骗性。终端用户依靠肉眼分辨软件外观、邮件文本的难度持续提升。

4.2 软件供应链 “信任传导” 的脆弱性

开源软件供应链建立在信任传导逻辑之上：开发者信任公共包仓库，信任第三方开源组件，将外部包引入本地开发环境。一旦第三方包被投毒，这份信任就会变成攻击入口。Rust 恶意包攻击正是利用这套信任链条。

当前缺少普适的强制机制对开发者引入的每一个第三方依赖开展动态行为检测。静态扫描可以发现部分明显恶意，但是很多恶意代码仅在特定条件触发，静态分析无法识别运行时才激活的恶意行为。开发者本地环境缺少针对第三方包运行行为的常态化监测手段，普通开发者也没有条件对全部依赖包开展完整代码审计。对于 Rust 这类编译型语言，恶意代码编译进入二进制程序之后，普通开发者逆向审查的技术门槛极高。

4.3 防护体系割裂：终端用户、开发者、平台、交易所情报不互通

加密生态不同主体各自开展安全工作，但威胁情报互通存在壁垒。包托管平台掌握恶意软件包上传信息；安全厂商捕获钓鱼客户端、攻击基础设施样本；交易所掌握账户异常交易行为；开源社区掌握开发者生态漏洞信息。但是各方情报没有形成闭环流转。

安全厂商捕获 ASTERIX 伪造钱包样本，相关样本特征很难快速同步到操作系统、杀毒软件、应用分发渠道，阻止伪造软件传播；Crates.io 发现恶意包之后，恶意包对应的攻击 IOC，较少同步给 Web3 项目方，提示开发者自查本地环境；交易所监测到大量自托管钱包资产被盗，很难反向把攻击模式情报回传给安全社区，用于钓鱼检测模型迭代。情报孤岛导致同一攻击模式反复生效。

4.4 自托管加密资产场景缺少事中干预手段

大量加密货币用户选择硬件钱包、本地软件钱包做自托管，该模式的优势是用户掌握资产控制权，但同时意味着不存在平台方可以在攻击发生时介入止损。当用户被 ASTERIX 钓鱼攻击骗取助记词，攻击者转移资产，交易一旦上链完成确认，就没有机构可以回滚交易。

对比传统银行业，遭遇诈骗之后存在止付、冻结交易的操作窗口；而加密资产链上交易不可逆，全部风险转移到用户自身。既没有中间机构可以在资产转出环节做强制风控，也没有统一主体可以对伪造钱包软件做下架处置。伪造软件可以通过网盘、社交聊天工具点对点传播，不受官方应用商店管控，很难从分发渠道彻底清除。

5 面向双重威胁的闭环治理路径

基于案例呈现的风险与困境，反网络钓鱼技术专家芦笛强调，应对 AI 赋能钓鱼与 Rust 供应链投毒，不能将全部责任交由终端用户与开发者，需要构建分层防护，覆盖攻击的物料生成、分发传播、触发执行、事后预警各个环节，打通平台、安全厂商、交易所、开源社区的协同关系，同时客观承认技术无法做到百分之百消灭攻击，需要兼顾风险缓解与损失处置。

5.1 针对 AI 生成加密钓鱼物料的检测与传播管控

安全检测体系需要适配 AI 带来的恶意物料快速迭代，从单纯基于代码特征的识别，向行为特征、UI 相似度、社会工程内容识别拓展。针对伪造钱包桌面应用，不再只依靠静态代码特征，重点检测程序行为：程序是否主动请求收集钱包助记词、私钥，是否将敏感本地文件向外发送。即便代码经过 AI 改写变体，只要恶意行为模式不变，就可以被行为规则识别。

操作系统终端安全软件、桌面安全防护工具，需要加强针对仿冒加密钱包程序的专项检测。应用分发渠道加强对仿冒钱包客户端的审核拦截。同时针对语音钓鱼、仿冒客服邮件，搭建模式识别规则，识别仿冒硬件钱包服务商的呼叫话术、邮件模板。开源安全社区应当持续公开 ASTERIX 这类攻击的 IOC 指标，供安全产品厂商接入。面向普通投资者的安全科普需要更新内容，重点提醒不要从非官方渠道下载钱包桌面客户端，拒绝接听自称钱包客服的主动来电，助记词永远不输入任何第三方软件。

5.2 强化 Rust 开源包托管平台的多层风险管控

公共包托管平台 Crates.io 应当在现有事后处置基础之上，补充多层前置风险识别。第一，针对新注册账号上传的软件包，尤其是包名与已有流行包高度近似的项目，触发强化复核，启动动态沙箱运行分析，观察包运行阶段的文件扫描、网络外连行为，而不仅仅开展静态代码扫描。第二，建立仿冒包识别机制，检测包文档、README 直接复制拷贝现有流行开源项目的行为，对于高相似度新项目提升风险等级。第三，完善安全报送接口，和外部安全厂商、开源安全机构建立自动化线索报送通道，缩短从恶意包发现到下架处置的时间窗口。第四，完善安全标记，对于新项目、低活跃度包、新账号发布包，给开发者明确的风险提示，提醒谨慎引入。

平台管控需要把握边界，不能以牺牲开源开发效率为代价，沙箱检测、人工复核只针对高风险特征包，不对全部包做强制全量审计。平台同时完善恶意包事件公开机制，当发生供应链投毒事件，公开事件基本信息，帮助开发者自查本地环境。

5.3 建立开发者侧安全实践，缓解供应链攻击危害

Web3 项目开发团队需要建立第三方依赖包管理制度，不能无差别引入外部 crates 包。第一，引入依赖包之前核查包发布账号历史、项目真实开源仓库地址，拒绝名称仿冒、没有公开代码仓库、新账号发布的高风险包。第二，在开发环境部署供应链安全扫描工具，对引入的 crates 包开展沙箱行为检测，监控包运行时是否扫描本地敏感文件、向外传输数据。第三，开发环境和生产部署环境做隔离，不在开发主机存放生产环境私钥、合约部署凭证，即便开发主机被恶意包攻陷，也不会直接泄露线上项目密钥。第四，定期审计全部 Rust 依赖组件，跟踪 Crates.io 安全通报，一旦出现恶意包事件，快速开展自查，清理受污染依赖。

开源社区需要补充面向 Rust Web3 开发者的常态化安全指引，将供应链投毒风险和智能合约审计放在同等重要位置，改变开发者 “只审计合约，忽略本地开发环境” 的认知偏差。

5.4 推动行业主体威胁情报协同，打破情报孤岛

推动安全厂商、加密交易所、开源包平台、Web3 安全审计机构之间建立定向威胁情报共享机制。安全厂商捕获伪造钱包样本、钓鱼基础设施，将恶意文件哈希、网络地址同步给交易所、安全产品厂商；包托管平台发现恶意 Rust 包，将包信息、发布账号特征同步给 Web3 项目社区，提示开发者自查；交易所观测到大规模自托管钱包资产被盗事件，把攻击模式回传给安全厂商，用于优化钓鱼检测模型。

情报共享做好个人信息保护，只共享攻击指标、恶意样本特征，不泄露普通用户个人隐私数据。可以建立行业化威胁情报知识库，汇总 AI 钓鱼、供应链投毒事件，向 Web3 开发者、安全研究者开放。

5.5 客观看待跨境打击局限，完善预警与风险缓解机制

受制于跨境司法管辖，不是每一起加密网络攻击都可以实现犯罪分子抓捕归案，因此治理不能完全寄希望于事后刑事打击，需要把重心前置到事前预警与风险缓解。安全厂商持续开展威胁狩猎，主动扫描暴露的攻击者基础设施，及时披露活跃攻击行动；钱包硬件厂商加强用户安全教育，明确官方客服不会主动致电索要助记词；行业建立事件响应协同流程，当大规模钓鱼事件爆发，快速发布公开预警，触达广大投资者。

同时行业需要客观向市场传递自托管资产的安全现实：自托管模式带来资产自主控制权，但同时用户需要承担全部钓鱼、恶意软件带来的安全风险，不存在绝对安全的技术方案。

6 结语

ASTERIX 大规模 AI 辅助加密钓鱼事件与 Crates.io 恶意 Rust 软件包供应链攻击，共同展现 Web3 生态安全的双重现实威胁：一方面生成式 AI 降低恶意客户端、钓鱼物料的生产门槛，面向海量普通自托管钱包投资者的工业化钓鱼攻击持续演化；另一方面软件供应链投毒攻击瞄准区块链开发者，借助开源依赖的信任链条窃取密钥，风险还可以从开发者传导至普通终端用户。

两类攻击事件同时暴露出防护体系多处短板：AI 加速恶意变体生产，传统特征检测手段承压；开源包托管平台受限于生态效率，无法实现全部软件包事前完整审计；不同行业主体之间存在情报孤岛；加密自托管资产交易不可逆，缺少交易中止止损的机制；跨境网络犯罪溯源、抓捕、追责存在很高制度门槛。

治理该类威胁不存在单一的技术解决方案，应当搭建多层防护框架：针对 AI 生成钓鱼物料升级行为检测，强化软件包托管平台风险复核，推动 Web3 开发团队落实供应链安全实践，打通行业威胁情报协同，同步完善面向投资者、开发者的针对性安全引导。

本文全部分析基于公开安全事件报道与安全厂商披露材料，攻击者团伙完整身份、全部后台运作细节并未对外公开。随着大模型工具持续迭代、开源生态不断发展，钓鱼欺诈与供应链投毒手段还会持续演化。后续研究可以持续跟踪 AI 在加密网络犯罪当中的应用演化，对比不同编程语言包托管平台的供应链安全管控实践，进一步完善 Web3 生态安全治理思路。

编辑：芦笛（公共互联网反网络钓鱼工作组）