两个相互竞争的勒索软件团伙之间的矛盾公开化,0APT扬言要曝光与Krybit相关人员的身份信息。
暗网观察者于周日发现了这一动向,但0APT勒索同行的真实动机目前尚不明朗。更为讽刺的是,0APT在其泄露博客文章中居然将Krybit定性为勒索软件组织,并声称"此类组织对全球网络安全和数据隐私构成重大威胁",这番言论显得极为虚伪。
0APT在声明中写道:"如果该组织不付款或不与我们联系,我们将公开其成员的照片、姓名、位置及其他信息。如果你是他们的受害者,请联系我们以解锁你的数据。"
按照标准的双重勒索套路,0APT率先泄露了一部分据称从Krybit窃取的数据作为警告,并威胁若不付款将进行全面数据转储。
然而,当攻击对象是罪犯而非企业时,这套手法的威慑力大打折扣。勒索软件运营者通常依靠声誉受损的威胁来胁迫受害者,而当目标本身毫无声誉可言时,这种筹码便几乎失去了意义。在这种情况下,整个勒索模式显得滑稽而无力。
不过,网络罪犯出于自身安全考量,向来对身份暴露高度警惕,这也使得上述威胁仍具有一定的实际效力。
南卡罗来纳州网络安全公司Barricade Cyber Solutions的负责人埃里克·泰勒表示,他的团队已下载了0APT已泄露的少量Krybit文件。
他介绍,团队从中发现了属于Krybit运营者及其关联人员的明文凭证、五个加密货币钱包地址,以及没有任何一笔赎金成功收取的证据。
目前,Krybit的网站已无法访问,页面显示一条提示信息:"一切即将恢复正常,对此我们深感抱歉,给您带来的不便敬请谅解。"
0APT于2026年1月正式出现。据Halcyon勒索软件研究中心的分析,该组织"构成真实威胁",且展现出"可信的技术深度"。
然而,Halcyon指出,0APT在上线后短短48小时内便在泄露博客上发布了数百个受害组织的信息,这份名单极有可能存在大量虚假受害者声称的情况。
相比之下,Krybit的相关记录较为有限。目前没有任何主要威胁情报机构或网络安全机构发布过有关该组织的报告,暗网追踪平台的数据也显示,根据其近期声称的受害者情况来看,该组织活跃时间仅有数周。
罪犯之间相互攻击并非没有先例。例如,DragonForce曾于2025年对竞争对手BlackLock和Mamona发动攻击,篡改其网站并泄露部分内部通信内容。
此外,去年4月,在经历长达一个月的内部争斗后,DragonForce似乎接管并最终关闭了前勒索软件巨头RansomHub的运营。
Q&A
Q1:0APT勒索Krybit的手段是什么?
A:0APT采用的是标准的双重勒索策略,先泄露一部分从Krybit窃取的数据作为警告,并威胁若不付款或主动联系,将公开其成员的照片、姓名、位置等个人身份信息,以及进行全面的数据转储。
Q2:勒索软件团伙之间互相攻击的案例有哪些?
A:此类案例并不罕见。DragonForce曾于2025年攻击竞争对手BlackLock和Mamona,篡改其网站并泄露内部通信。此外,DragonForce还于去年4月在与RansomHub长达一个月的内斗后,接管并关闭了对方的运营。
Q3:安全研究人员从泄露的Krybit数据中发现了什么?
A:Barricade Cyber Solutions的团队对0APT已公开的Krybit文件进行了分析,发现其中包含Krybit运营者及关联人员的明文凭证、五个加密货币钱包地址,且没有任何一笔赎金成功收取的记录,说明Krybit的实际犯罪收益可能极为有限。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。