黑客组织ShinyHunters再度出击,这次将目标对准了《侠盗猎车手》开发商Rockstar Games,并声称此次入侵并非依靠高超的黑客技术,而是借助他人留下的"敞开之门"长驱直入。
该组织发布的帖子措辞强硬,毫不遮掩:"Rockstar Games,你们的Snowflake实例指标数据已因Anodot.com而遭到泄露。付钱或被公开。这是最后警告,请于2026年4月14日前与我们联系,否则我们将公开数据,并给你们带来一些令人头疼的数字麻烦。做出正确选择,别成为下一个头条新闻。"
Rockstar并未回应媒体The Register的置询,但向游戏媒体Kotaku发表了简短声明,确认"少量非实质性公司信息"经由第三方漏洞遭到访问,并表示此事件不影响玩家或日常运营。该公司未透露具体被泄露的数据类型、攻击责任方,也未说明是否收到赎金要求。与此同时,ShinyHunters同样对所掌握的数据规模及具体内容保持沉默。
若该组织的说法属实,此次入侵的突破口并非Snowflake平台本身,而是与Rockstar数据仓库相连的云成本监控工具Anodot。攻击者据称窃取并复用了身份验证Token,从而冒充合法内部服务实施入侵。
如果事件经过确如所述,整个过程并不涉及复杂的漏洞利用链,仅仅是将有效凭证用于未授权访问。对安全团队而言,这类操作在日志层面几乎与正常业务流量无异,极易被忽视。
ShinyHunters在业内并非新面孔。该组织以攻击API接口、身份认证系统及SaaS集成环节著称,惯于通过滥用SaaS集成漏洞和窃取Token实施大规模入侵,此前已有Cisco、Telus等多家企业成为其受害者。这表明该组织的策略是大范围扫描共享访问权限,而非针对单一目标的定点打击。
事实上,这也并非Rockstar首次遭遇数据安全危机。2022年,一名来自英国牛津的青少年通过入侵该公司Slack频道,提前将《GTA VI》的早期游戏画面大量泄露至网络,令Rockstar措手不及。该攻击者在18岁时被捕,此后被法院判处无限期住院治疗,只有在医生认定其不再构成威胁时方可获释。
Q&A
Q1:ShinyHunters是如何入侵Rockstar Games系统的?
A:根据ShinyHunters的说法,此次入侵并非直接攻破Rockstar的核心系统,而是通过与其Snowflake数据仓库相连的第三方云成本监控工具Anodot作为突破口。攻击者窃取并复用了身份验证Token,以合法内部服务的身份进行访问,整个过程在日志层面与正常操作几乎没有区别,因此难以被安全团队察觉。
Q2:Rockstar Games此次数据泄露对玩家有影响吗?
A:Rockstar官方声明表示,此次事件仅有"少量非实质性公司信息"遭到访问,不影响玩家账户或游戏运营。但公司并未披露具体泄露的数据类型,也未确认是否收到赎金要求,因此外界对实际影响范围尚无法完整评估。
Q3:ShinyHunters组织之前还攻击过哪些知名公司?
A:ShinyHunters此前已将Cisco、Telus等多家知名企业列为攻击目标。该组织惯于大范围扫描SaaS集成漏洞,通过窃取Token和滥用身份认证系统实施入侵,并非针对单一目标的专项攻击,而是一种广撒网式的渗透策略。
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。