عصر جدید امنیت سایبری؛ هوش مصنوعی چگونه سرعت کشف آسیب‌پذیری و حملات باج‌افزاری را متحول کرد؟

از زمان معرفی مدل Mythos توسط شرکت Anthropic، بحث‌ها پیرامون خطراتی که ابزارهای مبتنی بر هوش مصنوعی برای تیم‌های امنیت سایبری ایجاد می‌کنند، به‌شدت بالا گرفته است.

با این حال، اهداف حملات در بنیاد خود تغییری نکرده‌اند؛ تحول بزرگ اصلی در مقیاس و سرعت نفوذ رخ داده است. هوش مصنوعی آسیب‌پذیری‌های بیشتری را شناسایی می‌کند و در نتیجه حجم کاری تیم‌های امنیتی به‌مراتب سنگین‌تر می‌شود. از طرفی، این فناوری موانع فنی برای سوءاستفاده از رخوه‌ها را کاهش داده و فرصت زمانی مدافعان برای واکنش را بسیار محدود کرده است.

این دگرگونی پیامدهای روشنی برای نحوه مدیریت مواجهه با ریسک در سازمان‌ها به‌همراه دارد و ضرورت به‌کارگیری راهکارهایی را نشان می‌دهد که به تیم‌های امنیت و فناوری اطلاعات کمک می‌کنند تا در این واقعیت جدید، امنیت زیرساخت‌های خود را حفظ کنند.

شتاب بی‌سابقه در شناسایی آسیب‌پذیری‌ها

گزارش اولیه پروژه Glasswing به‌خوبی قدرت نهفته در مدل Mythos را به نمایش گذاشت؛ مدلی که موجی از پیش‌بینی‌ها و نگرانی‌ها را در جامعه امنیت سایبری برانگیخته است.

بر اساس گزارش‌ها، مدل Mythos با همکاری حدود ۵۰ سازمان همکار، تنها در عرض یک ماه بیش از ۱۰٬۰۰۰ آسیب‌پذیری با درجه اهمیت بالا و بحرانی را شناسایی کرد. از این میان، حدود ۶٬۲۰۲ آسیب‌پذیری پرخطر در بیش از ۱٬۰۰۰ پروژه متن‌باز کشف شده است.

بی‌تردید مدل Mythos دستاوردی بسیار اثرگذار است و توانمندی‌های آن نقطه عطفی در دنیای امنیت به‌شمار می‌رود، اما شکاف میان مهاجمان و مدافعان از مدت‌ها قبل در حال گسترش بوده است. تیم‌های امنیتی همواره با حجم فزاینده‌ای از شناسه آسیب‌پذیری‌ها (CVE) روبه‌رو بوده‌اند؛ به‌طوری که در سال ۲۰۲۵ حدود ۴۸٬۱۸۵ شناسه امنیتی جدید ثبت شد که رشدی ۲۰٫۶ درصدی را نسبت به سال پیش از آن نشان می‌داد. پیشرفت ابزارهای هوش مصنوعی بی‌شک به این روند در سال‌های آینده شتاب بیشتری خواهد بخشید.

این دگرگونی‌ها پیامدهای سنگینی برای کارشناسان امنیتی دارند. همان‌طور که تحلیل سازمان Cloud Security Alliance نشان می‌دهد، گسترش قابلیت‌هایی شبیه به Mythos به معنای جهش چشمگیر در تعداد و پیچیدگی حملات ناشناخته خواهد بود و مدافعان را ناچار می‌کند با سرعتی همگام با عوامل خودکار، به وصله آسیب‌پذیری‌ها و مهار حملات هوش مصنوعی بپردازند.

کشف خودکار آسیب‌پذیری‌های روز صفر؛ خطری فراتر از یک مدل خاص

محدود کردن دسترسی به Mythos یا سایر مدل‌های فوق‌پیشرفته، راهکار حفاظتی کارآمدی نیست. بررسی‌ها و آزمایش‌های تخصصی نشان می‌دهند که مدل‌های زبانی عمومی (LLM) نیز اگر توسط کارشناسان خبره هدایت شوند، توانایی بالایی در کشف و بهره‌برداری از آسیب‌پذیری‌های جدید دارند.

در یک نمونه عملی، پژوهشگران امنیتی یک سازوکار کاملاً خودکار برای جستجوی آسیب‌پذیری‌ها بدون دخالت انسان طراحی کردند. این سیستم در نخستین اجرای خود، یک آسیب‌پذیری تزریق کد SQL از راه دور و چندمرحله‌ای را در بیش از ۳۰۰٬۰۰۰ افزونه وردپرس (WordPress) شناسایی کرد که تمامی مراحل آن از کشف تا نفوذ، کاملاً خودکار انجام شد. این رخنه پس از اعتبارسنجی مستقل، با شناسه CVE-2026-3985 ثبت و به‌صورت عمومی افشا گردید.

نگرانی‌ها تنها به توانایی هوش مصنوعی در شناسایی نقاط ضعف محدود نمی‌شود؛ حملات مبتنی بر هوش مصنوعی می‌توانند کل فرایند باج‌گیری سایبری را به‌طور مستقل اجرا کنند. یک عامل هوشمند (AI Agent) قادر است اکسپلویت مربوطه را بسازد، ارسال کند و سپس درخواست باج نماید. نمونه آشکار این رویداد در عملیاتی منسوب به گروه JadePuffer دیده شد که طی آن مهاجمان با سوءاستفاده از یک سرور آسیب‌پذیر در پلتفرم Langflow، اطلاعات هویتی را سرقت کردند، در شبکه به پیشروی عرضی پرداختند و در نهایت ۱٬۳۰۰ رکورد پایگاه داده را در یک حمله باج‌افزاری تمام‌خودکار به رمز درآوردند.

کوچک کردن سطح حمله؛ نخستین خط دفاع در برابر نفوذ

این شرایط به «هنجار جدید» دنیای سایبری بدل شده و مدل‌های زبانی فرضیات سنتی پیرامون سرعت مدیریت آسیب‌پذیری‌ها را بر هم زده‌اند. فاصله زمانی میان کشف یک رخنه، ثبت شناسه CVE و اعمال اقدامات دفاعی، دگرگون شده و به کمترین میزان ممکن رسیده است.

موضوع صرفاً به‌سرعت واکنش محدود نیست؛ تیم‌های امنیتی باید پیش از هر چیز برای کاهش سطح حمله خود گام بردارند. اگر دارایی‌های حساس دیجیتال از ابتدا بدون دلیل در معرض اینترنت قرار نگیرند، نیازی به رقابت نفس‌گیر برای نصب فوری وصله‌ها نخواهد بود. این رویکرد به معنای مبارزه در دو جبهه است: کاهش فاصله زمانی میان کشف آسیب‌پذیری تا ترمیم آن، و انجام اقدامات پیشگیرانه برای کوچک‌تر کردن هدفی که مهاجمان نشانه می‌گیرند.

این دو راهبرد باید هم‌راستا با یکدیگر پیش بروند. بسیاری از تیم‌ها تمام تمرکز خود را روی وصله کردن موارد آسیب‌پذیر می‌گذارند، اما باید از خود بپرسند که آیا این سرویس‌ها اصلاً باید در معرض اینترنت باشند یا خیر. کاهش سطح حمله حوزه‌ای چالش‌برانگیز برای سازمان‌ها است، اما رها کردن سامانه‌ها در فضای وب، امروز خطراتی به‌مراتب سهمگین‌تر از گذشته به‌همراه دارد.

در دسترس عموم قرار دادن سرویس‌ها، مانند رها کردن یک پایگاه داده MySQL یا مستندات خصوصی رابط‌های برنامه‌نویسی (API) روی اینترنت، دعوت‌نامه‌ای آشکار برای مهاجمان است. سوءاستفاده از چنین مواردی اغلب حتی به شناسه CVE هم نیاز ندارد و راه را برای حملات پرسرعت و تمام‌خودکار هموار می‌کند.

مدیریت پیوسته و دائمی مواجهه با ریسک

هنگامی که زمان لازم برای نفوذ به سیستم‌ها به چند ساعت کاهش می‌یابد، دومین اولویت حیاتی برای تیم‌های امنیتی، کوتاه کردن فاصله زمانی میان کشف رخنه تا برطرف کردن آن خواهد بود.

شناسایی و رفع آسیب‌پذیری‌ها به دو مؤلفه هم‌زمان نیاز دارد: درک بافت مسئله و تکرار منظم. آزمون‌های نفوذ (Penetration Testing) عمق و درک دقیق از شرایط را فراهم می‌کنند اما اقدامی مقطعی هستند و اجرای مکرر آن‌ها هزینه‌های گزافی روی دست سازمان‌ها می‌گذارد. از طرفی دیگر، اسکنرهای آسیب‌پذیری تکرار مداوم را تأمین می‌کنند اما توانایی ارزیابی این نکته را ندارند که آیا رخنه کشف‌شده واقعاً برای سازمان اهمیت حیاتی دارد یا خیر.

اینجا دقیقاً همان نقطه‌ای است که هوش مصنوعی وارد میدان می‌شود. هرچند آزمون‌های نفوذ سنتی به این زودی‌ها کنار نخواهند رفت، اما ما در آغاز دورانی هستیم که هوش مصنوعی شیوه نوینی برای پشتیبانی از تحلیلگران و مهندسان امنیت انسانی خلق کرده است.

ارزش واقعی این فناوری در هشدار آنی خطرات جدید، توانایی اجرای آزمون نفوذ روی هر نسخه نرم‌افزاری با کسری از هزینه روش‌های سنتی، استفاده از عامل‌های هوشمندی که یافته‌ها را مانند متخصصان انسانی راستی‌آزمایی می‌کنند و اتصال سریع به ابزارهای تیم توسعه برای هدایت فوری ایرادات به افراد مناسب نهفته است.

بدین ترتیب، تیم‌های امنیتی پرترافیک می‌توانند در برابر خطرات نوظهور دوام بیاورند. هوش مصنوعی به این تیم‌ها کمک می‌کند گام نهایی را با موفقیت بردارند؛ به این معنا که یافته‌ها را اعتبارسنجی کنند، هشدارهای کاذب را کاهش دهند و تصویر روشنی از میزان اهمیت هر آسیب‌پذیری ارائه دهند.

هنوز در روزهای نخست این تحول قرار داریم و چارچوب‌های استاندارد آزمون نفوذ که توسط حسابرسان، شرکت‌های بیمه و نهادهای قانون‌گذار به کار می‌روند، باید با این شرایط سازگار شوند. با این همه، نشانه‌ها حاکی از آن است که در این دوران تازه، آزمون‌های امنیتی مداوم باید به استانداردی فراگیر در تمام سازمان‌ها تبدیل گردند.

این دگرگونی ضرورتی انکارناپذیر است، چراکه مدل‌هایی مانند Mythos و سایر مدل‌های زبانی بزرگ، هر سازمانی را که همچنان با ساعت‌های قدیمی و شیوه‌های کند دیروز کار کند غافلگیر خواهند کرد. اصول اولیه شامل کاهش سطح آسیب‌پذیری، راستی‌آزمایی خطرات واقعی و رها کردن نیروهای متخصص از سروصدای هشدارهای بی‌فایده تغییری نکرده است؛ تنها چیزی که تغییر کرده، فرصت بسیار اندکی است که برای مهار نفوذگران باقی مانده است.