یافته‌های غافلگیرکننده آنتروپیک: چرا خطرناک‌ترین حملات سایبری هوش مصنوعی کاملاً عادی به نظر می‌رسند؟

وقتی تیم اطلاعات تهدیدات شرکت آنتروپیک (Anthropic) حملات سایبری مبتنی بر هوش مصنوعی را در طول یک سال گذشته رتبه‌بندی کرد، نتیجه غافلگیرکننده‌ای به دست آمد: خطرناک‌ترین عملیات در میان داده‌ها، با معیارهایی که صنعت امنیت سال‌ها به آن‌ها تکیه کرده بود، اصلاً جلب توجه نمی‌کرد و برجسته به نظر نمی‌رسید.

اگر این حمله را بر اساس چارچوب معروف MITRE ATT&CK می‌سنجیدید، این کمپین جاسوسی سایبری دولتی که آنتروپیک در نوامبر ۲۰۲۵ جلوی آن را گرفت، تنها از ۳۰ تکنیک در قالب ۱۳ تاکتیک استفاده کرده بود؛ آماری که دقیقاً با بسیاری از مهاجمان سطح متوسط همخوانی داشت. اما در مدل ارزیابی ریسک اختصاصی خود آنتروپیک، همین کمپین بالا‌ترین امتیاز خطر ممکن یعنی ۱۰۰ از ۱۰۰ را به دست آورد!

این بررسی به قلم یکی از مدیران ارشد مهندسی و عملیات امنیت در شرکت Cribl ارائه شده و به کالبدشکافی این شکاف بزرگ پرداخته است.

اینکه خطرناک‌ترین مهاجم سایبری سال صرفاً با شمارش تعداد تکنیک‌ها کاملاً معمولی و کم‌خطر به نظر می‌رسید، ضعف بزرگ الگوهای سنتی تشخیص تهدید را برملا می‌کند. صرفِ تنوع تکنیک‌ها اطلاعات چندانی درباره میزان واقعی خطر به مدافعان امنیت نمی‌دهد؛ بلکه بینش اصلی زمانی حاصل می‌شود که بدانیم این تکنیک‌ها چگونه ترکیب شده‌اند، چه ترتیبی داشته‌اند و با چه ریتم زمانی به اجرا درآمده‌اند.

نشانه‌های سنتی؛ شکننده‌ترین حلقه زنجیره امنیت

تیم‌های عملیات امنیت سایبری دو دهه تلاش کردند تا در شناسایی شواهد و ردپاهایی که مهاجمان قبلاً به جا گذاشته بودند، حسابی ماهر شوند. هَش بدافزارها، آدرس‌های آی‌پی (IP) مخرب و دامنه‌های مشکوک به تیم‌ها اجازه می‌داد تهدیدهای شناخته‌شده را به سرعت شناسایی و جلوی حملات تکراری را بگیرند. به محض اینکه یک مهاجم گوشه‌ای از زیرساخت خود را لو می‌داد، هزاران سازمان مختلف می‌توانستند فوراً خود را ایمن کنند.

دیوید بیانکو (David Bianco) در سال ۲۰۱۳ با ارائه مدل معروف «هرم درد» (Pyramid of Pain) دقیقاً به همین نقطه ضعف اشاره کرده بود: همان نشانه‌هایی که مدافعان راحت‌تر از همه به کار می‌گیرند، دقیقاً همان چیز‌هایی هستند که تغییر دادنشان برای مهاجم کم‌ترین هزینه را دارد! با کوچک‌ترین دستکاری در یک فایل، هش آن عوض می‌شود و آدرس آی‌پی هم به راحتی قابل تعویض است. در مقابل، تاکتیک‌ها و تکنیک‌هایی که مهاجم برای رسیدن به هدفش به آن‌ها تکیه می‌کند، به این سادگی‌ها تغییرپذیر نیستند.

ظهور هوش مصنوعی مولد با به صفر رساندن هزینه ایجاد تنوع در کدهای مخرب، شناسایی مبتنی بر نشانه‌ها را آسیب‌پذیرتر از همیشه کرده است. ابزار‌های تولید کد می‌توانند در کسری از ثانیه نسخه‌های جدیدی از بدافزار بسازند، متن‌های فیشینگ در مقیاس انبوه تولید شوند و ابزار‌های تهاجمی با حداقل دانش فنی در کنار هم چیده شوند. مدافعان امنیت حالا با نشانه‌هایی سر و کار دارند که طول عمر مفیدشان عملاً کوتاه‌تر از زمان لازم برای شناسایی، انتشار و اعمال آن‌ها در سیستم است!

البته هیچ‌کدام از این واقعیت‌ها به معنای کنار گذاشتن کامل فیدهای شاخص آلودگی (IOC) نیست؛ این ابزار‌ها هنوز هم برای مسدودسازی فله‌ای تهدیدهای شناخته‌شده، تکمیل پرونده‌ها و ردیابی گذشته‌نگر پس از افشای یک کمپین فوق‌العاده مفید هستند. اما واقعیت این است که دیگر نمی‌توان بار اصلی کل برنامه دفاع سایبری را به دوش این نشانه‌های شکننده انداخت.

تکنیک‌های فردی؛ سیگنال‌هایی فریبنده و ضعیف

پژوهش گسترده آنتروپیک به بررسی ۸۳۲ حساب کاربری مسدودشده به دلیل فعالیت‌های مخرب سایبری بین مارس ۲۰۲۵ تا مارس ۲۰۲۶ اختصاص داشت و ۱۳,۸۷۳ اقدام ثبت‌شده را در قالب ۴۸۲ تکنیک و تمامی ۱۴ تاکتیک چارچوب ATT&CK نگاشت کرد. این حساب‌ها تنها بخشی از کل موارد مسدودی بودند که اطلاعات فنی کافی برای تحلیل دقیق داشتند.

یکی از جالب‌ترین یافته‌ها این بود که ارتباط معناداری میان سطح مهارت مهاجم و تعداد تکنیک‌های مورد استفاده وجود نداشت؛ کم‌مهارت‌ترین مهاجمان به طور میانگین از ۱۶ تکنیک مجزا استفاده کرده بودند و ماهرترین آن‌ها از حدود ۲۰ تکنیک! پلتفرمی هم که حمله از طریق آن هدایت می‌شد، هیچ تفاوتی در این معادله ایجاد نمی‌کرد.

این واقعیت کاملاً با آنچه در عمل در شبکه‌های سازمانی رخ می‌دهد همخوانی دارد. برای مثال، شناسایی حساب‌های کاربری هم در حملات هکری رخ می‌دهد و هم بخشی از کار‌های روزمره یک مدیر سیستم قانونی است! سرویس‌های دسترسی از راه دور هم می‌توانند برای جابه‌جایی جانبی هکرها در شبکه استفاده شوند و هم ابزاری برای مدیریت روتین سرور‌ها باشند. بنابراین تقریباً هر تکنیک به تنهایی نیازمند تفسیر است و نمی‌توان صرفاً با دیدن آن حکم صادر کرد.

اطلاعات واقعی و معنادار زمانی آشکار می‌شوند که این اقدامات به یکدیگر گره بخورند. اگر عملیات شناسایی حساب، بلافاصله با دسترسی به اطلاعات کاربری، نفوذ به سیستمی دیگر و جمع‌آوری داده‌ها در یک بازه زمانی فشرده دنبال شود، معنای کاملاً متفاوتی دارد تا اینکه همین کار‌ها در طول چند روز کار عادی یک کارمند توزیع شده باشند. بنابراین، «ترتیب و توالی اقدامات» در کنار هویت کاربر، سیستم‌های لمس‌شده و رویدادهای بلافاصله پس از آن، به هسته اصلی منطق تشخیص تهدید تبدیل می‌شوند.

نفوذ عمیق‌تر هوش مصنوعی به لایه‌های پنهان حملات

عامل کلیدی دیگری که هوش مصنوعی وارد این معادله می‌کند، سرعت سرسام‌آور اجرای حملات است. اتوماسیون هوشمند می‌تواند فاصله زمانی بین اقدامات مختلف را به شدت فشرده کند و نحوه قضاوت درباره رفتارهایی را که در حالت عادی آشنا به نظر می‌رسند، کاملاً دگرگون سازد.

حملات سنتی با هدایت انسان همیشه تا حدی از خودکارسازی بهره می‌بردند، اما یک اپراتور انسانی ناچار بود نتایج را بررسی کرده و گام بعدی را مشخص کند. حالا با واگذاری این تصمیم‌گیری‌ها به سیستم‌های هوش مصنوعی، فاصله میان مراحل مختلف یک حمله به شدت کاهش یافته است. همین موضوع باعث می‌شود سرعت و توالی اقدامات، خودشان به منبعی ارزشمند از اطلاعات برای کشف نفوذ تبدیل شوند.

آمار‌های آنتروپیک به وضوح نشان می‌دهند این فشار در کدام بخش‌ها متمرکز شده است: در طول دوره تحقیق، کاربرد هوش مصنوعی از مرحله «دسترسی اولیه» به سمت «اقدامات پس از نفوذ» تغییر جهت داده است. استفاده از ابزار‌های هوش مصنوعی برای شناسایی حساب‌ها در محیط‌های هک‌شده ۸.۹ درصد رشد داشته، در حالی که فیشینگ مبتنی بر هوش مصنوعی با افت ۸.۶ درصدی مواجه شده است. جالب‌تر اینکه تکنیک‌های پیچیده پس از نفوذ که پیش از این نیازمند تخصص فوق‌العاده بالا بودند، حالا توسط هوش مصنوعی به راحتی در اختیار مهاجمان کم‌تجربه قرار می‌گیرند!

نسبت مهاجمانی که آنتروپیک آن‌ها را در دسته تهدیدهای متوسط یا بالا‌تر طبقه‌بندی کرده، از ۳۳ درصد در نیمه اول بررسی به ۵۶ درصد در نیمه دوم رسیده است؛ یعنی جهشی نزدیک به ۱.۷ برابر تنها در عرض دوازده ماه!

البته سرعت بالا به تنهایی دلیلی قطعی بر وقوع حمله نیست؛ اما سلسله‌اقداماتی که انجام آن‌ها توسط یک مدیر سیستم در طول چند ساعت کاملاً طبیعی به نظر می‌رسد، وقتی در عرض چند دقیقه چندین سیستم مختلف را زیر و رو می‌کند، زنگ خطری جدی است. بنابراین فاکتور زمان باید دوشادوش نوع فعالیت، در مدل‌های تشخیص تهدید گنجانده شود.

این تفکر هسته بنیادین چارچوب رفتاری APEX (کوتاه‌شده‌ی استخراج و همبستگی الگوهای متخاصم یا Adversarial Pattern Extraction and Correlation) را تشکیل می‌دهد که بر پایه یافته‌های آنتروپیک توسعه یافته است. در چارچوب APEX، به جای آنکه هر تکنیک جداگانه در ATT&CK مبنای تشخیص باشد، ترکیب تکنیک‌ها، ترتیبی که رخ می‌دهند، فاصله زمانی بین آن‌ها و بخش‌های درگیر بررسی می‌شوند.

ایده اصلی این است که چنین «زنجیره‌های رفتاری» پایه و اساسی به مراتب مطمئن‌تر و پایدارتر برای کشف نفوذ فراهم می‌سازند، در حالی که مهاجمان می‌توانند نشانه‌ها یا تکنیک‌های انفرادی را به آسانی تغییر دهند.

چارچوب‌های امنیتی هم هنوز پا‌به‌پای هوش مصنوعی نیامده‌اند

تحقیقات آنتروپیک ضعف ساختاری چارچوب‌های استاندارد فعلی را نیز در بازتاب رفتارهای مهاجمان آشکار می‌کند. برای مثال، مدل MITRE ATT&CK می‌تواند تکنیک‌های منفرد استفاده‌شده در یک نفوذ را مشخص کند، اما در حال حاضر توانایی ثبت هماهنگی‌های ایجنتی (Agentic Orchestration) را که این تکنیک‌ها را به یکدیگر پیوند می‌دهند، ندارد.

یک سیستم هوش مصنوعی که نتایج را تحلیل می‌کند، اقدام بعدی را برمی‌گزیند و با کم‌ترین دخالت انسانی مراحل حمله را پشت سر می‌گذارد، به دشواری در چارچوب‌های فعلی تعریف می‌شود. به همین دلیل، آنتروپیک اکنون با سازمان MITRE وارد همکاری شده تا راهکاری برای گنجاندن این رفتارهای خودکار و ایجنتی در این چارچوب بیابد.

برای مدیران ارشد امنیت، چالش‌های عملی بسیار زودتر از هرگونه بازنگری در این چارچوب‌ها از راه می‌رسند. تشخیص یک زنجیره رفتاری نیازمند ایجاد همبستگی میان داده‌های جمع‌آوری‌شده از اندپوینت‌ها، هویت‌های کاربری، شبکه‌ها و پلتفرم‌های ابری است؛ منابعی که هر کدام داده‌های تله‌متری را با ساختاری کاملاً متفاوت تولید می‌کنند.

حل این چالش تحلیلی به مراتب پیچیده‌تر و دشوارتر از بررسی یک متغیر با فهرستی از نشانه‌های آلودگی است. اکنون مدیران امنیت باید به جای تکیه بر انباشت صرف داده‌ها، این پرسش اساسی را مطرح کنند که آیا داده‌های تله‌متری لازم برای دیدن این زنجیره‌ها به شکل متصل، هماهنگ و در لحظه در اختیارشان قرار دارد یا خیر.

آنچه مهاجمان هرگز نمی‌توانند تغییر دهند

هوش مصنوعی دستکاری ویژگی‌های ظاهری و قابل‌مشاهده یک حمله را ساده‌تر کرده است، اما الزامات بنیادین عملیاتی کماکان بدون تغییر باقی مانده‌اند. مهاجمی که قصد سرقت اطلاعات را دارد، در هر صورت ناچار است دسترسی پیدا کند، محیط را بشناسد، دسترسی‌های لازم را ارتقا دهد و اطلاعات را به بیرون منتقل کند. ابزار‌ها و زیرساخت‌ها ممکن است مدام عوض شوند، اما این گام‌های اجباری را به این سادگی‌ها نمی‌توان حذف کرد.

بیانکو بیش از یک دهه پیش اهمیت نوک هرم را به این صنعت گوشزد کرد و آن اصل همچنان معتبر است. اکنون چارچوب‌هایی نظیر APEX در تلاش‌اند با تمرکز بر ترتیب، زمان‌بندی و بستر رفتاری مهاجم، آن اصل را به منطقی عملیاتی برای کشف نفوذ تبدیل کنند؛ ضرورتی که با تاخت‌وتاز هوش مصنوعی، حیاتی‌تر و فوری‌تر از همیشه شده است.