شرکت Tracebit با ارائه راهکاری مبتنی بر استراتژی‌های نظامی، رویکرد جدیدی را برای مقابله با حملات مبتنی بر هوش مصنوعی معرفی کرده است. این تکنیک که «بمب‌های بافت» (Context Bombs) نامیده می‌شود، مشابه مین‌های زمینی عمل می‌کند؛ به این صورت که در میدان نبرد دیجیتال کاشته شده و با هدف کند کردن یا نابودی نیروهای پیش‌رونده (عامل‌های مهاجم) طراحی شده‌اند.
این بمب‌ها شامل دستورات (Prompts) پنهان و مهندسی‌شده‌ای هستند که هنگام خزیدن (Crawling) عامل‌های هوش مصنوعی مهاجم در محیط هدف، به‌طور خودکار توسط آن‌ها بلعیده می‌شوند. این دستورات جدید، هدف اصلی و احتمالا مخرب عامل مهاجم را مختل می‌کنند.
نتایج تحقیقات و اثربخشی
تحقیقات جدید Tracebit با عنوان «وادار کردن عامل‌های مهاجم به پرداخت هزینه»، بر گمراه کردن و به دام انداختن عامل‌ها با استفاده از اهداف جعلی و مسائل پیچیده تمرکز دارد. آزمایش‌های انجام شده نشان می‌دهد که این تکنیک در برابر مدل‌های پیشرفته‌ای نظیر GPT، Kimi، Qwen و DeepSeek بسیار مؤثر بوده است.
- کاهش نرخ موفقیت: در مدل Claude Opus 5، موفقیت حملات تا ۹۱٪ کاهش یافت.
- افزایش هزینه‌ها: حتی در مواردی که حمله متوقف نشد، هزینه‌ی هر حمله (از نظر مصرف توکن و زمان) تا ۲۳ برابر افزایش یافت.
تکنیک‌های فریب و انحراف
یکی از مؤثرترین روش‌ها، استفاده از گزارش‌های جعلی تست نفوذ (Penetration Testing) است. این گزارش‌ها مسیرهای حمله واقعی را به عنوان «Canary» (تله‌های شناسایی) معرفی کرده و اهداف واقعی را به عنوان تله نشان می‌دهند. این کار باعث می‌شود هوش مصنوعی از سیستم‌های اصلی دفاعی دوری کند و اهداف خود را به اشتباه انتخاب کند.
روش‌های دیگر شامل موارد زیر است:
- سرویس‌های وب بی‌پایان (Unending web services)
- رمزهای عبور که پشت لایه‌های متعدد رمزنگاری پنهان شده‌اند
- پایگاه‌های داده بی‌انتها که هر صفحه به صفحه دیگری اشاره می‌کند
در نهایت، هدف از این استراتژی، استفاده از فریب برای فرستادن عامل‌های مهاجم به «سوراخ خرگوش» (Rabbit Holes) است تا آن‌ها زمان و منابع (Tokens) خود را هدر داده و در عین حال، رفتارهای غیرعادی خود را آشکار کنند که منجر به فعال شدن زنگ خطر برای تیم‌های دفاعی می‌شود.
