شبکه‌های مبتنی بر قصد یا Intent-based Networking (IBN) به اپراتورها اجازه می‌دهند تا تنها نتیجه نهایی مورد نظر خود را تعریف کنند و تبدیل این هدف به سیاست‌های شبکه (Network Policy) را به نرم‌افزار بسپارند. این رویکرد در طراحی‌های AI-native برای نسل ششم ارتباطات (6G) جایگاه ویژه‌ای یافته است، اما پژوهشگران دانشگاه اتاوا و Nokia Bell Labs هشدار می‌دهند که این سطح از انتزاع (Abstraction)، فرصت‌های جدیدی را برای مهاجمان ایجاد می‌کند.
مدل تهدید: تزریق قصد مخرب (Adversarial Intent Injection)
این تهدید جدید تحت عنوان Adversarial Intent Injection شناخته می‌شود؛ جایی که مهاجم دستورات مخرب را در میان درخواست‌های قانونی پنهان می‌کند. در این سناریو، مهاجم با دسترسی به یک API Key لو رفته، درخواست‌هایی را ارسال می‌کند که در ظاهر به‌صورت به‌روزرسانی‌های روتین به نظر می‌رسند اما در واقع اهداف تخریبی را دنبال می‌کنند.
پیامدهای احتمالی و متدولوژی حمله
پژوهشگران اشاره می‌کنند که این نوع حملات می‌تواند منجر به موارد زیر شود:
- حملات منع سرویس (DoS)
- ارتقاء سطح دسترسی (Privilege Escalation)
- تغییر مسیر ترافیک (Traffic Redirection)
- ایجاد درهای پشتی (Backdoors)
برای شبیه‌سازی این تهدید، تیم تحقیق ۲۰ قصد پایه برای حملاتی نظیر Phishing و استخراج داده‌ها (Data Exfiltration) طراحی کردند و برای هر کدام ۹ مدل متغیر ایجاد نمودند. برای مثال، تغییری ایجاد شد که یک قانون «حذف ترافیک همراه با ثبت لاگ» را به «مسیر یابی پوچ (Null-route) با ثبت لاگ محدود» تبدیل کند تا شناسایی آن دشوارتر شود.
ارزیابی سیستم‌های شناسایی (Detectors)
محققان برای مقابله با این حملات، دو نوع مدل شناسایی مبتنی بر یادگیری ماشین (ML) را آزمایش کردند:
- مدل نظارت‌شده (Supervised): این مدل بر اساس نمونه‌های برچسب‌گذاری شده (سالم یا مخرب) آموزش دیده و توانست بین ۷۵٪ تا ۹۶٪ از توالی‌های مخرب را شناسایی کند.
- مدل شناسایی ناهنجاری (Anomaly Detection): این مدل تنها رفتار نرمال شبکه را یاد می‌گیرد و هرگونه انحراف از این الگو را گزارش می‌کند. این روش برای محیط‌هایی که اطلاعات پیشینی از نوع حملات ندارند، بسیار کاربردی است.
نتایج نشان داد که تحلیل توالی درخواست‌ها (به جای بررسی تک‌تک درخواست‌ها) نرخ شناسایی را به‌طور قابل توجهی افزایش می‌دهد. در حالی که طبقه‌بندی‌های مبتنی بر کلمات کلیدی (Rule-based) تنها ۱۰٪ از حملات را شناسایی کردند، مدل‌های ML توانستند الگوهای زمانی و توالی درخواست‌ها را برای تشخیص نفوذ به کار گیرند.
چشم‌انداز آینده
در مراحل بعدی، این تیم قصد دارد پیکربندی‌های JSON متنوع‌تری را که بازتاب‌دهنده محیط‌های واقعی IBN هستند اضافه کند و از روش‌های هوش مصنوعی قابل تفسیر (Explainable AI) استفاده نماید تا تصمیمات سیستم شناسایی برای تحلیلگران امنیتی قابل درک‌تر باشد.
