آخرین اخبار
همهٔ اخبار
امنیت هوش مصنوعی گزارش بحرانیت ۲/۱۰

رویکرد جدید در امنیت هوش مصنوعی: لایه Zero Trust برای عامل‌های خودمختار AI

رویکرد جدید در امنیت هوش مصنوعی: لایه Zero Trust برای عامل‌های خودمختار AI

شرکت Outerlimit با جذب سرمایه ۱۶ میلیون دلاری در مرحله pre-seed، قصد دارد یک لایه امنیتی و احراز هویت غیرمتمرکز برای عامل‌های هوش مصنوعی خودمختار (Autonomous AI Agents) توسعه دهد.

چالش‌های امنیتی در سیستم‌های Agentic AI

سیستم‌های مبتنی بر عامل (Agentic AI) قادر به فراخوانی ابزارها، استعلام داده‌های حساس، استفاده از APIها و اجرای جریان‌های کاری (Workflows) هستند. این سطح از خودمختاری ریسک‌های جدی ایجاد می‌کند؛ به‌ویژه زمانی که یک عامل مورد دستکاری قرار گیرد، پیکربندی اشتباه داشته باشد یا پس از مصرف محتوای غیرقابل‌اعتماد، تغییر رفتار دهد.

مدیریت‌های سنتی هویت و دسترسی (IAM) ممکن است یک عامل را احراز هویت کرده و دسترسی اعطا کنند، اما لزوماً نمی‌توانند اقدامات دقیق انجام شده در لحظه اجرا (Execution Time) را محدود کنند.

معماری لایه اقدام (Agent Action Layer)

رویکرد Outerlimit، مفهوم Zero Trust را به «لایه اقدام عامل» گسترش می‌دهد. در این معماری، به جای ذخیره متمرکز اعتبارنامه‌ها (Credentials)، کلیدهای رمزنگاری یا اسرار (Secrets)، این موارد در سراسر اکوسیستم عامل تکه‌تکه (Fragment) می‌شوند.

  • بازسازی پویا: این داده‌ها تنها زمانی بازسازی می‌شوند که ابزاری فراخوانی شود و هویت، سیاست‌ها و بافت اجرای عامل تایید گردد.
  • احراز صلاحیت قطعی (Deterministic Authorization): هدف این است که هرگونه اقدام خارج از سیاست‌های تعریف شده (Off-policy)، پیش از اجرای ابزار زیرساختی مسدود شود، حتی اگر عامل دچار عدم توازن (Misalignment) شده باشد.

استراتژی پیاده‌سازی در سازمان‌ها

این شرکت فرآیند پذیرش این فناوری را در سه مرحله تعریف کرده است:

  1. کشف (Discovery): شناسایی عامل‌ها، ابزارها، سرورهای Model Context Protocol و شناسایی «هوش مصنوعی سایه» (Shadow AI) غیرمجاز.
  2. رصد (Observation): ایجاد دید (Visibility) در حالی که یکپارچگی در زنجیره‌های چندمرحله‌ای عامل‌ها حفظ شود.
  3. اجرا (Enforcement): اعمال کنترل‌های سیاستی بر تک‌تک اقدامات عامل‌ها.

تحلیل فنی برای متخصصان امنیت

برای تیم‌های دفاعی، این رویکرد نشان‌دهنده تغییر پارادایم در امنیت AI است: نظارت بر خروجی مدل (Model Output) به تنهایی کافی نیست، زیرا عامل‌های نرم‌افزاری می‌توانند مستقیماً سیستم‌ها را تغییر دهند. بنابراین، کنترل‌ها باید در مرز ابزار (Tool Boundary) قرار گیرند تا اقدامات قابل ارزیابی، ثبت (Log) و در صورت نیاز مسدود شوند.