شرکت Booz Allen در محیطی ایزوله و شبیه‌سازی شده از یک محیط کنترل صنعتی (Industrial-control testbed)، مدل‌های هوش مصنوعی پیشرو (Frontier AI) را مورد آزمایش قرار داد. نتایج این آزمایش نشان داد که این مدل‌ها توانستند تمامی هشت هدف تهاجمی تعریف شده توسط کارشناسان را با موفقیت به اجرا درآورند.
جزئیات عملیات تهاجمی AI
این مدل‌ها قادر بودند مراحل پیچیده‌ای از یک حمله سایبری را به صورت خودکار طی کنند که شامل موارد زیر بود:
- نقشه‌برداری از شبکه (Network mapping): شناسایی ساختار شبکه و تجهیزات موجود.
- تحلیل نقاط ضعف: متصل کردن تجهیزات شناسایی شده به آسیب‌پذیری‌های شناخته شده.
- تولید اکسپلویت: نوشتن اکسپلویت‌های (Exploits) کاربردی برای نفوذ.
- جابجایی در شبکه (Pivot): نفوذ به سیستم‌هایی که فرآیندهای تولید را مدیریت می‌کنند.
- کنترل فیزیکی: در آخرین مرحله، مدل توانست یک بازوی رباتیک را شناسایی کرده، دسترسی مدیریتی آن را به دست بگیرد و آن را حرکت دهد.
سرعت عملیاتی و تحلیل رفتار
محیط تست شامل صدها دستگاه IT و فناوری عملیاتی (OT)، کنترل‌کننده‌های واقعی، پلتفرم SCADA، درایوهای موتور و سنسورها بود که در لایه‌های مختلف یک کارخانه صنعتی سازماندهی شده بودند. در یکی از سناریوها، مدل AI تنها در مدت ۱۶ دقیقه توانست از نفوذ به محیط پیرامونی (Perimeter) به مرحله کنترل مستقیم منطقه عملیاتی برسد؛ سرعتی که عملاً فرصت واکنش به تحلیلگران انسانی را سلب می‌کند.
نکته قابل توجه این است که اپراتورها هیچ‌گونه کد، مستندات مهندسی یا راهنمای OT را در اختیار مدل قرار ندادند و تنها مرزهای ساب‌نت (Subnet) را تعریف کردند. هوش مصنوعی توانست با تحلیل درخواست‌های شبکه، یک رله حفاظتی (Protective relay) را به عنوان یک نقطه حساس شناسایی کرده و با جعل هویت طرف ارتباطی آن، مسیر نفوذ را پیدا کند.
برخورد با موانع دفاعی
در جریان آزمایش، ابزارهای Endpoint، بخش‌بندی شبکه (Segmentation) و فایروال‌ها توانستند سرعت مدل را کاهش داده یا فعالیت‌های مشکوک را شناسایی کنند. با این حال، AI با تغییر متد یا یافتن مسیرهای جایگزین، این موانع را دور زد. این مدل‌ها عمدتاً از پروتکل‌های استاندارد تجهیزات و رمزهای عبور پیش‌فرض (Default Passwords) استفاده کردند؛ یعنی همان اقداماتی که یک مهندس خبره انجام می‌دهد، اما با سرعتی بسیار بالاتر.
ارتباط با تهدیدات واقعی
این نتایج با گزارش‌های دنیای واقعی همخوانی دارد. برای مثال، شرکت Dragos گزارشی منتشر کرد که در آن از مدل‌های تجاری (عمدتاً Claude) برای شناسایی شبکه‌های سازمان‌های دولتی مکزیک و هدف قرار دادن رابط‌های مدیریتی بخش آب استفاده شده بود. اگرچه شواهدی از نفوذ نهایی به سیستم‌های کنترل یافت نشد، اما مشخص شد که AI زمان و تخصص لازم برای شناسایی هدف و برنامه‌ریزی حمله را به شدت کاهش می‌دهد.
در شش ماه اخیر، حملاتی به تأسیسات آب و فاضلاب در هفت ایالت آمریکا و یک نیروگاه توربین گاز در بریتانیا منجر به خسارات فیزیکی شده است. هرچند این حملات رسماً به AI نسبت داده نشده‌اند، اما توانمندی‌های مشاهده شده در آزمایشگاه Booz Allen نشان می‌دهد که هوش مصنوعی می‌تواند دستیابی به چنین نتایجی را تسریع کند.
