برای چندین دهه، استراتژی‌های امنیتی سازمان‌ها در چرخه بی‌پایان «لیست‌های سیاه» (Blocklisting) گرفتار بوده‌اند؛ شناسایی امضاهای مخرب، فهرست کردن شاخص‌های تهدید (IoC) و نوشتن قوانینی برای متوقف کردن حملاتی که هفته گذشته رخ داده‌اند. این رویکرد واکنشی (Reactive) در زمانی که حملات توسط انسان‌ها هدایت می‌شد، به سختی پاسخگو بود، اما در عصر هوش مصنوعی عامل‌محور (Agentic AI) که قادر به انجام گام‌های متوالی و خودگردان است، کاملاً ناکارآمد است.
چرا مدل‌های شناسایی سنتی شکست می‌خورند؟
هوش مصنوعی عامل‌محور مکانیسم حملات را تغییر داده است. وقتی یک Agent بتواند در لحظه استدلال کند، اکسپلویت‌های Zero-Day تولید کند و با سرعت ماشین از APIهای مدیریتی استفاده کند، مدل‌های مبتنی بر شناسایی (Detection-based) فرو می‌پاشند. تلاش برای مسدود کردن رفتارهای یک موتور خودگردان، مانند تلاش برای فهرست کردن تمام جملات ممکن در یک زبان است؛ شما نمی‌توانید برای مهاجمی که منطق اجرای آن در لحظه ساخته می‌شود، لیست سیاه بنویسید.
انتقال به مدل امنیتی مثبت (Positive Security Model)
تنها دفاع معتبر در برابر Agentic AI، پیاده‌سازی Execution Runtime Security است. این رویکرد بر پایه یک مدل امنیتی مثبت عمل می‌کند: «همه چیز به طور پیش‌فرض ممنوع است، مگر آنکه صراحتاً اجازه داده شده باشد».
در این مدل، به جای پرسش درباره اینکه «آیا این فایل یا اقدام مخرب است؟»، سیستم می‌پرسد: «آیا این وضعیت اجرا، مسیر و فایل باینری دقیقاً تأیید شده و اجازه دسترسی دارد؟»
نقش Application Allowlisting در کنترل Runtime
در محیط‌های مبتنی بر AI، یک Agent (چه داخلی و چه خارجی) برای اجرای مقاصد خود باید با Kernel سیستم‌عامل، فضای حافظه (Memory)، سیستم فایل و پشته شبکه تعامل داشته باشد. امنیت زمان اجرا (Runtime Security) مرزهای کنترلی قطعی را در همین نقاط تعامل ایجاد می‌کند.
- سناریوی اول: ربوده شدن Agent مدیریت IT: اگر یک مهاجم از طریق Prompt Injection بتواند Agent مدیریت سیستم را مجبور به ارتقای سطح دسترسی (Privilege Escalation) و استخراج حافظه از
lsass.exeکند، یک سیستم Allowlisting سخت‌گیرانه، اجرای باینری‌های غیرمجاز یا تغییر رفتار فرآیندهای مورد تأیید را متوقف می‌کند. - سناریوی دوم: حملات Living off the Land (LOTL): در این حالت، مهاجم از ابزارهای بومی سیستم مانند
certutil.exeبرای دانلود فایل‌های مخرب یاpowershell.exeبرای اجرای کدهای مبهم در حافظه استفاده می‌کند. مدل امنیتی مثبت با محدود کردن مسیرهای اجرای مجاز، این زنجیره حمله را می‌شکند.
نتیجه‌گیری برای مدیران امنیت
ظهور Agentic AI این توهم را که تیم‌های امنیتی می‌توانند با تحلیل لاگ‌ها و بهبود منطق شناسایی پیش از حملات باشند، از بین برده است. وقتی نرم‌افزارها می‌توانند سریع‌تر از هر SOC اکسپلویت‌های منحصر‌به‌فرد تولید کنند، تنها راه مقابله، ایجاد مرزهای اجرایی قطعی (Deterministic Boundaries) است. ترکیب راهکارهای EDR با کنترل‌های دقیق اپلیکیشن (Application Control) و حفاظت از حافظه، تنها روشی است که می‌تواند شعاع تخریب (Blast Radius) سیستم‌های خودگردان را محدود کند.
