در هجده ماه گذشته، تغییری بنیادین در اقتصاد امنیت تهاجمی (Offensive Security) رخ داده است که بسیاری از سازمان‌ها هنوز آن را به‌طور کامل درک نکرده‌اند. این تغییر صرفاً به معنای هوشمندتر شدن مهاجمان نیست، بلکه مدل اقتصادی حملات به‌کلی بازنویسی شده است. در حالی که بحث‌های مربوط به هوش مصنوعی (AI) در امنیت سایبری اغلب بر جنبه‌های دفاعی مانند تشخیص ناهنجاری (Anomaly Detection) تمرکز دارند، واقعیت این است که بخش تهاجمی این معادله بسیار سریع‌تر در حال تغییر است.
امروزه یک تیم تهاجمی کوچک و مجهز به مدل‌های پیشرفته هوش مصنوعی، می‌تواند بسیار فراتر از توان عملیاتی تیم‌های بزرگ و سنتی عمل کند. برای درک این موضوع، باید میان دو مفهوم تمایز قائل شد:
- AI Red Teaming: بررسی آسیب‌پذیری‌های مدل‌های زبانی بزرگ (LLMs)، تست خط لوله‌های عامل‌محور (Agentic Pipelines) و شناسایی بردارهای تزریق دستور (Prompt Injection).
- Red Teaming with AI: استفاده از هوش مصنوعی به عنوان ابزاری در دست اپراتور برای اجرای عملیات‌های تهاجمی سنتی. این مورد دوم است که بیشترین و خطرناک‌ترین تحول را ایجاد کرده است.
افزایش چشمگیر بهره‌وری در عملیات‌ها
استفاده از هوش مصنوعی در عملیات‌های Red Teaming، بهره‌وری را به سطوح غیرقابل باوری رسانده است. بر اساس داده‌های میدانی، تفاوت عملکرد تیم‌های سنتی با تیم‌های مجهز به هوش مصنوعی در موارد زیر مشهود است:
- خروجی سالانه تیم: از حدود ۶۰ تا ۷۰ یافته در تیم‌های سنتی، به بیش از ۹۰ یافته تنها در یک تمرین خارج از ساعات کاری با کمک AI رسیده است.
- تعامل با اپلیکیشن: افزایش از ۷ تا ۱۰ یافته به بیش از ۱۰۰ یافته مثبت واقعی (True Positive).
- اسکن در مقیاس بزرگ: توانایی اسکن میلیون‌ها IP در عرض ۲ تا ۳ ساعت.
تغییر در چرخه حیات حمله (Kill Chain)
مهاجمان از هوش مصنوعی در تمام مراحل استفاده می‌کنند:
۱. پیش از عملیات (Pre-operation): مراحل هفته‌ها طولانی جمع‌آوری اطلاعات منابع باز (OSINT)، آماده‌سازی زیرساخت‌ها و پیکربندی سرورهای فرماندهی و کنترل (C2) اکنون به چند لحظه کاهش یافته است.
۲. حین عملیات (Mid-operation): هوش مصنوعی به عنوان یک متخصص در لحظه عمل می‌کند. اپراتورها از آن برای تولید اسکریپت‌های ممیزی سفارشی و تطبیق سریع استراتژی‌ها استفاده می‌کنند. استفاده از گردش کار LLM-as-a-judge به مهاجمان اجازه می‌دهد تا دقت اقدامات خود را پیش از اجرا تضمین کنند.
۳. پس از عملیات (Post-operation): فرآیند خسته‌کننده گزارش‌نویسی متحول شده است. گزارش‌های جامع از لاگ‌های C2 می‌تواند در کمتر از ۲۰ دقیقه تولید شود، در حالی که داده‌ها به‌طور خودکار با چارچوب MITRE ATT&CK تطبیق داده می‌شوند.
شکاف در مهارت‌ها: قضاوت انسانی به عنوان عامل متمایز
با خودکارسازی وظایف پایه، مهارت‌های اصلی مانند تفکر انتقادی و درک معماری سیستم‌ها ارزشمندتر از قبل شده است. بازار کار به دو دسته تقسیم می‌شود:
- Unicorns (عملکرد بالا): متخصصانی که از هوش مصنوعی برای اجرای بینش‌های عمیق خود استفاده می‌کنند و بر پیچیدگی‌های اکسپلویت تمرکز دارند.
- Slop Cannons: اپراتورهایی که صرفاً از هوش مصنوعی برای کپی-پیست کردن خروجی‌های تایید نشده استفاده می‌کنند و باعث ایجاد نویز و شناسایی شدن می‌شوند.
اولویت‌های استراتژیک برای مدیران امنیت
برای بقا در این تغییر پارادایم، مدیران باید بر چهار محور تمرکز کنند: تخصیص بودجه برای دسترسی به مدل‌های پیشرفته هوش مصنوعی، پیاده‌سازی تست‌های مداوم و خودکار، آمادگی برای بردارهای حمله ترکیبی (Hybrid)، و استخدام نیروهایی که علاوه بر دانش فنی، کنجکاوی و توانایی کار با ابزارهای هوش مصنوعی را دارند.
