آخرین اخبار
همهٔ اخبار
گزارش‌ها و تحلیل‌ها گزارش بحرانیت ۴/۱۰

کالبدشکافی بدافزارهای تولید شده توسط هوش مصنوعی: نشانه‌ها و چالش‌های دفاعی

کالبدشکافی بدافزارهای تولید شده توسط هوش مصنوعی: نشانه‌ها و چالش‌های دفاعی

در یک بررسی تخصصی، لیندسی کی (Lindsay Kaye)، معاون هوش تهدید (Threat Intelligence) در شرکت HUMAN Security، به تحلیل ویژگی‌های فنی بدافزارهای تولید شده توسط هوش مصنوعی و تأثیر آن‌ها بر اکوسیستم امنیت سایبری می‌پردازد. او اشاره می‌کند که بدافزارهای تولید شده توسط مدل‌های زبانی بزرگ (LLM) اغلب دارای الگوهای ساختاری منظم و مطابق با استانداردهای برنامه‌نویسی هستند که می‌تواند یکی از نشانه‌های شناسایی آن‌ها باشد.

نشانه‌های حضور هوش مصنوعی در کدهای مخرب

اگرچه تشخیص قطعی دشوار است، اما برخی ویژگی‌ها در کدهای تولید شده توسط هوش مصنوعی متمایز هستند:

  • کامنت‌های بسیار مرتب: برخلاف کدهای نوشته شده توسط انسان که ممکن است نامنظم باشند، کدهای هوش مصنوعی دارای کامنت‌های بسیار تمیز و ساختاریافته هستند.
  • پیام‌های لاگ (Logging) یکدست: استفاده از پیام‌های لاگ با فرمت‌های بسیار استاندارد و یکنواخت.
  • استفاده از ایموجی‌ها: حضور غیرمنتظره ایموجی‌ها در بخش‌هایی از کد.

با این حال، استفاده از تکنیک‌های مبهم‌سازی (Obfuscation) و فرآیند بازگشایی کد (Decompilation)، بسیاری از این نشانه‌ها را از بین می‌برد و شناسایی عامل تهدید (Threat Actor) را با چالش روبرو می‌کند.

فشار بر چرخه وصله‌گذاری (Patching) و مدیریت آسیب‌پذیری

یکی از جدی‌ترین پیامدهای استفاده از هوش مصنوعی توسط مهاجمان، کاهش چشمگیر زمان موجود برای تیم‌های دفاعی است. هوش مصنوعی به مهاجمان اجازه می‌دهد تا آسیب‌پذیری‌ها را با سرعت و مقیاس بسیار بالاتری شناسایی و اکسپلویت (Exploit) کنند. این موضوع باعث می‌شود که پنجره زمانی برای اعمال وصله‌ها (Patches) به شدت تنگ‌تر شود. در واقع، سرعت تبدیل یک آسیب‌پذیری به یک حمله فعال، چالش جدیدی برای مدیریت آسیب‌پذیری‌ها در سازمان‌ها ایجاد کرده است.

نقش هوش مصنوعی در دفاع و شناسایی

در مقابل، تیم‌های امنیتی نیز از هوش مصنوعی برای تقویت فرآیندهای خود استفاده می‌کنند، اما با تأکید بر نظارت انسانی. کاربردهای اصلی عبارتند از:

  • پردازش داده‌ها: خلاصه‌سازی گزارش‌ها و استخراج شاخص‌های شناسایی (IOCs).
  • بهبود شناسایی: کمک به ایجاد قوانین شناسایی (Detection Rules) برای شکار تهدیدات (Threat Hunting).
  • خوشه‌بندی (Clustering): دسته‌بندی نمونه‌های بدافزار بر اساس ویژگی‌های مشترک.

در نهایت، هوش مصنوعی به عنوان یک ابزار برای افزایش سرعت و کارایی عمل می‌کند، اما جایگزینی برای تحلیلگران انسانی و تصمیم‌گیری‌های نهایی امنیتی نخواهد بود.