گزارش‌های اخیر نشان می‌دهد که گروه‌های هکری مرتبط با چین از عامل‌های هوش مصنوعی (AI agents) برای شناسایی نقاط ضعف امنیتی در جریان یک کمپین جاسوسی جهانی استفاده می‌کنند. این موضوع نگرانی‌های جدی را در مورد توانایی سازمان‌ها برای شناسایی شکاف‌های دفاعی پیش از آنکه حملات خودکار آن‌ها را استثمار کنند، ایجاد کرده است.
فریم‌ورک ARTEX و اتوماسیون نفوذ
بر اساس گزارش CrowdStrike، گروهی که با نام VAPOR PANDA ردیابی می‌شود، از یک فریم‌ورک تست نفوذ (Penetration Testing) مبتنی بر هوش مصنوعی به نام ARTEX استفاده کرده است. این گروه در یک بازه زمانی ۱۱ روزه، بیش از ۲۰۰ سازمان در ۱۴ کشور مختلف، از جمله سازمان‌های دولتی و شرکت‌های تجاری را هدف قرار داده است.
در یکی از موارد، مهاجمان در یک شرکت داروسازی جهانی، به عامل‌های AI دستور دادند تا فرآیندهای در حال اجرا و لیست پوشه‌ها در ماشین‌های Windows را بررسی کنند تا متوجه شوند آیا سنسور Falcon متعلق به CrowdStrike نصب شده است یا خیر. فریم‌ورک ARTEX از چندین عامل AI برای اجرای وظایف نفوذ تحت هدایت انسان استفاده می‌کند و به اپراتورها اجازه می‌دهد تا چندین سازمان را به طور هم‌زمان هدف قرار دهند.
همکاری گروه‌های مختلف و گسترش حملات
علاوه بر VAPOR PANDA، مایکروسافت نیز گزارشی از گروه Storm-0940 منتشر کرد که از همان فریم‌ورک ARTEX برای خودکارسازی حملات استفاده کرده است. این گروه در برخی موارد توانست در کمتر از سه ساعت به دسترسی‌های ممتاز ابری (Privileged Cloud Access) دست یابد. این حملات شامل سوءاستفاده از اعتبارنامه‌های لو رفته در اپلیکیشن ConnectWise برای دسترسی به محیط‌های مشتریان بود.
تغییر در اقتصاد جاسوسی سایبری
استفاده از هوش مصنوعی در حملات سایبری، اقتصاد جاسوسی‌های دولتی را تغییر داده است؛ زیرا به تیم‌های کوچک‌تر اجازه می‌دهد بدون نیاز به افزایش تعداد پرسنل، اهداف متعددی را دنبال کنند. اگرچه تکنیک‌های مورد استفاده آشنا هستند، اما توانایی اجرای هم‌زمان (Parallel) این حملات در مقیاس وسیع، یک تغییر استراتژیک است. AI می‌تواند زمان مورد نیاز برای شناسایی (Reconnaissance) را به شدت کاهش دهد، هرچند مراحل پیچیده‌تر استثمار (Exploitation) همچنان به تخصص فنی انسان نیاز دارد.
نقاط ضعف مورد استثمار
بررسی‌ها نشان می‌دهد که این حملات از ضعف‌های قدیمی بهره‌برداری کرده‌اند:
- در یک سازمان دولتی یونان: مهاجمان از کلیدهای احرازی مربوط به سال ۲۰۲۲ استفاده کردند که احتمالاً هرگز تغییر (Rotate) نشده بودند.
- در یک شرکت داروسازی آمریکایی: یک عامل AI با ترکیب یک SAML assertion بدون امضا و یک آسیب‌پذیری XXE (XML External Entity)، توانست به یک نقش ابری با دسترسی‌های مدیریتی گسترده دست یابد.
توصیه‌های امنیتی برای CISOها و تیم‌های SOC
کارشناسان توصیه می‌کنند که سازمان‌ها نباید به دلیل تمرکز بر ریسک‌های AI، اقدامات دفاعی استاندارد را رها کنند. توصیه‌های کلیدی عبارتند از:
- پایش جامع: اطمینان از اینکه مانیتورینگ امنیتی تمام محیط‌ها، به‌ویژه سرورهای داخلی را پوشش می‌دهد و در صورت قطع گزارش‌دهی هر ماشین، هشدار صادر شود.
- مدیریت دسترسی: اجبار به اعتبارسنجی امضای SAML و محدود کردن امتیازات دسترسی ابری.
- بهداشت اعتبارنامه‌ها: چرخش منظم (Rotation) رمزها و کلیدهای دسترسی و نظارت بر فعالیت‌های غیرعادی حساب‌ها.
- دید کلی از دارایی‌ها: بهبود Visibility دارایی‌ها برای شناسایی سریع‌تر حرکت مهاجمان در محیط سازمان.
آینده ابزارهای اتوماسیون
فریم‌ورک ARTEX از مدل‌هایی مانند DeepSeek و سایر مدل‌های تجاری AI استفاده می‌کند. تحلیل‌گران هشدار می‌دهند که ARTEX پتانسیل تبدیل شدن به Cobalt Strike عصر هوش مصنوعی را دارد؛ ابزاری که پیش از این توسط بسیاری از مجرمان سایبری و گروه‌های دولتی برای نفوذ استفاده می‌شد. انتظار می‌رود در ۱۲ ماه آینده، مجرمان سایبری با انگیزه‌های مالی نیز به طور گسترده از این ابزارها برای عملیات سرقت داده‌ها استفاده کنند.
به‌روزرسانی (نوامبر 3, 2026 — Help Net Security)
به‌روزرسانی: گزارش‌های جدید از شرکت‌های CrowdStrike و Kaspersky نشان می‌دهد که عامل‌های تهدید (Threat Actors) مرتبط با چین، سطح اتوماسیون حملات خود را با استفاده از عامل‌های هوش مصنوعی (AI Agents) به شدت افزایش داده‌اند. گروه Vapor Panda با بهره‌گیری از فریم‌ورک ARTEX و مدل زبانی DeepSeek، توانسته است تنها در بازه زمانی ۱۱ روزه، بیش از ۲۰۰ سازمان در ۱۴ کشور مختلف، از جمله وزارتخانه‌های خارجه و شرکت‌های حوزه نیمه‌هادی را هدف قرار دهد. در این حملات، پس از نفوذ اولیه، بدافزار BloodAlchemy به عنوان یک Backdoor برای تثبیت دسترسی نصب شده است.
در این مدل عملیاتی، یک اپراتور انسانی اهداف و مقاصد کلی را تعیین می‌کند و سپس یک مدل زبانی بزرگ (LLM) تصمیم می‌گیرد که چه دستوراتی اجرا شوند و آن‌ها را به Implant موجود در شبکه قربانی ارسال می‌کند. این رویکرد باعث شده است تا مراحل شناسایی (Reconnaissance) و نفوذ عرضی (Lateral Movement) که پیش‌تر هفته‌ها زمان می‌برد، اکنون در عرض چند ساعت یا چند روز تکمیل شود.
هم‌زمان، کمپین دیگری توسط اپراتورهای چینی با استفاده از فریم‌ورک متن‌باز CyberStrikeAI علیه مؤسسات آموزشی در آفریقا و آمریکای لاتین شناسایی شده است. در این مورد، مدل هوش مصنوعی بر روی سرور فرماندهی و کنترل (C2) اجرا شده و دستورات را برای Implant ارسال می‌کند. تحلیل‌ها نشان می‌دهد که اگرچه تکنیک‌های مورد استفاده (مانند Kerberoasting و LSASS dumps) آشنا هستند، اما سرعت اجرای آن‌ها به دلیل حذف تصمیم‌گیری‌های انسانی در مراحل میانی، به طور چشمگیری افزایش یافته است.
