تکنولوژی‌های هوش مصنوعی تأثیر گسترده‌ای بر صنعت امنیت داشته‌اند، اما همان‌طور که برای کاربران عادی در دسترس هستند، عوامل تهدید (Threat Actors) نیز از این ابزارها برای بهینه‌سازی جریان‌های کاری مخرب خود استفاده می‌کنند. اپراتورهای باج‌افزار (Ransomware) با بهره‌گیری از هوش مصنوعی مولد (GenAI)، توانسته‌اند نرخ موفقیت حملات خود را به‌طور قابل‌توجهی افزایش دهند.
مهندسی اجتماعی موثرتر و متقاعدکننده‌تر
در گذشته، بسیاری از حملات مهندسی اجتماعی به دلیل عدم اصالت و اشتباهات نگارشی لو می‌رفتند. اکثر کمپین‌های آموزشی کاربران بر شناسایی غلط‌های املایی یا ساختارهای دستوری غیرطبیعی در ایمیل‌های فیشینگ (Phishing) متمرکز بود. اما GenAI این معادله را تغییر داده است.
- حذف اشتباهات: مهاجمان اکنون می‌توانند پیام‌ها، وب‌سایت‌ها و دارایی‌های دیجیتالی را به زبان بومی هدف و با ساختاری کاملاً صیقل‌خورده ایجاد کنند.
- افزایش نرخ کلیک: این رویکرد احتمال فریب قربانی برای کلیک بر روی لینک‌ها یا دانلود فایل‌های مخرب را افزایش می‌دهد.
- دسترسی گسترده: از این طریق، مهاجمان کاربران را برای استفاده از ابزارهای مدیریت از راه دور (RMM) ترغیب می‌کنند تا دسترسی کامل به سیستم قربانی و محیط شبکه سازمان به دست آورند.
شناسایی سریع داده‌های حساس برای سرقت
پس از کسب دسترسی اولیه (Initial Access)، زمان حیاتی‌ترین عامل است. هرچه مهاجم سریع‌تر در محیط حرکت کند و داده‌های حساس را شناسایی نماید، احتمال شناسایی او توسط تیم‌های SOC کمتر می‌شود. GenAI در این مرحله به شرح زیر عمل می‌کند:
این تکنولوژی برای بررسی حجم عظیمی از داده‌ها جهت طبقه‌بندی (Classification) یا جستجوی محتوا بسیار ایده‌آل است. مهاجمان با استفاده از GenAI می‌توانند سریع‌ترین مسیر را برای یافتن ارزشمندترین داده‌ها جهت رمزگذاری یا سرقت پیدا کنند. این سرعت عمل، فشار بیشتری بر سازمان برای پرداخت باج جهت بازگرداندن داده‌ها یا جلوگیری از افشای آن‌ها وارد می‌کند.
تولید سریع اسکریپت‌های سفارشی و دور زدن شناسایی
امضاهای فایل و شبکه (Signatures) از قدیمی‌ترین روش‌های شناسایی در امنیت هستند (مانند Fuzzy Hashing یا Traffic Fingerprinting). با این حال، GenAI توانایی مهاجمان را برای تغییر سریع بدافزارها و اسکریپت‌ها افزایش داده است:
- تغییر مداوم امضا: با تغییر سریع کدها، شناسایی بر اساس Signature دشوارتر شده و مکانیسم‌های تشخیص سنتی دور زده می‌شوند.
- دموکراتیزه شدن ابزارهای پیشرفته: پیش از این، ساخت ابزارهای سفارشی (Bespoke Tooling) تنها در اختیار گروه‌های APT با بودجه‌های کلان بود. اکنون هر عامل تهدیدی با یک حساب LLM می‌تواند ابزارهای اختصاصی بسازد.
- ابهام در شناسایی عامل: به دلیل دسترسی همگانی به این ابزارها، تمایز بین یک اپراتور باج‌افزار معمولی و یک گروه سازمان‌یافته و پیشرفته دشوارتر شده است.
نتیجه‌گیری و رویکرد دفاعی
این رقابت تسلیحاتی در صنعت امنیت جدید نیست. همان‌طور که رمزنگاری و اینترنت ریسک‌های جدیدی ایجاد کردند، GenAI نیز ابزارهای جدیدی به مهاجمان داده است. با این حال، تیم‌های دفاعی نیز می‌توانند از قابلیت‌های مشابه AI برای بهبود توانمندی‌های شناسایی (Detection) و پاسخ (Response) استفاده کنند تا از سرعت عمل مهاجمان پیشی بگیرند.
