آخرین اخبار
همهٔ اخبار
باج‌افزار گزارش بحرانیت ۷/۱۰

تحلیل حمله ترکیبی باج‌افزار 3AM: بهره‌برداری از حلقه‌های هوش مصنوعی در نفوذ به مدارس

تحلیل حمله ترکیبی باج‌افزار 3AM: بهره‌برداری از حلقه‌های هوش مصنوعی در نفوذ به مدارس

شواهد جدید نشان می‌دهد که یک گروه وابسته به باج‌افزار 3AM در جریان حمله به مجموعه‌ای از مدارس در بریتانیا، از مدل‌های هوش مصنوعی برای تولید و اصلاح دستورات (Commands) استفاده کرده است. اگرچه محققان ادعا نمی‌کنند که این حمله کاملاً خودکار بوده باشد، اما این مورد را به عنوان یک نمونه اولیه از به‌کارگیری AI به عنوان یک «ضریب قدرت» (Force Multiplier) برای عامل تهدید معرفی کرده‌اند.

ساختار حمله و تکنیک‌های مورد استفاده

این حمله در ابتدا به صورت سنتی آغاز شد؛ مهاجمان با دسترسی به اعتبارنامه‌های پشتیبان (Backup Credentials)، حساب‌های مدیریت دامین جعلی ایجاد کرده و بین دامین‌های Active Directory که پیش از این مجزا بودند، Trust ایجاد کردند. این استراتژی به آن‌ها اجازه داد تا به راحتی بین مدارس مختلف جابه‌جا شده، داده‌ها را سرقت کرده و در نهایت باج‌افزار 3AM را مستقر کنند.

عامل تهدید در این عملیات به شدت از تکنیک‌های Living-off-the-land (LOTL) استفاده کرد. ابزارهای استاندارد ویندوز مانند PowerShell، WMI، reg، netsh و rundll32 برای پیشبرد عملیات به کار گرفته شدند. همچنین ابزارهای شناخته‌شده‌ای نظیر Mimikatz و اسکریپت‌های مربوط به Veeam در این حمله مشاهده شده است.

نقش هوش مصنوعی: مدل ترکیبی (Hybrid AI)

آنچه این حمله را متمایز می‌کند، استفاده از یک «حلقه عامل‌محور» (Agentic Loop) است. تحلیلگران Bitdefender معتقدند که این حمله در هیچ‌کدام از دسته‌های رایج AI قرار نمی‌گیرد؛ یعنی نه کاملاً توسط LLM تولید شده، نه صرفاً ابزاری برای سرعت بخشیدن به کدنویسی بوده و نه کاملاً توسط AI مدیریت شده است.

در این مدل ترکیبی، یک اپراتور انسانی تصمیمات سطح بالا (High-level decisions) را اتخاذ می‌کرد، در حالی که یک سیستم AI وظیفه تولید دستورات تکراری و رفع اشکال (Troubleshooting) را بر عهده داشت. شواهدی که بر این فرضیه تأکید دارد عبارتند از:

  • خطاهای مدل: فراخوانی رابط وب نرم‌افزار Veeam روی پورت‌هایی که با مستندات سازنده مطابقت نداشت؛ خطایی که معمولاً در خروجی‌های مدل‌های زبانی (که بر اساس حافظه و نه مستندات دقیق عمل می‌کنند) دیده می‌شود.
  • الگوی تکرار: وجود فایل‌های تأییدیه، خروجی‌های برچسب‌گذاری شده و نسخه‌های شماره‌گذاری شده از یک اسکریپت واحد که نشان‌دهنده رفتاری شبیه به یک Loop است.
  • تحلیل زمانی: فاصله زمانی بین تلاش‌های PowerShell کوتاه‌تر از سرعت تایپ یک انسان، اما طولانی‌تر از اجرای مستقیم یک LLM بود. این یعنی انسان مرحله بعدی را انتخاب می‌کرد و مدل، تلاش‌های مجدد (Retries) را مدیریت می‌نمود.

توصیه‌های دفاعی برای مدیران SOC و CISOها

نکته مثبت این است که چون بخش بزرگی از این حمله از Playbookهای رایج باج‌افزارها پیروی می‌کرد، دفاع‌های استاندارد همچنان مؤثر هستند. با این حال، توجه به موارد زیر ضروری است:

  • جداسازی اعتبارنامه‌ها: اعتبارنامه‌های مدیریت (Admin) دامین‌های مختلف را کاملاً مجزا نگه دارید.
  • حفاظت از بک‌آپ‌ها: سیستم‌های پشتیبان را به عنوان یکی از اهداف اصلی مهاجمان در نظر بگیرید و دسترسی به آن‌ها را محدود کنید.
  • محدود کردن اجرای از راه دور: دسترسی‌های Remote Execution و Administrative Shares را تنها به میزبان‌های مدیریتی شناخته‌شده محدود کنید.
  • کنترل مفسرها: اجرای Shellها و مفسرهایی که در محیط‌های عملیاتی کاربرد ندارند را مسدود کنید.
  • مانیتورینگ تکرار: به یاد داشته باشید که Agentهای AI لزوماً حمله را بی‌صدا نمی‌کنند، بلکه آن را تکراری می‌کنند. شناسایی دستورات مشابه با تغییرات جزئی در بازه‌های زمانی کوتاه می‌تواند نشانه‌ای از فعالیت یک Agentic Loop باشد.

به‌روزرسانی (نوامبر 3, 2026 — Cybersecurity News)

به‌روزرسانی: تحقیقات تکمیلی نشان می‌دهد که در حملات اخیر باج‌افزار 3AM به شبکه‌های آموزشی بریتانیا، عاملان از یک مدل ترکیبی (Hybrid) شامل کنترل انسانی و اتوماسیون مبتنی بر هوش مصنوعی استفاده کرده‌اند. در این عملیات، حدود ۴۷ سیستم مورد هدف قرار گرفتند که از این تعداد، ۳۷ دستگاه به‌طور کامل رمزگذاری (Encrypt) شدند. مهاجمان با استفاده از اسکریپت‌های تغییریافته Veeam، رمزهای عبور سرورهای پشتیبان را سرقت کرده و اکانت‌های مدیریت جعلی با نام‌های library و svc_bkpmon ایجاد کردند تا در شبکه مخفی بمانند.

شواهد فنی حاکی از دخالت مستقیم مدل‌های زبانی (LLM) در اجرای دستورات تکراری است. الگوهای زمانی اجرای دستورات (با فواصل ۴۰ تا ۱۰۱ ثانیه) و وجود خطاهای سینتکسی (Syntax Errors) مانند استفاده از کاراکترهای Bash در محیط Windows، نشان‌دهنده این است که هوش مصنوعی وظیفه مدیریت خطاها و تلاش مجدد (Retry) برای دستورات ناموفق را بر عهده داشته است. این رویکرد به مهاجمان اجازه می‌دهد تا عملیات‌های فنی و خسته‌کننده را با سرعت انجام دهند، در حالی که تصمیمات استراتژیک توسط انسان هدایت می‌شود.