مدل‌های پیشرفته هوش مصنوعی (AI) با بررسی سریع‌تر و دقیق‌تر دهه‌ها بدهی فنی (Technical Debt) در کتابخانه‌ها و ابزارهای قدیمی و پرکاربرد، باعث افزایش چشمگیر در تعداد گزارش‌های آسیب‌پذیری شده‌اند. به عنوان مثال، تعداد توصیه‌نامه‌های امنیتی در Microsoft Patch Tuesday ماه جاری به ۱۴۱۵ مورد رسیده است که نسبت به میانگین قبلی (حدود ۱۰۰ مورد در ماه) افزایش بسیار بزرگی را نشان می‌دهد.
تفاوت میان کشف و سوءاستفاده
با وجود افزایش ۱۰۵ درصدی در تعداد CVEها نسبت به سال گذشته، میزان آسیب‌پذیری‌های شناخته‌شده و مورد سوءاستفاده (KEV) تنها ۳۷ درصد رشد داشته است. این آمار نشان می‌دهد که بخش بزرگی از باگ‌های کشف‌شده توسط هوش مصنوعی، در دنیای واقعی مورد اکسپلویت (Exploit) قرار نمی‌گیرند. در واقع، هوش مصنوعی در حال بیرون کشیدن آسیب‌پذیری‌هایی از کدهای قدیمی است که سال‌ها در سیستم‌های مختلف حضور داشته‌اند و اکنون به دلیل توانایی پردازش بالا، شناسایی شده‌اند.
چالش‌های مدل‌های سنتی پاسخگویی
این حجم از کشفیات، فشار زیادی بر نگهدارندگان پروژه‌های متن‌باز (Open-source) وارد کرده و مدل سنتی ۹۰ روزه برای افشای هماهنگ‌شده (Coordinated Disclosure) را با چالش مواجه کرده است. برخی از متخصصان معتقدند اگر یک هوش مصنوعی بتواند یک ضعف را پیدا کند، احتمالاً هوش مصنوعی دیگری نیز به سرعت آن را پیدا خواهد کرد، که این موضوع باعث شده برخی از گزارش‌ها بدون دوره افشای قبلی، مستقیماً منتشر شوند.
توصیه‌های استراتژیک برای مدیران امنیت و SOC
در مواجهه با این موج، سازمان‌ها نباید سعی کنند با تمام توان به دنبال تمامی تهدیدها باشند. استراتژی‌های زیر برای مدیریت این وضعیت توصیه می‌شود:
- اولویت‌بندی بر اساس قابلیت اکسپلویت: تمرکز بر آسیب‌پذیری‌هایی که در محیط خاص شما قابلیت اکسپلویت بالا دارند (مانند KEVها) به جای بررسی تمامی CVEها.
- استفاده از دفاع در عمق (Defense-in-depth): پیاده‌سازی لایه‌های حفاظتی متعدد برای جبران تأخیر در فرآیند وصله‌گذاری (Patching).
- کنترل‌های رفتاری: استفاده از سیستم‌های تشخیص ناهنجاری رفتاری (Behavioral Anomaly Detection) به جای تکیه صرف بر لیست‌های سیاه و بلاک کردن دامنه.
- یکپارچه‌سازی هوش مصنوعی در چرخه توسعه: استفاده از مدل‌های ارزیابی هوش مصنوعی در زنجیره ساخت نرم‌افزار (Software Build Chains) برای جلوگیری از ورود باگ‌های جدید در آینده.
در نهایت، انتظار می‌رود با اصلاح کدهای قدیمی و ادغام ابزارهای بررسی هوش مصنوعی در فرآیندهای توسعه جدید، نرخ کشف آسیب‌پذیری‌ها در آینده به ثبات برسد و کاهش یابد.
