حملات تزریق نیت؛ تهدیدی جدید برای امنیت شبکه‌های 6G مبتنی بر هوش مصنوعی

با نزدیک شدن به نسل جدید شبکه‌های مخابراتی، شبکه‌های 6G مبتنی بر هوش مصنوعی در حال تغییر شیوه مدیریت زیرساخت‌های ارتباطی هستند. یکی از فناوری‌های کلیدی در این مسیر، شبکه‌سازی مبتنی بر نیت (Intent-Based Networking یا IBN) است؛ رویکردی که به اپراتورها اجازه می‌دهد نتیجه موردنظر خود را مشخص کنند و نرم‌افزار، نحوه تبدیل این درخواست به سیاست‌های اجرایی شبکه را تعیین کند.

بااین‌حال، پژوهشگران دانشگاه اتاوا و Nokia Bell Labs هشدار داده‌اند که همین لایه انتزاعی می‌تواند مسیرهای جدیدی برای حملات سایبری ایجاد کند. آن‌ها در پژوهشی جدید، یکی از این تهدیدها با عنوان تزریق نیت مخرب (Adversarial Intent Injection) را بررسی کرده و عملکرد دو سامانه یادگیری ماشین برای شناسایی آن را آزمایش کرده‌اند.

تزریق نیت مخرب چیست؟

در شبکه‌سازی مبتنی بر نیت، اپراتور به‌جای تعریف مستقیم جزئیات فنی، نتیجه‌ای را که از شبکه انتظار دارد به سیستم اعلام می‌کند. این درخواست‌ها معمولاً در قالب داده‌های قابل پردازش توسط ماشین، مانند JSON، ارسال می‌شوند و سامانه IBN آن‌ها را به سیاست‌های اجرایی شبکه تبدیل می‌کند.

مشکل زمانی ایجاد می‌شود که مهاجم بتواند به نقطه ورود این درخواست‌ها دسترسی پیدا کند.

پژوهشگران سناریویی را بررسی کرده‌اند که در آن مهاجم با استفاده از یک کلید API به خطر افتاده، درخواست‌هایی را وارد سیستم می‌کند که در ظاهر شبیه تغییرات عادی و قانونی شبکه هستند.

این نوع حمله تزریق نیت مخرب (Adversarial Intent Injection) نامیده می‌شود؛ یعنی مهاجم دستورهای مخرب را در میان درخواست‌های مشروع پنهان می‌کند.

پیامدهای احتمالی چنین حملاتی می‌تواند شامل موارد زیر باشد:

• ایجاد اختلال یا محروم‌سازی از سرویس (DoS)

• افزایش سطح دسترسی مهاجم

• تغییر مسیر ترافیک شبکه

• ایجاد درِ پشتی (Backdoor)

• دستکاری سیاست‌های امنیتی شبکه

البته آزمایش‌های این پژوهش بر شناسایی نیت‌های مخرب متمرکز بوده و پیامدهای عملی این حملات مستقیماً در آزمایش‌ها اجرا نشده‌اند.

آزمایش روی ۱۱۰۰ نیت شبکه‌ای

پژوهشگران برای ارزیابی سامانه‌های تشخیص، مجموعه‌ای شامل ۱۱۰۰ نیت (Intent) ایجاد کردند. بخشی از این داده‌ها نیز با کمک یک مدل زبانی بزرگ تولید شده بود؛ بنابراین آمار گزارش‌شده، عملکرد مدل‌ها روی همین مجموعه داده آزمایشی را نشان می‌دهد و لزوماً بیانگر عملکرد مشابه در تمام شبکه‌های واقعی نیست.

برای ایجاد نمونه‌های مخرب، محققان ابتدا ۲۰ نیت پایه برای حمله طراحی کردند که تهدیدهایی مانند فیشینگ و استخراج غیرمجاز داده‌ها را پوشش می‌دادند. سپس برای هر نمونه، ۹ گونه متفاوت ایجاد شد.

در یکی از نمونه‌ها، یک قانون شبکه که ترافیک را همراه با ثبت گزارش مسدود می‌کرد، به شکلی تغییر داده شد که ترافیک را به یک مسیر Null ارسال کند و سطح ثبت گزارش نیز محدود شود.

برای بررسی تأثیر ابهام نیز پژوهشگران تعدادی از داده‌ها را عمداً با برچسب اشتباه وارد مجموعه کردند؛ به‌طوری‌که ۴۰ نیت مخرب به‌عنوان سالم و ۹۰ نیت سالم به‌عنوان مخرب برچسب‌گذاری شدند.

آیا می‌توان حمله را با جست‌وجوی کلمات مشکوک شناسایی کرد؟

پژوهشگران برای بررسی این موضوع، یک سامانه تشخیص مبتنی بر قوانین نیز ساختند که از ۸۸ واژه به‌عنوان شاخص‌های احتمالی رفتار مخرب استفاده می‌کرد.

نتایج نشان داد این روش در کل مجموعه داده تنها حدود ۱۰ درصد از نیت‌های مخرب را شناسایی کرد.

البته از میان مواردی که این سامانه به‌عنوان مشکوک علامت‌گذاری کرد، حدود ۹۶ درصد واقعاً برچسب مخرب داشتند.

این نتیجه نشان می‌دهد شناسایی حملات صرفاً بر اساس کلمات کلیدی می‌تواند نرخ شناسایی پایینی داشته باشد، حتی اگر هشدارهای آن در مواردی دقت بالایی داشته باشند.

الگوی زمانی درخواست‌ها می‌تواند مهاجم را لو بدهد

ایده اصلی پژوهشگران این است که مهاجم ممکن است نه فقط از طریق محتوای درخواست، بلکه از طریق نحوه و زمان‌بندی ارسال درخواست‌ها نیز قابل شناسایی باشد.

برای آزمایش این فرضیه، محققان داده‌ها را در چهار الگوی مختلف سازمان‌دهی کردند:

1. ارسال نیت‌های مخرب با فاصله زمانی تقریباً ثابت

2. قرار گرفتن نیت‌های مخرب در فواصل تصادفی

3. افزایش تدریجی سرعت ارسال درخواست‌ها

4. کاهش تدریجی سرعت ارسال درخواست‌ها

سامانه‌های تشخیص به‌جای بررسی هر درخواست به‌صورت مستقل، مجموعه‌ای کوتاه از درخواست‌های متوالی را بررسی می‌کردند. این مجموعه‌ها حداکثر شامل شش درخواست بودند و اگر احتمال وجود یک درخواست مخرب در آن‌ها بالا بود، برای بررسی انسانی علامت‌گذاری می‌شدند.

نتایج نشان داد در بسیاری از موارد، افزایش تعداد درخواست‌هایی که هم‌زمان بررسی می‌شوند، عملکرد تشخیص را بهتر می‌کند؛ هرچند این قاعده استثناهایی نیز داشت.

عملکرد دو مدل یادگیری ماشین چگونه بود؟

پژوهشگران دو رویکرد متفاوت را آزمایش کردند.

مدل نخست با استفاده از نمونه‌هایی که از قبل به دو گروه سالم و مخرب تقسیم شده بودند، آموزش دید. این روش برای محیط‌هایی مناسب‌تر است که تیم امنیتی نمونه‌های مشخصی از حملات احتمالی در اختیار دارد.

مدل دوم تنها با رفتارهای عادی شبکه آموزش داده شد و زمانی هشدار می‌داد که الگوی فعالیت از رفتار معمول فاصله بگیرد.

این رویکرد می‌تواند برای تیم‌هایی مفید باشد که اطلاعات زیادی درباره شکل دقیق حملات آینده ندارند.

مدل اول، بسته به الگوی حمله، توانست بین ۷۵ تا ۹۶ درصد از مجموعه درخواست‌هایی را که شامل نیت مخرب بودند شناسایی کند.

مدل دوم در سه مورد از چهار الگوی آزمایش‌شده، بالاترین میزان شناسایی را در میان روش‌های بررسی‌شده داشت. بااین‌حال، در حملاتی که درخواست‌های مخرب با سرعت ثابت ارسال می‌شدند، عملکرد آن ضعیف‌تر بود و حدود یک‌سوم این موارد را از دست داد.

هر دو روش نسبت به یک سامانه تشخیص قدیمی‌تر که هر درخواست را به‌صورت جداگانه بررسی می‌کرد، عملکرد بهتری داشتند. روش قبلی در چهار الگوی آزمایش‌شده، حدود ۵۰ تا ۶۰ درصد موارد مخرب را شناسایی کرده بود.

چرا تزریق نیت برای امنیت شبکه‌های 6G مهم است؟

شبکه‌های نسل ششم قرار است به‌شکل گسترده‌تری از هوش مصنوعی، خودکارسازی و مدیریت مبتنی بر نیت استفاده کنند. در چنین معماری‌ای، اپراتور می‌تواند هدف موردنظر خود را بیان کند و سیستم، جزئیات اجرای آن را در سطح شبکه تعیین کند.

این خودکارسازی می‌تواند مدیریت شبکه را ساده‌تر کند، اما در مقابل، امنیت لایه‌ای که نیت‌های کاربر را دریافت و به سیاست شبکه تبدیل می‌کند اهمیت بیشتری پیدا خواهد کرد.

اگر مهاجم بتواند در این فرایند، درخواست‌های مخرب را در میان درخواست‌های مشروع پنهان کند، تشخیص آن‌ها صرفاً با بررسی تک‌تک درخواست‌ها دشوار خواهد بود.

پژوهش اخیر نشان می‌دهد بررسی توالی درخواست‌ها و الگوهای رفتاری می‌تواند یک لایه دفاعی دیگر در برابر حملات تزریق نیت ایجاد کند.

پژوهشگران چه برنامه‌ای برای ادامه تحقیقات دارند؟

این مطالعه هنوز یک ارزیابی اولیه محسوب می‌شود و پژوهشگران چند مسیر را برای ادامه کار در نظر گرفته‌اند.

در مراحل بعدی قرار است مجموعه‌ای متنوع‌تر از پیکربندی‌های JSON و سیاست‌های شبکه مورد استفاده قرار گیرد تا شرایط آزمایش به محیط‌های واقعی شبکه‌سازی مبتنی بر نیت نزدیک‌تر شود.

همچنین پژوهشگران قصد دارند از روش‌های هوش مصنوعی توضیح‌پذیر (Explainable AI یا XAI) استفاده کنند تا مشخص شود مدل تشخیص دقیقاً بر اساس چه ویژگی‌هایی یک درخواست یا توالی درخواست‌ها را مشکوک تشخیص داده است.

این قابلیت برای تیم‌های امنیت شبکه اهمیت زیادی دارد؛ زیرا در زیرساخت‌های حساس، صرفاً دریافت یک هشدار کافی نیست و کارشناسان باید بتوانند دلیل ایجاد هشدار را نیز بررسی کنند.

جمع‌بندی

تزریق نیت مخرب یکی از تهدیدهای نوظهوری است که با گسترش شبکه‌سازی مبتنی بر نیت و معماری‌های هوش مصنوعی‌محور در شبکه‌های آینده اهمیت بیشتری پیدا می‌کند.

نتایج این پژوهش نشان می‌دهد بررسی رفتار و توالی درخواست‌های شبکه می‌تواند در برخی الگوهای حمله، نسبت به بررسی تک‌تک درخواست‌ها توانایی بیشتری برای شناسایی فعالیت‌های مخرب داشته باشد.

بااین‌حال، آزمایش‌ها روی یک مجموعه داده ساخته‌شده توسط پژوهشگران انجام شده‌اند و برای ارزیابی میزان کارایی این روش‌ها در شبکه‌های واقعی 6G و محیط‌های عملیاتی IBN به تحقیقات بیشتری نیاز است.