کد خبر: ۱۵۳۱

هوش مصنوعی چگونه زنجیره اخاذی سایبری را تقویت می‌کند؟ از فیشینگ هدفمند تا سوءاستفاده از اطلاعات سرقت‌شده

هوش مصنوعی چگونه حملات باج‌افزاری را تقویت می‌کند؟ بررسی نقش AI در فیشینگ، سرقت اطلاعات، اخاذی دیجیتال و افزایش تهدیدات سایبری.بهراد یوسفی

هوش مصنوعی چگونه به مهاجمان باج‌افزاری کمک می‌کند؟ بررسی نقش AI در فیشینگ هدفمند، مهندسی اجتماعی، مذاکره با قربانیان و راهکارهای مقابله با اخاذی سایبری را در ادامه بخوانید.

گسترش استفاده از هوش مصنوعی در جرایم باج‌افزاری، فقط به افزایش سرعت یا تعداد حملات محدود نمی‌شود. این فناوری در حال تغییر بخش‌هایی از فرایند حمله است که مستقیماً با فریب کاربران، ارتباط با قربانیان و پیشبرد عملیات اخاذی ارتباط دارند. مهاجمان می‌توانند با کمک مدل‌های هوش مصنوعی پیام‌های متقاعدکننده‌تری تولید کنند، ارتباطات خود را مدیریت کنند و برخی فعالیت‌های زمان‌بر را با هزینه کمتری پیش ببرند.

در گزارشی که اخیراً درباره موج جدید حملات باج‌افزاری منتشر شده، به افزایش استفاده مجرمان سایبری از ابزارهای هوش مصنوعی اشاره شده است. در همین زمینه، گزارش «[موج جدید حملات باج‌افزاری؛ پای هوش مصنوعی به اخاذی سایبری باز شد]» در ۲۴ نیوز، ابعاد آماری و نمونه‌های تازه این تحول را بررسی کرده است. در این مقاله، به‌جای تکرار آمار و مصادیق آن گزارش، بررسی می‌کنیم که هوش مصنوعی چگونه می‌تواند مراحل مختلف اخاذی سایبری را تقویت کند و چرا سازمان‌ها باید نگاه خود به دفاع در برابر باج‌افزار را گسترش دهند.

هوش مصنوعی کدام بخش از حملات باج‌افزاری را تغییر می‌دهد؟

برای درک نقش هوش مصنوعی، باید حمله باج‌افزاری را فراتر از اجرای یک بدافزار و رمزگذاری فایل‌ها در نظر گرفت. در بسیاری از عملیات‌ها، مهاجم باید ابتدا راهی برای فریب کاربر یا دسترسی به شبکه پیدا کند، سپس اطلاعات یا سامانه‌های سازمان را تحت تأثیر قرار دهد و در نهایت با ایجاد فشار روانی، مالی یا اعتباری، قربانی را به پرداخت باج وادار کند.

هوش مصنوعی می‌تواند در بخش‌هایی از این زنجیره به کار گرفته شود. اهمیت آن نیز بیشتر از آنکه به جایگزینی کامل مهاجم انسانی مربوط باشد، به تقویت توانایی او در انجام سریع‌تر و گسترده‌تر برخی فعالیت‌ها بازمی‌گردد.

۱. فیشینگ هدفمند؛ پیام جعلی که دیگر به‌راحتی قابل تشخیص نیست

فیشینگ همچنان یکی از روش‌های مهم برای فریب کاربران و دستیابی به اطلاعات یا دسترسی‌های حساس است. در روش‌های سنتی، پیام‌های جعلی گاهی به دلیل اشتباهات نگارشی، ترجمه نامناسب، لحن غیرطبیعی یا درخواست‌های غیرمنطقی قابل شناسایی بودند.

مدل‌های زبانی می‌توانند این نشانه‌های ظاهری را تا حدی کاهش دهند. مهاجم با استفاده از ابزارهای هوش مصنوعی قادر است متن‌هایی با لحن رسمی‌تر و متناسب با زبان مخاطب تولید کند. همچنین تولید نسخه‌های متعدد از یک پیام و تغییر لحن آن برای گروه‌های مختلف مخاطبان، ساده‌تر می‌شود.

برای مثال، یک پیام جعلی می‌تواند ظاهری شبیه مکاتبه واحد منابع انسانی، پشتیبانی فناوری اطلاعات یا یکی از تأمین‌کنندگان سازمان داشته باشد. اگر چنین پیامی با اطلاعات واقعی درباره ساختار یا فعالیت یک مجموعه ترکیب شود، تشخیص آن برای کارمند دشوارتر خواهد شد.

به همین دلیل، دیگر نمی‌توان کیفیت نگارش یا نبود غلط املایی را نشانه معتبر بودن یک پیام دانست. کاربران و کارکنان باید هویت فرستنده، نشانی مقصد و ماهیت درخواست را مستقل از ظاهر پیام بررسی کنند.

۲. مهندسی اجتماعی؛ شخصی‌سازی فریب در مقیاس بزرگ‌تر

مهندسی اجتماعی بر سوءاستفاده از اعتماد، عجله، ترس یا ناآگاهی افراد تکیه دارد. مهاجم در این روش تلاش می‌کند قربانی را به انجام اقدامی وادار کند که مسیر دسترسی به اطلاعات یا سامانه‌ها را برای او باز می‌کند.

هوش مصنوعی می‌تواند تولید و بازنویسی پیام‌های متناسب با موقعیت‌های مختلف را آسان‌تر کند. این قابلیت به مهاجم اجازه می‌دهد به‌جای استفاده از یک متن ثابت، پیام‌هایی با لحن و محتوای متفاوت آماده کند.

در چنین شرایطی، ممکن است پیام جعلی از نظر ظاهری با موقعیت شغلی یا نوع ارتباط مخاطب هماهنگ باشد؛ برای نمونه، درخواست بررسی یک سند، تأیید پرداخت یا ورود مجدد به حساب کاری. این موضوع به‌ویژه در سازمان‌هایی اهمیت دارد که فرایندهای مالی و اداری آن‌ها از طریق ایمیل و ابزارهای ارتباطی آنلاین انجام می‌شود.

نکته مهم این است که شخصی‌سازی پیام به‌تنهایی به معنای نفوذ موفق نیست. مهاجم همچنان باید بتواند اعتماد قربانی را جلب کند و از ضعف در فرایندهای احراز هویت، کنترل دسترسی یا تأیید درخواست‌ها بهره ببرد.

۳. مذاکره با قربانی؛ استفاده از مدل‌های زبانی در فرایند اخاذی

عملیات باج‌افزاری با دسترسی به اطلاعات یا مختل کردن سامانه‌ها پایان نمی‌یابد. پس از آن، مهاجم باید با قربانی ارتباط برقرار کند و او را برای پرداخت باج تحت فشار قرار دهد.

در این مرحله، پیام‌های تهدیدآمیز، تعیین مهلت، پاسخ به پرسش‌های قربانی و تلاش برای متقاعد کردن مدیران سازمان اهمیت پیدا می‌کند. گزارش وایرد به استفاده از مدل‌های زبانی در فرایند ارتباط و مذاکره گروه‌های باج‌افزاری اشاره کرده است.

مدل‌های زبانی می‌توانند در تنظیم متن پیام‌ها، بازنویسی پاسخ‌ها و برقراری ارتباط به زبان‌های مختلف به مهاجمان کمک کنند. چنین قابلیتی ممکن است بخشی از هزینه و زمان مورد نیاز برای مدیریت ارتباط با قربانیان را کاهش دهد.

با این حال، نباید تصور کرد که یک مدل هوش مصنوعی به‌تنهایی درباره مبلغ باج، انتشار اطلاعات یا ادامه عملیات تصمیم می‌گیرد. این تصمیم‌ها همچنان به منافع مجرمان، شرایط حمله و مدیریت انسانی وابسته‌اند.

۴. چرا سرقت اطلاعات حتی بدون رمزگذاری هم خطرناک است؟

یکی از نکاتی که در ارزیابی حملات باج‌افزاری باید مورد توجه قرار گیرد، تفاوت میان بازیابی اطلاعات و جلوگیری از افشای آن‌هاست.

در حملات مبتنی بر اخاذی اطلاعاتی، مهاجم ممکن است به‌جای تمرکز بر رمزگذاری فایل‌ها، داده‌های حساس سازمان را سرقت کند و سپس با تهدید به انتشار آن‌ها درخواست پول داشته باشد. در چنین شرایطی، حتی اگر سازمان بتواند اطلاعات خود را از نسخه پشتیبان بازیابی کند، خطر افشای داده‌ها همچنان باقی می‌ماند.

این مسئله نشان می‌دهد که نسخه پشتیبان، هرچند یکی از مهم‌ترین ابزارهای مقابله با باج‌افزار است، به‌تنهایی برای مدیریت تمام پیامدهای حمله کافی نیست.

سازمان‌ها باید علاوه بر امکان بازیابی اطلاعات، روی جلوگیری از دسترسی غیرمجاز، محدود کردن خروج داده‌ها، شناسایی انتقال غیرعادی اطلاعات و حفاظت از اسناد حساس نیز سرمایه‌گذاری کنند.

چرا دفاع در برابر باج‌افزار باید از مرحله رمزگذاری شروع نشود؟

یکی از اشتباهات رایج در نگاه به حملات باج‌افزاری، تمرکز بیش از اندازه بر لحظه اجرای بدافزار و رمزگذاری فایل‌هاست. درحالی‌که مهاجم ممکن است پیش از رسیدن به این مرحله، از طریق فیشینگ، سرقت اعتبارنامه‌ها یا دسترسی غیرمجاز، وارد شبکه شده باشد.

اگر سازمان فقط به دنبال شناسایی فایل‌های رمزگذاری‌شده باشد، ممکن است نشانه‌های اولیه نفوذ یا سرقت اطلاعات را از دست بدهد. به همین دلیل، راهبرد دفاعی باید تمام مراحل احتمالی حمله را پوشش دهد.

اقدامات ضروری برای کاهش خطر

۱. تقویت احراز هویت و حفاظت از حساب‌ها

برای حساب‌های مدیریتی، دسترسی‌های راه دور و سرویس‌های حساس، احراز هویت دو مرحله‌ای را فعال کنید. همچنین دسترسی‌های غیرضروری را حذف و مجوزهای کاربران را به حداقل سطح مورد نیاز محدود کنید.

۲. آموزش مقابله با فیشینگ مبتنی بر هوش مصنوعی

کارکنان باید بدانند که پیام‌های جعلی ممکن است از نظر نگارش و لحن کاملاً طبیعی به نظر برسند. درخواست‌های فوری برای پرداخت، تغییر اطلاعات حساب، دریافت فایل یا ورود به سامانه باید از مسیر ارتباطی مستقلی بررسی شوند.

۳. پایش رفتارهای غیرعادی در شبکه

افزایش ناگهانی دسترسی به فایل‌ها، ورودهای غیرمعمول، استفاده غیرمنتظره از حساب‌های مدیریتی و انتقال حجم زیادی از اطلاعات می‌تواند نشانه فعالیت مشکوک باشد. ثبت و بررسی مستمر رخدادها به شناسایی زودهنگام چنین رفتارهایی کمک می‌کند.

۴. حفاظت از داده‌های حساس

سازمان‌ها باید بدانند چه اطلاعاتی در اختیار دارند، کدام کارکنان به آن‌ها دسترسی دارند و این داده‌ها به چه سامانه‌هایی منتقل می‌شوند. محدود کردن دسترسی و پایش خروج اطلاعات، احتمال سوءاستفاده از داده‌های سرقت‌شده را کاهش می‌دهد.

۵. آزمایش نسخه‌های پشتیبان و برنامه واکنش به رخداد

نسخه پشتیبان زمانی ارزش عملی دارد که در شرایط بحران قابل بازیابی باشد. سازمان‌ها باید بازیابی اطلاعات را به‌صورت دوره‌ای آزمایش کنند و برای سناریوهایی مانند رمزگذاری فایل‌ها، سرقت داده‌ها و تهدید به انتشار اطلاعات، برنامه واکنش مشخص داشته باشند.

۶. بازبینی فرایندهای مالی و اداری

درخواست‌های تغییر شماره حساب، پرداخت فوری، ارسال اسناد یا ارائه اطلاعات حساس نباید صرفاً بر اساس یک ایمیل یا پیام تأیید شوند. استفاده از مسیرهای تأیید مستقل، احتمال موفقیت جعل هویت و مهندسی اجتماعی را کاهش می‌دهد.

آیا هوش مصنوعی به‌زودی جای مهاجمان باج‌افزاری را می‌گیرد؟

استفاده از هوش مصنوعی در جرایم سایبری به معنای شکل‌گیری حملاتی نیست که تمام مراحل آن‌ها بدون دخالت انسان اجرا شود. در وضعیت فعلی، شواهد مطرح‌شده درباره کاربرد این فناوری بیشتر به تقویت برخی فعالیت‌ها مانند تولید پیام‌های فیشینگ، ارتباط با قربانیان و تسهیل وظایف فنی مربوط است.

اجرای یک عملیات پیچیده همچنان به مجموعه‌ای از تصمیم‌ها و توانایی‌ها نیاز دارد؛ از انتخاب هدف و مدیریت دسترسی گرفته تا ارزیابی شرایط شبکه، کنترل عملیات و تصمیم‌گیری درباره اخاذی. بنابراین، بهتر است به‌جای تصور حملات کاملاً خودمختار، بر تغییر تدریجی توان عملیاتی مهاجمان تمرکز کنیم.

آنچه برای سازمان‌ها اهمیت دارد، این است که ابزارهای هوش مصنوعی می‌توانند کیفیت و مقیاس برخی روش‌های قدیمی را تغییر دهند. فیشینگ، جعل هویت و اخاذی روش‌های تازه‌ای نیستند؛ اما استفاده از ابزارهای جدید می‌تواند اجرای آن‌ها را برای مهاجمان ساده‌تر کند.

جمع‌بندی؛ مقابله با باج‌افزار به دفاع چندلایه نیاز دارد

هوش مصنوعی به‌تنهایی عامل شکل‌گیری حملات باج‌افزاری نیست، اما می‌تواند بخش‌هایی از فرایند حمله را سریع‌تر، کم‌هزینه‌تر و در دسترس‌تر کند. از تولید پیام‌های فیشینگ متناسب با مخاطب تا کمک به مدیریت ارتباطات اخاذی، این فناوری در حال تقویت ابزارهایی است که مجرمان سایبری پیش‌تر نیز از آن‌ها استفاده می‌کردند.

در نتیجه، مقابله با تهدیدهای جدید نباید فقط به نصب ضدبدافزار یا تهیه نسخه پشتیبان محدود شود. سازمان‌ها باید هم‌زمان از حساب‌های کاربری، مسیرهای دسترسی، داده‌های حساس و فرایندهای ارتباطی خود محافظت کنند.

مهم‌ترین تغییر این است که دفاع در برابر باج‌افزار باید پیش از رمزگذاری فایل‌ها آغاز شود؛ از لحظه‌ای که مهاجم برای فریب یک کارمند، سرقت اعتبارنامه یا دستیابی به اطلاعات سازمان تلاش می‌کند.


گزارش خطا
ارسال پیام
captcha
پیشنهاد سردبیر بیشتر
آخرین اخبار
پربازدید
خانه پربازدید پربحث