کشف ۶۶ آسیبپذیری ناشناخته در تجهیزات شبکه با کمک هوش مصنوعی
پژوهشگران شرکت Forescout با استفاده از مدلهای هوش مصنوعی Claude موفق شدند ۹۹ آسیبپذیری امنیتی را در ۱۰ پشته TCP/IP شناسایی کنند.
تیم تحقیقاتی Forescout ابزاری مبتنی بر هوش مصنوعی ساخته است که میتواند کدهای متنباز و نرمافزارهای کامپایلشده را از نظر وجود ضعفهای امنیتی بررسی کند. پژوهشگران این ابزار را روی ۱۰ پشته TCP/IP آزمایش کردند؛ نرمافزارهایی که امکان برقراری ارتباط شبکهای را برای تجهیزات متصل فراهم میکنند.
نتایج این بررسی، ۹۹ آسیبپذیری تأییدشده را نشان داد که ۶۶ مورد آنها جدید بودند. ۵۲ درصد از آسیبپذیریهای جدید نیز در سطح خطر بالا یا بحرانی قرار داشتند. این ضعفها میتوانند طیف گستردهای از تجهیزات صنعتی، پزشکی، شبکه و دستگاههای اینترنت اشیا را تحت تأثیر قرار دهند.
هوش مصنوعی زمان کشف آسیبپذیری را از ۹ ماه به ۹۰ ساعت رساند
یکی از مهمترین یافتههای این پژوهش، کاهش زمان موردنیاز برای تحلیل آسیبپذیریهاست. براساس اعلام Forescout، فرایندی که پیشتر حدود ۹ ماه تحلیل دستی زمان میبرد، با کمک ابزار هوش مصنوعی در ۹۰ ساعت انجام شد.
از این زمان، حدود ۱۰ ساعت به تحلیل مستقل توسط هوش مصنوعی و ۸۰ ساعت به اعتبارسنجی نتایج اختصاص داشت. این موضوع نشان میدهد با وجود سرعت بالای مدلهای هوش مصنوعی، بررسی انسانی همچنان برای تأیید آسیبپذیریها اهمیت دارد. هزینه تحلیل ایستای خودکار کدها نیز حدود ۹۳۵ دلار برآورد شد. با احتساب هزینه اجرای آزمایشها، مجموع هزینه استفاده از مدلها بین ۱۲۰۰ تا ۲۳۰۰ دلار بود.
ابزار توسعهیافته در این پژوهش از مدلهای Claude در کنار ابزارهای تحلیل امنیتی استفاده میکند. در مرحله نخست، ابزارهای اسکن کد بخشهای مشکوک را شناسایی میکنند. سپس عاملهای هوش مصنوعی امکان دسترسی مهاجم به این بخشها و شیوه سواستفاده از ضعف احتمالی را بررسی میکنند. در مرحله پایانی نیز سیستم با اجرای نرمافزار و طراحی آزمایشهای مختلف، درستی یافتهها را میسنجد.
شناسایی آسیبپذیری در نرمافزارهای بدون کد منبع
یکی دیگر از بخشهای مهم پژوهش Forescout، بررسی نرمافزارهایی بود که کد منبع آنها در دسترس نیست. این نرمافزارها معمولاً به شکل فایلهای کامپایلشده در تجهیزات مختلف استفاده میشوند و بررسی امنیتی آنها دشوارتر است.
پژوهشگران برای تحلیل این دسته از نرمافزارها ناچار بودند ساختار قابلبررسی برنامه را از روی فایلهای اجرایی بازسازی کنند. این فرایند به زمان و هزینه بیشتری نیاز داشت و احتمال تولید هشدارهای اشتباه را افزایش میداد.
براساس نتایج پژوهش، تحلیل نرمافزارهای کامپایلشده حدود شش برابر پرهزینهتر و دو برابر زمانبرتر از بررسی کدهای منبع بود. بااینحال، هوش مصنوعی توانست در این بخش نیز آسیبپذیریهایی را شناسایی کند؛ قابلیتی که برای بررسی میانافزار تجهیزات اختصاصی اهمیت دارد.
کشف آسیبپذیری در دستگاههایی که دیگر پشتیبانی نمیشوند
یکی از نگرانکنندهترین یافتههای این تحقیق، شناسایی ضعفهای امنیتی در تجهیزات قدیمی و ازردهخارجشده بود؛ محصولاتی که همچنان در برخی سازمانها مورد استفاده قرار میگیرند، اما سازنده آنها دیگر فعالیت نمیکند.
در یکی از بررسیها، پژوهشگران میانافزار یک نقطه دسترسی بیسیم قدیمی را تحلیل کردند و هفت آسیبپذیری اختصاصی در آن یافتند. از جمله این ضعفها میتوان به اعتبارنامههای مدیریتی غیرقابلتغییر و آسیبپذیری سرریز بافر در فرایند بارگذاری میانافزار اشاره کرد.
در چنین شرایطی، حتی اگر یک آسیبپذیری شناسایی شود، ممکن است هیچ شرکتی برای توسعه و انتشار وصله امنیتی وجود نداشته باشد. این مسئله امنیت سازمانهایی را که همچنان از تجهیزات قدیمی استفاده میکنند، با چالش جدی روبهرو میکند.
افزایش توان مهاجمان با ابزارهای هوش مصنوعی
کاهش زمان و هزینه شناسایی آسیبپذیریها فقط به نفع تیمهای امنیتی نیست. مهاجمان سایبری نیز میتوانند از مدلهای هوش مصنوعی و ابزارهای مشابه برای کشف سریعتر نقاط ضعف نرمافزارها استفاده کنند.
Forescout هشدار داده است که گسترش این ابزارها، بهویژه در حوزه زیرساختهای حیاتی، ضرورت شناسایی و مدیریت ریسک را افزایش میدهد. تجهیزات صنعتی، پزشکی و شبکهای که از نرمافزارهای قدیمی استفاده میکنند، در برابر این روند آسیبپذیرتر هستند.
این شرکت به سازمانها توصیه میکند تجهیزات متصل به شبکه را شناسایی کنند، آسیبپذیریها را براساس میزان دسترسیپذیری و اثر عملیاتی اولویتبندی کنند و دستگاههایی را که امکان بهروزرسانی ندارند، در بخشهای محدود و کنترلشده شبکه قرار دهند.
یافتههای این پژوهش نشان میدهد هوش مصنوعی معادلات کشف آسیبپذیری را تغییر داده است. در شرایطی که شناسایی ضعفهای امنیتی با سرعت و هزینه کمتری انجام میشود، سازمانها نیز باید فرایندهای پایش، ارزیابی و کنترل ریسک سایبری را متناسب با این تغییرات بهروزرسانی کنند.