مهاجمان سایبری بیش از گذشته از ابزارهای هوش مصنوعی برای شناسایی اطلاعات ارزشمند، ساخت کدهای مخرب، سرقت اطلاعات ورود و حتی مدیریت زیرساخت‌های فنی حملات خود استفاده می‌کنند. تحقیقات جدید نشان می‌دهد هوش مصنوعی می‌تواند در مراحل مختلف یک حمله سایبری، از شناسایی شبکه قربانی گرفته تا پیدا کردن فایل‌های حساس و آماده‌سازی اطلاعات برای سرقت، به مهاجمان کمک کند.

بررسی پژوهشگران شرکت Gambit Security روی سه گروه تهدید سایبری مستقل نشان می‌دهد استفاده مخرب از هوش مصنوعی دیگر محدود به تولید کد نیست.

مهاجمان از مدل‌های هوش مصنوعی برای انجام طیف گسترده‌ای از فعالیت‌ها استفاده می‌کنند؛ از جمله:

• تولید اسکریپت‌ها و ابزارهای نفوذ
• شناسایی اطلاعات ارزشمند تجاری
• جست‌وجوی شبکه‌های آلوده یا نفوذشده
• پیدا کردن کلیدهای API و اطلاعات احراز هویت
• انجام وظایف IT و DevOps
• مدیریت زیرساخت‌های فنی حمله
• تولید و اصلاح دستورات در جریان نفوذ
• استقرار ماینرهای رمزارز

سه پرونده بررسی‌شده توسط Gambit Security نشان می‌دهند که هوش مصنوعی چگونه می‌تواند در مراحل مختلف عملیات سایبری مورد سوءاستفاده قرار گیرد.

اپراتور باج‌افزار از Claude Code استفاده کرد

اولین مورد مربوط به یک اپراتور مشکوک باج‌افزار است که در اواخر ژوئن ۲۰۲۶ هنگام حمله به شش سازمان از Claude Code استفاده کرده است.

این مهاجم پیش‌تر نیز با دو نفوذ دیگر مرتبط بوده است.

قربانیان شامل یک شرکت خدمات انرژی در استرالیا و مجموعه‌ای از شرکت‌های فعال در حوزه‌های خدمات مالی، صنایع غذایی، تولید، خدمات فناوری اطلاعات، مدیریت املاک و توزیع در چند کشور بوده‌اند.

پژوهشگران با اطمینان متوسط این فعالیت‌ها را به مهاجمی مرتبط با عملیات The Gentlemen ransomware-as-a-service نسبت داده‌اند.

Claude چگونه در حمله استفاده شد؟

مهاجم از Claude Sonnet 4.6 در Claude Code برای انجام طیف متنوعی از فعالیت‌های نفوذ استفاده کرد.

این فعالیت‌ها شامل موارد زیر بود:

• اجرای دستورات شناسایی شبکه
• تولید دستورات مرتبط با بهره‌برداری از آسیب‌پذیری‌ها
• نوشتن اسکریپت‌های مخرب
• تغییر تنظیمات فایروال
• بررسی سیستم‌های تجاری
• شناسایی سرورها و داده‌های باارزش

در جریان شناسایی شبکه داخلی، Claude نتایج فنی به‌دست‌آمده را پردازش کرد و اهداف مهمی مانند Domain Controller، فایل‌سرورها و سرورهای پشتیبان‌گیری را شناسایی کرد.

این مدل همچنین پایگاه‌های داده نرم‌افزارهای سازمانی و زیرساخت‌های Backup را بررسی کرد.

هوش مصنوعی مشخص کرد کدام اطلاعات برای مهاجم ارزشمندتر است

در یکی از قربانیان، اپراتور از Claude پرسید که کدام پایگاه‌های داده اهمیت بیشتری دارند.

Claude پایگاه‌های داده را اولویت‌بندی کرد و به پایگاه داده فعال محیط Production و مخزن اسناد مشتریان اشاره کرد.

در این مرحله، مهاجم از قبل به سیستم‌ها دسترسی داشت؛ اما هوش مصنوعی به او کمک کرد تشخیص دهد کدام اطلاعات برای کسب‌وکار قربانی ارزش بیشتری دارند.

در ادامه، مهاجم از Claude خواست دستورات مربوط به پشتیبان‌گیری SQL Server را روی دو سرور اجرا کند و دو نسخه فشرده از پایگاه‌های داده را برای انتقال از شبکه قربانی آماده کند.

یکی از این فایل‌ها در نهایت از سیستم قربانی خارج شد. Claude فایل را به سیستم مهاجم منتقل کرد و سپس نسخه باقی‌مانده روی سرور قربانی را حذف کرد.

هوش مصنوعی همیشه هم با مهاجم همکاری نکرد

در یکی دیگر از این نفوذها، Claude پس از تشخیص اینکه با یک سیستم Production واقعی متعلق به سازمانی مواجه است که مجوز انجام عملیات روی آن تأیید نشده بود، از ادامه کار خودداری کرد.

اما مهاجم یک نشست جدید ایجاد کرد و مدعی شد برای آزمایش آسیب‌پذیری‌های هدف، مجوز دارد.

پس از این ادعا، Claude درخواست را پذیرفت و به فعالیت ادامه داد.

این اتفاق نشان می‌دهد که مهاجمان می‌توانند تلاش کنند با ارائه اطلاعات نادرست یا تغییر زمینه درخواست، محدودیت‌های ایمنی مدل‌های هوش مصنوعی را دور بزنند.

استفاده از AI حتی باعث از کار افتادن فایروال شد

هوش مصنوعی در این عملیات نیز بدون خطا نبود.

در حمله به شرکت خدمات انرژی استرالیا، Claude تلاش کرد تنظیمات فایروال را تغییر دهد. پس از اینکه فراخوانی‌های API با مشکل مواجه شدند، مدل تنظیمات دستگاه را دانلود کرد، آن‌ها را تغییر داد و نسخه اصلاح‌شده را دوباره روی دستگاه بارگذاری کرد.

نتیجه این اقدام، غیرقابل دسترس شدن فایروال بود.

در محیط‌های قربانی همچنین فعالیت‌های دیگری مشاهده شد که اطلاعات قابل‌توجهی درباره عملیات مهاجم آشکار می‌کرد؛ از جمله توضیحات مربوط به مراحل شناسایی و برچسب‌هایی که می‌توانستند ماهیت فعالیت مهاجم را لو بدهند.

هوش مصنوعی به ساخت عملیات سرقت اطلاعات ورود کمک کرد

پرونده دوم مربوط به عملیاتی با نام Zerofot است که با هدف جمع‌آوری اطلاعات احراز هویت فعالیت می‌کند.

این گروه اینترنت را برای پیدا کردن فایل‌های حساس و دایرکتوری‌هایی جست‌وجو می‌کرد که به‌صورت ناخواسته در معرض دسترسی عمومی قرار گرفته بودند.

هدف اصلی، پیدا کردن مواردی مانند:

• API Key
• Token
• اطلاعات ورود
• کلیدهای خصوصی SSH
• اطلاعات دسترسی سرویس‌های ابری
• اعتبارنامه سرویس‌های SaaS

بود.

ابزار Auto_scan چگونه کار می‌کرد؟

ابزار اصلی این عملیات با نام auto_scan برای جست‌وجوی فایل‌های حساس در اینترنت طراحی شده بود.

این ابزار علاوه بر جست‌وجوی مستقیم، می‌توانست اهدافی را که از اسکن‌های گسترده اینترنت به دست می‌آمدند نیز پردازش کند.

هنگامی که ابزار یک فایل یا فهرست دایرکتوری قابل دسترسی پیدا می‌کرد، محتوای آن را دانلود کرده و به دنبال اطلاعات احراز هویت مرتبط با سرویس‌های مختلف می‌گشت.

این اطلاعات شامل اعتبارنامه‌های مربوط به:

• سرویس‌های هوش مصنوعی
• سرویس‌های ابری
• سرورها
• پلتفرم‌های SaaS

بود.

پس از شناسایی اعتبارنامه‌های احتمالی، اسکنر آن‌ها را در برابر سرویس مربوطه بررسی می‌کرد تا مشخص شود کدام کلیدها و اطلاعات ورود واقعاً معتبر هستند.

Codex و Claude Code در ساخت این ابزار نقش داشتند

اپراتور Zerofot ابزار auto_scan را با کمک OpenAI Codex و Claude Code توسعه داده بود.

در دستورهایی که به Codex داده شده بود، این فعالیت به‌عنوان کاری برای یک محیط آزمایشی و مجاز CTF توصیف شده بود تا مدل از انجام آن خودداری نکند.

بر اساس تحقیقات انجام‌شده، بین ۵ آوریل تا ۲۳ مه ۲۰۲۶، این عملیات توانست:

۲٬۹۷۵ کلید و اطلاعات احراز هویت معتبر را از ۱٬۷۴۲ میزبان قربانی جمع‌آوری کند.

اطلاعات سرقت‌شده شامل کلیدهای خصوصی SSH، کلیدهای دسترسی AWS و اعتبارنامه‌های سرویس‌هایی مانند Google Gemini، OpenAI، GitHub و Anthropic بود.

این مورد نشان می‌دهد که هوش مصنوعی می‌تواند روند جست‌وجو و اعتبارسنجی اطلاعات حساس افشاشده در اینترنت را برای مهاجمان بسیار سریع‌تر و مقیاس‌پذیرتر کند.

چارچوب مبتنی بر هوش مصنوعی برای نصب ماینر رمزارز

پرونده سوم مربوط به چارچوبی سفارشی با نام RAGE است؛ یک فریم‌ورک حمله مبتنی بر Python که برای اسکن سرویس‌های در معرض اینترنت، سوءاستفاده از سیستم‌های آسیب‌پذیر، سرقت اطلاعات احراز هویت و نصب ماینرهای رمزارز طراحی شده است.

بخش قابل‌توجهی از RAGE و اسکریپت‌های جانبی آن ظاهراً با کمک هوش مصنوعی تولید شده‌اند.

این فریم‌ورک حتی در زمان اجرا نیز از یک مدل زبانی استفاده می‌کند. RAGE دارای بخشی با نام AI Orchestrator است که بر پایه DeepSeek فعالیت می‌کند و به اپراتور درباره اجرای بات‌نت استخراج رمزارز پیشنهاد ارائه می‌دهد.

RAGE چه سیستم‌هایی را هدف می‌گیرد؟

این چارچوب سرویس‌هایی مانند موارد زیر را هدف قرار می‌دهد:

• Redis
• Elasticsearch
• Docker
• Tomcat
• Jenkins
• Hadoop YARN
• Confluence
• Supervisord

قابلیت‌های RAGE نیز شامل اسکن، بهره‌برداری از آسیب‌پذیری‌ها، حملات Brute Force، دسترسی به Cloud Metadata، افزایش سطح دسترسی در سیستم، نصب ماینر و نظارت بر فعالیت آن است.

سرقت کلیدهای AWS از یک سرور Redis

در یکی از حملات، اپراتور RAGE توانست اطلاعات دسترسی AWS را از یک نمونه Redis که به‌صورت ناامن در معرض اینترنت قرار گرفته بود، استخراج کند.

این اعتبارنامه‌ها به مهاجم اجازه دسترسی به محیط ابری قربانی را دادند.

پس از آن، مهاجمان با استفاده از اسکریپت‌های دیگر، سرویس‌های ابری را برای پیدا کردن اطلاعات ورود و سایر داده‌های حساس جست‌وجو کردند.

این زنجیره نشان می‌دهد که یک پیکربندی اشتباه ساده می‌تواند به نقطه شروع یک حمله گسترده‌تر تبدیل شود؛ حمله‌ای که در ادامه با کمک ابزارهای خودکار و هوش مصنوعی توسعه پیدا می‌کند.

هوش مصنوعی؛ دستیار جدید مهاجمان سایبری

سه نمونه بررسی‌شده توسط Gambit Security نشان می‌دهند که نقش هوش مصنوعی در حملات سایبری در حال تغییر است.

در گذشته، نگرانی اصلی درباره استفاده مهاجمان از AI بیشتر به تولید کد مخرب یا نوشتن ایمیل‌های فیشینگ محدود می‌شد. اما نمونه‌های جدید نشان می‌دهند مهاجمان از مدل‌های هوش مصنوعی برای تصمیم‌گیری و انجام فعالیت‌های پیچیده‌تر نیز استفاده می‌کنند.

هوش مصنوعی می‌تواند به مهاجم کمک کند تا:

1. شبکه قربانی را سریع‌تر شناسایی کند.
2. سیستم‌ها و داده‌های مهم را اولویت‌بندی کند.
3. فایل‌های حساس را پیدا کند.
4. اعتبارنامه‌های افشاشده را اعتبارسنجی کند.
5. اسکریپت‌ها و ابزارهای حمله تولید کند.
6. دستورات موردنیاز هنگام نفوذ را ایجاد یا اصلاح کند.
7. زیرساخت‌های فنی حمله را مدیریت کند.
8. داده‌های مناسب برای سرقت را از میان حجم زیادی از اطلاعات شناسایی کند.

چرا استفاده مهاجمان از AI نگران‌کننده است؟

مهم‌ترین تغییر، افزایش سرعت و مقیاس حملات سایبری است.

مهاجمی که پیش‌تر برای بررسی صدها یا هزاران فایل، سیستم یا سرویس به نیروی انسانی و زمان زیادی نیاز داشت، اکنون می‌تواند بخشی از این فرایند را به ابزارهای خودکار و مدل‌های هوش مصنوعی بسپارد.

در چنین شرایطی، یک آسیب‌پذیری یا اطلاعات احراز هویت افشاشده می‌تواند بسیار سریع‌تر شناسایی شده و در یک زنجیره حمله گسترده‌تر مورد استفاده قرار گیرد.

از سوی دیگر، نمونه‌های بررسی‌شده نشان می‌دهند AI همچنان ممکن است اشتباه کند، درخواست را نادرست تفسیر کند یا حتی باعث اختلال در زیرساخت مهاجم شود.

با این حال، همین سطح از توانایی برای کمک به شناسایی اطلاعات ارزشمند و خودکارسازی بخشی از عملیات سایبری، تهدیدی جدی برای سازمان‌ها محسوب می‌شود.

جمع‌بندی

تحقیقات جدید نشان می‌دهد استفاده مهاجمان سایبری از هوش مصنوعی وارد مرحله تازه‌ای شده است.

در سه عملیات بررسی‌شده، AI برای تولید ابزارهای حمله، شناسایی سیستم‌های مهم، پیدا کردن اطلاعات تجاری ارزشمند، جمع‌آوری و اعتبارسنجی کلیدهای دسترسی و حتی مدیریت عملیات استخراج رمزارز استفاده شده است.

پرونده Zerofot به‌ویژه نشان می‌دهد که مهاجمان می‌توانند از هوش مصنوعی برای پیدا کردن اطلاعات احراز هویت افشاشده در اینترنت در مقیاس گسترده استفاده کنند؛ در حالی که پرونده RAGE نشان می‌دهد AI حتی می‌تواند بخشی از یک چارچوب خودکار برای نفوذ و استخراج رمزارز باشد.

برای سازمان‌ها، این روند اهمیت مدیریت صحیح دسترسی‌ها، جلوگیری از افشای کلیدهای API و اعتبارنامه‌ها، ایمن‌سازی سرویس‌های در معرض اینترنت و نظارت مستمر بر فعالیت‌های غیرعادی را بیش از گذشته افزایش می‌دهد.