بعد از هک ۴ بانک ایران؛ حالا هوش مصنوعی می‌تواند ضعف بانک‌ها را سریع‌تر پیدا کند

هوش مصنوعی حالا فقط برای پیدا کردن جواب سؤال‌ها استفاده نمی‌شود؛ می‌تواند ضعف‌های امنیتی را هم با سرعتی پیدا کند که تیم‌های انسانی برای برطرف کردن آنها به مشکل بخورند. برای نظام بانکی ایران که در سال ۱۴۰۵ تجربه حمله به چند بانک و اختلال در سرویس‌های بانکی را پشت سر گذاشته، این تغییر می‌تواند یک هشدار جدی برای آینده باشد.

در ظاهر، دو اتفاق اخیر ارتباط مستقیمی با یکدیگر ندارند.

از یک طرف، Financial Conduct Authority بریتانیا (FCA) هشدار داده است که مدل‌های پیشرفته هوش مصنوعی یا Frontier AI می‌توانند آسیب‌پذیری‌های سایبری را سریع‌تر از آنچه شرکت‌های خدمات مالی قادر به اصلاح آنها هستند، شناسایی کنند.

از طرف دیگر، در خرداد ۱۴۰۵، حمله سایبری به زیرساخت ارتباطی مشترک مورد استفاده چهار بانک بزرگ ایران، یعنی بانک ملی، بانک تجارت، بانک صادرات و بانک توسعه صادرات، باعث اختلال در بخشی از خدمات آنها شد. مقام‌های بانکی ایران اعلام کردند در آن حادثه اطلاعات مشتریان دسترسی یا حذف نشده است.

اما اگر این دو اتفاق را کنار هم بگذاریم، یک سؤال مهم شکل می‌گیرد: اگر مهاجمان در آینده از هوش مصنوعی برای پیدا کردن ضعف‌های بانکی استفاده کنند، آیا تیم‌های دفاعی می‌توانند با همان سرعت واکنش نشان دهند؟

این سؤال، شاید یکی از مهم‌ترین پرسش‌های امنیت سایبری بانک‌ها در سال‌های آینده باشد.

ماجرای ۴ بانک ایران چه بود؟

در ۱۴ ژوئن ۲۰۲۶، شورای هماهنگی بانک‌های ایران اعلام کرد یک «حمله سایبری محدود» باعث اختلال در خدمات چهار بانک شده است.

بانک‌های ملی ایران، تجارت، صادرات و توسعه صادرات در میان مؤسسات تحت تأثیر قرار داشتند.

نکته مهم این بود که بر اساس اعلام رسمی، هدف حمله زیرساخت ارتباطی مشترک مورد استفاده این بانک‌ها بوده است؛ بنابراین یک نقطه مشترک توانسته بود روی خدمات چند مؤسسه مالی اثر بگذارد. مقام‌های بانکی همچنین اعلام کردند اطلاعات مشتریان دسترسی یا حذف نشده است.

چند روز بعد، در ۲۳ ژوئن، شرکت خدمات انفورماتیک نیز از اختلال ناشی از حمله‌های سایبری به خدمات کارت‌محور سه بانک ملی، صادرات و تجارت خبر داد. این حمله‌ها خدماتی مانند خودپردازها، پایانه‌های فروش و اپلیکیشن‌های مرتبط با سامانه‌های کارت را تحت تأثیر قرار دادند.

این اتفاق‌ها یک واقعیت مهم را نشان دادند:

در سیستم‌های مالی، مهاجم الزاماً مجبور نیست مستقیماً سراغ «پول» برود؛ گاهی ضربه زدن به زیرساختی که چند سرویس به آن وابسته‌اند، می‌تواند برای ایجاد اختلال گسترده کافی باشد.

حالا هوش مصنوعی وارد این معادله شده است

تا همین چند سال پیش، وقتی درباره استفاده از هوش مصنوعی در امنیت سایبری صحبت می‌کردیم، بیشتر بحث بر سر تشخیص بدافزار، شناسایی رفتارهای مشکوک یا اولویت‌بندی هشدارهای امنیتی بود.

اما Frontier AI موضوع را یک مرحله جلوتر برده است.

مدل‌های پیشرفته می‌توانند در بررسی کد، تحلیل پیکربندی، جست‌وجوی ضعف‌ها و بررسی حجم بسیار زیادی از اطلاعات فنی کمک کنند.

یعنی کاری که شاید برای یک تیم انسانی ساعت‌ها یا روزها زمان ببرد، می‌تواند با کمک AI در مقیاس بسیار بزرگ‌تری انجام شود.

مشکل دقیقاً از همین‌جا شروع می‌شود.

اگر سرعت پیدا کردن آسیب‌پذیری چند برابر شود، اما سرعت اصلاح آنها تغییر نکند، سازمان با یک مشکل جدید روبه‌رو خواهد شد:

«بیش از آنکه بتواند اصلاح کند، ضعف امنیتی پیدا می‌کند.»

هشدار FCA چیست؟

FCA در بررسی خود درباره استفاده شرکت‌های مالی از Frontier AI اعلام کرده که این فناوری می‌تواند سرعت و مقیاس شناسایی آسیب‌پذیری‌ها را به‌شدت افزایش دهد.

اما شرکت‌ها ممکن است برای بررسی، اولویت‌بندی و اصلاح این حجم از یافته‌ها با مشکل مواجه شوند.

به زبان ساده، فرض کنید یک ابزار هوش مصنوعی در یک شب هزار نقطه ضعف احتمالی در زیرساخت یک بانک پیدا کند.

آیا بانک می‌تواند صبح روز بعد هر هزار مورد را بررسی کند؟

احتمالاً نه.

هر آسیب‌پذیری باید اعتبارسنجی شود، میزان خطر آن مشخص شود، تأثیر احتمالی روی سرویس‌ها بررسی شود و سپس برای اصلاح آن تصمیم‌گیری شود.

در یک بانک بزرگ، این فرآیند می‌تواند به سیستم‌های قدیمی، نرم‌افزارهای سفارشی، وابستگی‌های زنجیره‌ای و الزامات عملیاتی گره خورده باشد.

FCA هشدار داده است که همین فاصله میان سرعت کشف و سرعت اصلاح می‌تواند به گلوگاه عملیاتی تبدیل شود و حتی فشار قابل‌توجهی بر تیم‌های فنی و فرآیندهای مدیریت تغییر وارد کند.

یک مثال ساده؛ بانک با ۱۰ آسیب‌پذیری چه می‌کند؟

فرض کنیم یک بانک امروز ۱۰ آسیب‌پذیری مهم پیدا کند.

تیم امنیتی می‌تواند آنها را بررسی کند، مثلاً:

آسیب‌پذیری ۱ → بحرانی

آسیب‌پذیری ۲ → بالا

آسیب‌پذیری ۳ → متوسط

و به همین ترتیب.

اما حالا فرض کنیم یک Agent هوش مصنوعی بتواند همین فرآیند کشف را به‌صورت خودکار روی هزاران سیستم انجام دهد و در چند ساعت ۱۰ هزار یافته تولید کند.

در این شرایط، دیگر مشکل فقط «نداشتن ابزار تشخیص» نیست.

مشکل به این تبدیل می‌شود:

چطور بفهمیم کدام یک از این ۱۰ هزار مورد واقعاً خطرناک است و کدام یک می‌تواند چند هفته صبر کند؟

این همان جایی است که امنیت سایبری وارد مرحله جدیدی می‌شود.

خطر واقعی؛ AI مهاجم الزاماً لازم نیست «هکر بهتری» باشد

یکی از اشتباهات رایج این است که تصور کنیم تهدید AI فقط زمانی جدی است که هوش مصنوعی بتواند مانند یک هکر فوق‌حرفه‌ای وارد سیستم شود.

اما چنین چیزی الزاماً لازم نیست.

اگر AI بتواند فقط سه کار را سریع‌تر انجام دهد، خودش می‌تواند مزیت بزرگی برای مهاجم ایجاد کند:

۱. پیدا کردن سطح حمله

۲. پیدا کردن نقاط ضعف

۳. اولویت‌بندی مسیرهای احتمالی حمله

در حملات سنتی، مهاجم ممکن است مجبور باشد زمان زیادی را صرف شناسایی زیرساخت هدف کند.

اما در آینده، یک Agent می‌تواند بخش‌هایی از این فرآیند را خودکار کند.

به همین دلیل، مسئله فقط «قدرت هک کردن AI» نیست؛ مسئله مقیاس و سرعت عملیات است.

حالا این موضوع را به بانک‌های ایران وصل کنیم

اینجاست که تجربه چهار بانک ایرانی اهمیت پیدا می‌کند.

در حمله خرداد ۱۴۰۵، طبق گزارش‌های منتشرشده، هدف یک زیرساخت ارتباطی مشترک بود و اختلال آن روی خدمات چند بانک تأثیر گذاشت.

این حادثه یک درس کلاسیک برای معماری امنیتی دارد:

هرچه وابستگی مشترک بیشتر باشد، «دامنه اثر» یک حادثه هم می‌تواند بزرگ‌تر شود.

حالا AI را به این معادله اضافه کنیم.

اگر یک مهاجم بتواند با استفاده از Agentهای هوش مصنوعی، زیرساخت‌های وابسته، سرویس‌های مشترک، نقاط دسترسی و آسیب‌پذیری‌های موجود را با سرعت بیشتری شناسایی کند، دیگر مسئله فقط یک بانک منفرد نیست.

ممکن است مهاجم به دنبال نقطه‌ای باشد که بیشترین اثر را روی چند سرویس یا چند سازمان ایجاد کند.

این همان مفهومی است که در امنیت سایبری به آن می‌توان از زاویه Blast Radius نگاه کرد؛ یعنی اگر یک نقطه آسیب ببیند، دامنه خسارت تا کجا گسترش پیدا می‌کند؟

سناریوی آینده؛ AI مهاجم در برابر تیم امنیتی

تصور کنیم چند سال آینده یک مهاجم از یک Agent هوش مصنوعی برای شناسایی یک بانک استفاده کند.

Agent می‌تواند به‌صورت مداوم:

• دارایی‌های قابل مشاهده را شناسایی کند؛
• فناوری‌های مورد استفاده را تشخیص دهد؛
• نسخه‌های نرم‌افزاری را بررسی کند؛
• آسیب‌پذیری‌های احتمالی را با اطلاعات عمومی تطبیق دهد؛
• یافته‌ها را براساس میزان اهمیت مرتب کند؛
• و در صورت وجود دسترسی مجاز یا سوءاستفاده‌شده، مسیرهای احتمالی بعدی را پیشنهاد کند.

در طرف مقابل، تیم امنیتی بانک هم از AI استفاده می‌کند.

اما اگر سیستم دفاعی فقط وظیفه تولید هشدار را داشته باشد، ممکن است خودش به بخشی از مشکل تبدیل شود.

چرا؟

چون مهاجم یک Agent دارد که دائماً جست‌وجو می‌کند.

دفاع‌کننده هم یک سیستم دارد که دائماً هشدار تولید می‌کند.

اگر انسان مجبور باشد بین این دو قرار بگیرد، ممکن است انسان به گلوگاه تبدیل شود.

نبرد آینده شاید «AI علیه AI» باشد

این احتمال وجود دارد که بخش مهمی از امنیت سایبری آینده به رقابت میان سیستم‌های خودکار تبدیل شود.

در یک طرف:

AI برای کشف ضعف، تحلیل هدف و سرعت بخشیدن به عملیات

و در طرف دیگر:

AI برای تشخیص رفتار، تحلیل لاگ، اولویت‌بندی آسیب‌پذیری و واکنش سریع

اما اینجا یک تفاوت مهم وجود دارد.

مهاجم برای موفقیت ممکن است فقط به یک مسیر قابل‌استفاده نیاز داشته باشد.

مدافع باید تعداد بسیار زیادی مسیر را کنترل کند.

بنابراین اگر دفاع خودکار نتواند به‌درستی اولویت‌بندی کند، افزایش قدرت AI ممکن است به جای کاهش خطر، حجم هشدارها را بیشتر کند.

سناریوی خطرناک‌تر؛ آسیب‌پذیری پیدا شده اما هنوز قابل اصلاح نیست

این سناریو برای بانک‌ها اهمیت ویژه‌ای دارد.

فرض کنید AI یک ضعف جدی را در یک سیستم قدیمی پیدا می‌کند.

اما آن سیستم:

• جایگزین فوری ندارد؛
• وصله آن نیازمند تست طولانی است؛
• با چند سامانه دیگر وابستگی دارد؛
• یا خاموش کردن آن باعث اختلال سرویس بانکی می‌شود.

در این حالت، بانک ممکن است آسیب‌پذیری را بداند اما نتواند فوراً آن را برطرف کند.

اینجاست که فاصله میان:

«دانستن اینکه آسیب‌پذیری وجود دارد»

و

«توانایی اصلاح آسیب‌پذیری»

به یک ریسک امنیتی تبدیل می‌شود.

FCA نیز دقیقاً درباره همین فشار بر تیم‌های اصلاح و مدیریت تغییر هشدار داده است.

چرا سیستم‌های قدیمی بانک‌ها آسیب‌پذیرترند؟

سیستم‌های بانکی معمولاً یک نرم‌افزار ساده و یک سرور نیستند.

یک بانک بزرگ ممکن است مجموعه‌ای از:

سامانه‌های Core Banking

APIها

سامانه‌های پرداخت

خودپردازها

پایانه‌های فروش

اپلیکیشن‌های موبایل

سامانه‌های احراز هویت

زیرساخت‌های شبکه

سرویس‌های ابری یا دیتاسنتری

نرم‌افزارهای قدیمی و سفارشی

و ده‌ها وابستگی دیگر داشته باشد.

حتی اگر فقط یکی از این اجزا آسیب‌پذیر باشد، اصلاح آن ممکن است روی سیستم‌های دیگر اثر بگذارد.

این همان دلیلی است که باعث می‌شود توصیه FCA درباره داشتن مهندسان متخصص و فرآیندهای سریع‌تر برای اعتبارسنجی، اولویت‌بندی و اصلاح آسیب‌پذیری‌ها اهمیت پیدا کند.

آیا AI می‌تواند حمله به بانک‌های ایران را در آینده خطرناک‌تر کند؟

از نظر فنی، بله؛ اما نه به این معنا که حملات گذشته بانک‌های ایران با AI انجام شده‌اند.

هیچ مدرک معتبری که در منابع بررسی‌شده وجود داشته باشد، نشان نمی‌دهد حملات خرداد ۱۴۰۵ به بانک‌های ایران توسط هوش مصنوعی انجام شده‌اند.

اما روند فناوری نشان می‌دهد AI می‌تواند در آینده بخش‌هایی از چرخه حمله را سریع‌تر و مقیاس‌پذیرتر کند.

بنابراین سؤال درست این نیست که:

«آیا هکرهای حمله به بانک‌های ایران از AI استفاده کردند؟»

بلکه سؤال آینده‌نگر این است:

«اگر مهاجمان فردا از AI برای پیدا کردن ضعف‌های زیرساخت بانکی ایران استفاده کنند، آیا سیستم دفاعی ما آماده است؟»

چهار تغییر که بانک‌ها باید از همین حالا جدی بگیرند

۱. مدیریت آسیب‌پذیری باید از حالت «لیست بلندبالا» خارج شود

داشتن هزاران هشدار امنیتی به‌تنهایی نشانه امنیت نیست.

بانک باید بتواند تشخیص دهد:

کدام آسیب‌پذیری واقعاً قابل سوءاستفاده است؟

کدام سیستم را تحت تأثیر قرار می‌دهد؟

آیا مسیر دسترسی به آن وجود دارد؟

اگر مورد سوءاستفاده قرار گیرد، چه میزان خسارت ایجاد می‌کند؟

یعنی از Vulnerability Management به سمت Risk-Based Vulnerability Management حرکت کند.

۲. AI دفاعی باید اولویت‌بندی کند، نه فقط هشدار تولید کند

اگر AI فقط هزاران هشدار جدید تولید کند، ممکن است مشکل را بزرگ‌تر کند.

AI دفاعی باید بتواند هشدارها را با عواملی مانند:

• شدت آسیب‌پذیری
• ارزش دارایی
• قابلیت دسترسی
• احتمال سوءاستفاده
• وجود Exploit
• حساسیت داده
• وابستگی‌های زیرساختی

ترکیب کند.

هدف نهایی باید این باشد:

کمترین زمان برای رسیدن به مهم‌ترین خطر.

۳. وابستگی‌های مشترک باید مرتباً آزمایش شوند

حادثه چهار بانک ایران یک درس مهم درباره زیرساخت‌های مشترک دارد.

اگر چند بانک یا چند سرویس به یک زیرساخت وابسته‌اند، باید پرسید:

اگر این نقطه فردا از دسترس خارج شود، چند سرویس دیگر همزمان آسیب می‌بینند؟

این موضوع فقط بحث امنیت نیست؛ بحث تاب‌آوری سایبری است.

بانک‌ها باید برای نقاط مشترک، سناریوهای خرابی و حمله را به‌صورت منظم آزمایش کنند.

۴. Agentها باید مانند یک کاربر بسیار قدرتمند مدیریت شوند

اگر بانک‌ها خودشان از AI Agent استفاده کنند، نباید به Agent دسترسی نامحدود داده شود.

یک Agent نباید صرفاً به این دلیل که «هوش مصنوعی است» بتواند:

به همه داده‌ها دسترسی داشته باشد،

هر API را فراخوانی کند،

هر تغییری ایجاد کند

یا

به اینترنت بدون محدودیت متصل شود.

اصل مهم باید این باشد:

کمترین دسترسی، بیشترین نظارت.

هر Agent باید هویت، مجوز، محدوده دسترسی و لاگ فعالیت مشخص داشته باشد.

یک تهدید جدید: «زندگی کردن از طریق Agent»

یکی از سناریوهای آینده این است که مهاجم به جای ساختن یک ابزار مخرب کاملاً جدید، از ابزارهای AI مجاز سازمان سوءاستفاده کند.

مثلاً اگر یک Agent داخلی بانک اجازه دسترسی به اطلاعات خاصی داشته باشد، مهاجم ممکن است تلاش کند آن Agent را وادار کند کاری خارج از هدف اصلی خود انجام دهد.

در این حالت، مهاجم الزاماً بدافزار جدیدی وارد شبکه نکرده است.

ممکن است از ابزار قانونی موجود در سازمان استفاده کرده باشد.

این موضوع اهمیت کنترل Prompt، ابزارها، مجوزها، داده‌های ورودی و خروجی Agentها را بیشتر می‌کند.

سه سناریو برای آینده بانکداری ایران

سناریوی اول: AI به نفع مدافعان تمام می‌شود

بانک‌ها AI را برای کشف سریع آسیب‌پذیری، تحلیل لاگ، تشخیص رفتار غیرعادی و اولویت‌بندی خطرها به کار می‌گیرند.

نتیجه:

سرعت دفاع افزایش پیدا می‌کند.

سناریوی دوم: مهاجم سریع‌تر می‌شود، مدافع نه

مهاجمان از Agentها برای شناسایی و تحلیل اهداف استفاده می‌کنند، اما فرآیند اصلاح در سازمان همچنان دستی، کند و وابسته به چند تیم مختلف باقی می‌ماند.

نتیجه:

تعداد آسیب‌پذیری‌های کشف‌شده افزایش می‌یابد اما سرعت اصلاح ثابت می‌ماند.

این همان سناریویی است که هشدار FCA درباره آن اهمیت پیدا می‌کند.

سناریوی سوم: مسابقه AI با AI

بانک‌ها و مهاجمان هر دو از Agentهای خودکار استفاده می‌کنند.

در این شرایط، زمان واکنش از روز و ساعت به دقیقه و ثانیه نزدیک می‌شود.

در چنین محیطی، تیمی که فرآیندهای کندتر، دسترسی‌های بیش از حد یا وابستگی‌های مشترک بیشتری داشته باشد، آسیب‌پذیرتر خواهد بود.

مهم‌ترین درس برای ایران چیست؟

حادثه چهار بانک ایران نشان داد که وابستگی مشترک می‌تواند دامنه اثر یک حمله را افزایش دهد. هشدار جدید FCA نیز نشان می‌دهد که در عصر Frontier AI، سرعت کشف آسیب‌پذیری ممکن است از سرعت اصلاح آنها جلو بزند.

ترکیب این دو درس یک نتیجه مهم دارد:

امنیت بانک‌ها دیگر فقط مسئله «پیدا کردن هکر» نیست.

بانک باید بتواند:

سریع کشف کند،

سریع اولویت‌بندی کند،

سریع تصمیم بگیرد،

سریع مهار کند،

و مهم‌تر از همه،

بداند اگر یک نقطه از زیرساخت از کار افتاد، چه تعداد سرویس دیگر تحت تأثیر قرار می‌گیرند.

آینده‌ای که باید از امروز برای آن آماده شد

هوش مصنوعی احتمالاً در سال‌های آینده تعداد زیادی از کارهای امنیتی را سریع‌تر خواهد کرد.

اما یک تناقض مهم وجود دارد:

همان فناوری‌ای که می‌تواند به بانک کمک کند هزاران ضعف را پیدا کند، می‌تواند به مهاجم نیز برای پیدا کردن نقاط ضعف کمک کند.

بنابراین برنده آینده الزاماً بانکی نیست که بیشترین ابزار امنیتی را خریداری کرده است.

برنده بانکی است که بتواند بین:

کشف → تحلیل → اولویت‌بندی → اصلاح → نظارت → واکنش

یک زنجیره سریع و قابل اعتماد ایجاد کند.

حادثه‌های بانکی سال ۱۴۰۵ نشان دادند که یک نقطه مشترک می‌تواند اثر بزرگی ایجاد کند.

و Frontier AI یک سؤال جدید به این معادله اضافه کرده است:

اگر مهاجم فردا بتواند آسیب‌پذیری آن نقطه مشترک را قبل از تیم امنیتی پیدا کند، چه کسی سریع‌تر واکنش نشان خواهد داد؟

شاید نبرد اصلی امنیت بانکی در سال‌های آینده نه بر سر این باشد که چه کسی آسیب‌پذیری را پیدا می‌کند؛ بلکه بر سر این باشد که چه کسی زودتر می‌تواند آن را ببندد.
منبع:

AI spots cyber gaps faster than financial firms can fix them