پیمایش در "عادی جدید": بهره برداری ها و اکتشافات مبتنی بر هوش مصنوعی

از زمان راه اندازی Anthropic's Mythos، بحث در مورد خطراتی که ابزارهای مبتنی بر هوش مصنوعی برای تیم های امنیتی ایجاد می کنند، به طور پیوسته افزایش یافته است.

با این حال، اساسا، اهداف حمله تغییر نمی کنند: تغییر بزرگ در مقیاس و سرعت است. هوش مصنوعی آسیب‌پذیری‌های بیشتری را پیدا می‌کند و به تیم‌های امنیتی فرصت بیشتری برای مقابله با آنها می‌دهد. اما در عین حال، هوش مصنوعی مانع فنی برای بهره برداری را کاهش می دهد. نتیجه وضعیتی است که در آن بازه زمانی که تیم ها باید پاسخ دهند به شدت کاهش یافته است.

این پیامدهای روشنی برای نحوه رویکرد سازمان‌ها به مدیریت مواجهه دارد و نیاز به راه‌حل‌هایی را تقویت می‌کند که به تیم‌های امنیتی و فناوری اطلاعات کمک می‌کند در میان این واقعیت جدید ایمن بمانند.

تشخیص آسیب پذیری در حال تسریع است

به‌روزرسانی اولیه Project Glasswing بر قدرت مدل Mythos تأکید می‌کند که گمانه‌زنی‌ها و نگرانی‌های زیادی را برانگیخته است.

در حدود یک ماه، Mythos و حدود 50 سازمان شریک گزارش شده است که بیش از 10000 آسیب‌پذیری با شدت بالا و بحرانی را شناسایی کردند که 6202 آسیب‌پذیری بالا/بحرانی در بیش از 1000 پروژه منبع باز یافت شد.

شکی نیست که Mythos بسیار مهم است و قابلیت های آن نقطه عطف مهمی است، اما شکاف بین مهاجمان و مدافعان مدتی است که بیشتر شده است. تیم های امنیتی با حجم فزاینده ای از CVE ها مواجه شده اند. در سال 2025، حدود 48185 CVE منتشر شد که رشد 20.6 درصدی نسبت به سال قبل را نشان می‌دهد و به طور منطقی می‌توان انتظار داشت که پیشرفت در ابزارهای هوش مصنوعی برای سال‌های آینده به این روند ادامه دهد.

همه اینها عواقب بزرگی برای تیم های امنیتی دارد. همانطور که تجزیه و تحلیل اتحاد امنیت ابری گزارش داده است، قابلیت‌های Mythos به معنای تعداد و فراوانی حملات پیچیده و جدید در کنار نیاز به اصلاح و پاسخ به آسیب‌پذیری‌ها، سوء استفاده‌ها و حملات خودکار کشف‌شده توسط هوش مصنوعی است.

دستگاه های فروش 0 روزه، بدون نیاز به Mythos

محدود کردن دسترسی به Mythos و دیگر مدل‌های بسیار توانمند یک حفاظت عملی نیست. تحقیق و آزمایش ما قابلیت‌های LLMهای دسترسی عمومی را در یافتن و بهره‌برداری از آسیب‌پذیری‌های جدید در صورت درخواست متخصصان امنیتی با تجربه نشان می‌دهد.

یکی از محققان امنیتی ما یک خط لوله تحقیقاتی آسیب پذیری خودکار ایجاد کرد، بدون اینکه انسانی در حلقه باشد. در اولین استقرار، این یک آسیب‌پذیری تزریق SQL از راه دور و چند مرحله‌ای را پیدا کرد که روی 300000 افزونه وردپرس قرار داشت، فرآیندی که از کشف تا بهره‌برداری کاملا خودکار بود. این یافته، که با یک کشف مستقل توسط محقق دیگر همسو بود، به CVE 2026 3985 اختصاص یافت و به طور عمومی افشا شد.

و این فقط قدرت هوش مصنوعی در یافتن آسیب‌پذیری‌ها نیست که باید باعث نگرانی شود. حملات مبتنی بر هوش مصنوعی می‌توانند در خودکارسازی کل تلاش برای اخاذی قدمی فراتر بگذارند. یک عامل می‌تواند به‌طور مستقل اکسپلویت را ایجاد و ارسال کند، سپس مانند زمانی که یک اپراتور به نام JadePuffer، از سرور آسیب‌پذیر Langflow سوء استفاده کرد، اعتبارنامه‌ها را جمع‌آوری کرد، 1300 رکورد پایگاه داده را در یک عملیات باج‌افزاری انتها به انتها رمزگذاری کرد، درخواست باج کند.

سطح حمله را به عنوان اولین خط دفاعی کاهش دهید

این «عادی جدید» ما است و مدل‌های LLM مفروضات قدیمی در مورد سرعت مدیریت آسیب‌پذیری را تغییر داده‌اند. پنجره ای که بین کشف آسیب پذیری، CVE های اختصاص داده شده و اقدامات دفاعی در حال انجام وجود داشت، اساسا تغییر کرده است.

این فقط مربوط به زمان واکنش نیست. تیم ها همچنین باید اقدامات پیشگیرانه ای برای کاهش سطح حمله خود انجام دهند، زیرا اگر دارایی ها در وهله اول به طور غیرضروری در معرض دید قرار نگرفته باشند، می توان از مسابقه تا پچ کاملا اجتناب کرد. این در مورد نبرد در دو جبهه است. بستن پنجره بین تشخیص آسیب‌پذیری و اصلاح و انجام اقدامات پیشگیرانه برای کوچک‌تر کردن هدفی که مهاجمان در وهله اول آن را هدف قرار می‌دهند.

اینها باید دست به دست هم بدهند، زیرا بسیاری از تیم‌ها بر روی وصله موارد آسیب‌پذیر تمرکز می‌کنند، اما آنها همچنین باید این سوال را بپرسند که آیا اصلا باید افشا شود یا خیر. کاهش سطح حمله، حوزه ای است که بسیاری از سازمان ها ممکن است با آن دست و پنجه نرم کنند، اما هر دارایی که به طور غیرضروری در معرض اینترنت قرار می گیرد، اکنون بسیار بیشتر از هر زمان دیگری خطر دارد.

سرویس‌های افشا شده، مانند گذاشتن یک پایگاه داده MySQL یا اسناد API خصوصی در معرض اینترنت، یک دعوت باز برای مهاجمان است و اغلب حتی برای بهره‌برداری نیازی به CVE ندارند. این درب را برای حملات خودکار و با سرعت بالا باز می کند.

همیشه در مدیریت نوردهی

زمانی که زمان بهره برداری به ساعت کاهش می یابد، دومین حوزه تمرکز اصلی برای تیم های امنیتی کاهش فاصله بین کشف و اصلاح است.

یافتن و رفع آسیب‌پذیری‌ها هم به زمینه و هم به ترتیب نیاز دارد. Pentesting عمق و زمینه را فراهم می کند اما یک فعالیت "نقطه ای در زمان" است و تحقیقات عمیق مکرر می تواند برای بسیاری از سازمان ها هزینه زیادی داشته باشد. اسکن آسیب پذیری سرعت را فراهم می کند، اما نمی تواند تفسیر کند که آیا آنچه پیدا شده برای محیط کسب و کار شما اهمیت دارد یا خیر.

اینجاست که هوش مصنوعی می‌تواند به شما کمک کند و در حالی که آزمایش سنتی فورا ناپدید نمی‌شود، ما در آغاز دورانی هستیم که در آن هوش مصنوعی راه جدیدی برای پشتیبانی از کاری که تحلیلگران و مهندسان امنیت انسانی انجام می‌دهند ارائه می‌دهد.

ارزش آن در هشدار دادن فوری به تیم ها در مورد خطرات جدید، توانایی به کارگیری یک آزمون در هر نسخه اصلی برای کسری از هزینه یک تعامل دستی، عواملی است که می توانند به طور فعال یافته ها را با استفاده از همان روش های به کار گرفته شده توسط کارشناسان امنیت انسانی بررسی و تأیید کنند، و ادغام با ابزارهایی که تیم شما برای رساندن مشکلات به افراد مناسب برای رفع سریع، استفاده می کنند.

به این ترتیب، تیم های کشیده می توانند با چشم انداز تهدید در حال ظهور همگام شوند. هوش مصنوعی به تیم‌ها کمک می‌کند تا از آخرین مایل عبور کنند - تأیید یافته‌ها، کاهش مثبت‌های کاذب و ارائه زمینه لازم.

این هنوز روزهای نسبتا اولیه است و چارچوب‌های مربوط به پنتست که توسط حسابرسان، بیمه‌گران و سازمان‌های انطباق استفاده می‌شود، باید تکامل یابد. اما نشانه ها حاکی از آن است که این دوره جدید نیاز به آزمایش مداوم به عنوان تمرین استاندارد دارد.

این مورد نیاز است زیرا Mythos و سایر مدل‌های LLM، هر کسی را که هنوز طبق جدول زمانی دیروز کار می‌کند مجازات می‌کند. اصول اولیه کاهش قرار گرفتن در معرض، اعتبارسنجی آنچه واقعی است، و رهایی افراد ماهر از سر و صدا تغییر نکرده است. چیزی که تغییر کرده این است که زمان کمی برای درست کردن آنها باقی مانده است.

ما بهترین نرم افزار حفاظت نقطه پایانی را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit