در رویدادی که بحث‌های داغی را پیرامون اخلاق در استخراج داده‌های کلان و مرزهای میان «جمع‌آوری داده» (Data Scraping) و «نفوذ سایبری» ایجاد کرده، یک پژوهشگر امنیت گزارش داده است که عوامل هوش مصنوعی (AI Agents) مرتبط با زیرساخت‌های OpenAI، وب‌سایت آماری UNCTADstat وابسته به سازمان ملل متحد را بیش از ۱۶٬۵۰۰ بار در بازه زمانی ۲۴ فروردین تا ۳۰ خرداد ۱۴۰۳ (۱۳ آوریل تا ۱۹ ژوئن ۲۰۲۴) اسکن کرده‌اند.
مهندسی دور زدن محدودیت‌ها: از فیلترشکن تا کدهای مخرب
بر اساس تحلیل‌های منتشر شده توسط روان هاوارد-جونز (Rowan Howard-Jones) در مهرماه ۱۴۰۳، این عوامل هوش مصنوعی با بهره‌گیری از متدهای پیچیده فنی، پروتکل‌های امنیتی وب‌سایت سازمان ملل را به چالش کشیده‌اند. نکته قابل تامل اینجاست که این ربات‌ها در مواجهه با محدودیت‌های دسترسی، از روش‌های فنی غیراستانداردی استفاده کرده‌اند. برای نمونه، وب‌سایت UNCTADstat برای دریافت درخواست‌های داده، تنها از متد POST پشتیبانی می‌کند، اما عوامل هوش مصنوعی با ارسال لینک‌ها به ابزار Urlquery (یک ابزار بررسی امنیتی که لینک‌ها را در محیطی ایزوله باز می‌کند)، موفق شدند فرم‌های خودکارِ مبتنی بر POST را روی سرور هدف اجرا کنند.
استفاده از زیرساخت‌های متفرقه برای پنهان‌سازی
تحلیل‌های هاوارد-جونز نشان می‌دهد که این فعالیت‌ها صرفاً یک اسکن ساده نبوده است. در میان شواهد ارائه شده، ارجاعاتی به تگ‌های شناسایی نظیر CHATGPTTEST1 و OAI_META_1312 دیده می‌شود. همچنین، مهاجمان از آدرس‌های IP متعلق به مایکروسافت آژور (Microsoft Azure) استفاده کرده‌اند که پیش‌تر در فعالیت‌های مشابهی (نظیر پرونده DseWiki) که توسط خود OpenAI تایید شده بود، مشاهده شده بودند. این ربات‌ها برای عبور از فیلترهای امنیتی، از متدهای Double Encoding استفاده کرده‌اند تا نام Endpoint اصلی را از دید سیستم‌های نظارتی مخفی نگه دارند و حتی از زیرساخت‌های آموزشی Google XSS Game برای میزبانی اسکریپت‌های مخرب خود بهره برده‌اند.
مشخصات فنی و یافته‌های کلیدی:
- بازه زمانی: ۲۴ فروردین تا ۳۰ خرداد ۱۴۰۳
- تعداد درخواست‌ها: بیش از ۱۶٬۵۰۰ مورد
- متدهای دور زدن: استفاده از Urlquery، Double Encoding، و Proxy Relay
- هدف: استخراج داده‌های تجاری، کشاورزی و ظرفیت‌های تولیدی UNCTAD
- وضعیت حقوقی: دسترسی به داده‌های کاملاً عمومی بوده و مستقیماً «هک» محسوب نمی‌شود، اما با رویکردهای Aggressive Data Gathering همسو است.
مرز باریک میان جمع‌آوری داده و فعالیت مخرب
الکس استاموس، استاد امنیت سایبری دانشگاه استنفورد، در تحلیل این رویداد می‌گوید که اگرچه داده‌ها عمومی بوده‌اند، اما استفاده از تکنیک‌های دور زدن فیلتر و رمزگذاری برای دسترسی به یک زیرساخت دولتی/بین‌المللی، فراتر از رفتار معمول ربات‌های خزشگر (Crawler) استاندارد است. این رویداد بار دیگر ضرورت بازنگری در پروتکل‌های احراز اصالت برای عوامل هوش مصنوعی را یادآور می‌شود؛ چرا که این ربات‌ها نه تنها به پهنای باند و منابع محاسباتی هدف آسیب می‌زنند، بلکه با ابزارهایی که برای «نفوذ» طراحی شده‌اند، امنیت زیرساخت‌های حساس را در هاله‌ای از ابهام قرار می‌دهند.
پاسخ OpenAI و پیامدهای آینده
شرکت OpenAI اعلام کرده است که در حال بررسی گزارش‌های منتشر شده است و به تیم‌های امنیتی سازمان ملل پیشنهاد برگزاری جلسات توجیهی ارائه داده است. با این حال، تکرار چنین رخدادهایی پس از جنجال‌هایی نظیر نشت بسته‌های RubyGems در اردیبهشت ماه، زنگ خطری جدی برای توسعه‌دهندگان زیرساخت‌های وب است. اکنون سوال اصلی این است که در عصر هوش مصنوعی خودمختار، چگونه می‌توان ترافیک «مفید» AI را از «ترافیک مخرب» آن تفکیک کرد، بدون آنکه دسترسی عمومی به دانش و داده‌های آزاد محدود شود.
