در تحولی نگران‌کننده در پاییز ۱۴۰۴، مقامات امنیتی کره جنوبی تحقیقات گسترده‌ای را درباره سلسله حملات سایبری به بانک‌های تراز اول این کشور آغاز کرده‌اند که نشان می‌دهد مهاجمان با بهره‌گیری از عوامل هوش مصنوعی (AI Agents)، موفق به نفوذ و سرقت اطلاعات حساس بیش از ۲۵ هزار مشتری شده‌اند. این رخداد، زنگ خطری جدی برای سیستم‌های بانکی در سراسر جهان است که نشان می‌دهد سد نفوذناپذیری دانش تخصصی در حال فروپاشی است.
تحلیل ابعاد نفوذ و بازه زمانی رخدادها
بر اساس گزارش‌های رسمی، در هفته‌های اخیر، زیرساخت‌های بانکی کلیدی کره جنوبی از جمله Hana Bank، KB Kookmin Bank و Shinhan Bank هدف حملات سایبری سازمان‌یافته قرار گرفتند. شدت این حملات به‌گونه‌ای بود که در Shinhan Bank به‌تنهایی اطلاعات اعتباری ۲۵ هزار مشتری به سرقت رفته است. همچنین در بانک Kookmin، ده‌ها مشتری و کارمند فعلی و پیشین هدف قرار گرفته و در Hana Bank نیز ۸۹ رکورد اطلاعاتی نشت کرده است. مقامات کره جنوبی تأکید کرده‌اند که ماهیت این حملات با روش‌های سنتی متفاوت بوده و استفاده از مدل‌های هوش مصنوعی برای خودکارسازی فرآیند نفوذ، مشهود است.
هوش مصنوعی به عنوان ضرب‌کننده قدرت (Force Multiplier)
رئیس‌جمهور کره جنوبی در نشست کابینه با ابراز نگرانی شدید اعلام کرد که اکنون استفاده از هوش مصنوعی به مهاجمان اجازه می‌دهد بدون داشتن مهارت‌های فنی سطح بالا یا دانش عمیق در زمینه اکسپلویت‌نویسی، به سادگی به سیستم‌های امنیتی رخنه کنند. این ابزارها با تحلیل خودکار نقاط ضعف سیستم‌ها (Reconnaissance)، شناسایی حفره‌های امنیتی در لایه‌های نرم‌افزاری و حتی اجرای کدهای مخرب، فرآیند حمله را از یک فرآیند پیچیده و زمان‌بر به یک عملیات سریع و مقیاس‌پذیر تبدیل کرده‌اند.
ویژگی‌های فنی حملات مبتنی بر هوش مصنوعی
- خودکارسازی عملیات (Recon & Execution): استفاده از مدل‌های زبانی برای شناسایی خودکار حفره‌های Zero-day در زیرساخت‌های تحت وب.
- فریب مدل‌های محافظتی: دور زدن Guardrails در مدل‌های تجاری از طریق تکنیک‌های Prompt Injection.
- پایداری عملیاتی: استفاده از مدل‌های Open-weights برای حذف محدودیت‌های اخلاقی و پروتکل‌های امنیتی توسعه‌دهندگان بزرگ.
- سرعت عمل: کاهش چشمگیر فاصله زمانی بین کشف آسیب‌پذیری و بهره‌برداری (Exploitation).
چالش مدل‌های متن‌باز و خلأهای امنیتی
در حالی که شرکت‌های پیشرو در حوزه هوش مصنوعی مانند Anthropic و OpenAI تلاش می‌کنند محدودیت‌های امنیتی شدیدی روی مدل‌های خود اعمال کنند، مدل‌های متن‌باز (Open-source) و با وزن‌های باز (Open-weights) اغلب فاقد این سدها هستند. مهاجمان با بهره‌گیری از مدل‌های محلی و تغییریافته، بدون نظارت شرکت‌های سازنده، محیطی آزمایشگاهی برای اجرای حملات سایبری فراهم می‌کنند. این موضوع در کنار توانایی مدل‌ها برای یادگیری مسیرهای نفوذ (مانند آنچه در نفوذ به مخازن کدهای داخلی OpenAI رخ داد)، امنیتِ تولیدکنندگان هوش مصنوعی را نیز به خطر انداخته است.
پیش‌بینی آینده؛ عبور از مرزهای دانش
کارشناسان امنیتی هشدار می‌دهند که این حملات نشان‌دهنده تغییر پارادایم در فضای سایبری است. اگر تا پیش از این، مهاجمان نیازمند سال‌ها تجربه برای درک زیرساخت‌های بانکی بودند، اکنون با توصیفِ هدف به یک مدل هوش مصنوعی، می‌توانند مراحل مهندسی معکوس و حمله را به صورت خودکار پیش ببرند. حفاظت از داده‌ها در این شرایط مستلزم به‌کارگیری سیستم‌های تشخیص نفوذ مبتنی بر رفتار (Behavioral-based IDS) است که بتواند الگوهای غیرعادی حاصل از تعاملات ماشین با ماشین را شناسایی کند.
