در حالی که هوش مصنوعی در دستان مجرمان سایبری به ابزاری برای پیچیده‌تر کردن کلاهبرداری‌ها تبدیل شده است، متخصصان امنیتی نیز در یک چرخش استراتژیک، از همین فناوری برای مقابله با آن‌ها استفاده می‌کنند. شرکت‌های نوآور و محققان دانشگاهی اکنون با توسعه «قربانیان مصنوعی»، کلاهبرداران را در چرخه‌های بی‌پایان گفتگو گرفتار کرده و منابع آن‌ها را به هدر می‌دهند.
استراتژی «قربانی بی‌نقص»: معرفی پلتفرم Apate
شرکت استرالیایی Apate، با الهام از اساطیر یونان، رویکردی جسورانه برای مقابله با کلاهبرداری‌های تلفنی اتخاذ کرده است. این پلتفرم با استفاده از شبکه‌ای متشکل از ۳۵۰ هزار بات هوشمند، به تماس‌های کلاهبرداران پاسخ داده و با شبیه‌سازی رفتارهای انسانی، آن‌ها را برای ساعت‌ها در گفتگوهای بی‌نتیجه سرگرم می‌کند. هدف اصلی این استراتژی، گرفتن وقت کلاهبردار است؛ چرا که هر دقیقه صرف شده با یک بات، به معنای عدم دسترسی کلاهبردار به یک قربانی واقعی است.
هوش مصنوعی در نقش جاسوس: جمع‌آوری هوشمندانه داده‌ها
این بات‌ها تنها به پاسخ دادن تماس‌ها محدود نمی‌شوند؛ آن‌ها در گروه‌های چت کلاهبرداران نفوذ کرده و به پیام‌های متنی نیز پاسخ می‌دهند. این پلتفرم تا به امروز بیش از ۲۵۰ هزار داده حیاتی شامل آدرس‌های وب‌سایت‌های فیشینگ، شماره‌حساب‌های پول‌شویی و جزئیات بانکی گردآوری کرده است. بات‌ها با داشتن پروفایل‌های مختلف، مهارت‌های زبانی متنوع و رفتارهای پیش‌بینی‌ناپذیر، چنان واقع‌گرایانه عمل می‌کنند که کلاهبرداران اغلب پس از دو ساعت گفتگو نیز متوجه مصنوعی بودن طرف مقابل نمی‌شوند.
تکامل Honeypotها با مدل‌های زبانی بزرگ (LLM)
مفهوم قدیمی «هانی‌پات» (Honeypot) که برای فریب مهاجمان و تحلیل روش‌های آن‌ها استفاده می‌شد، اکنون با قدرت هوش مصنوعی متحول شده است. محققان دانشگاه ETH Zurich در پژوهش‌های اخیر خود دریافته‌اند که تزریق مدل‌های زبانی بزرگ (LLMs) به هانی‌پات‌ها باعث می‌شود مهاجمان مدت زمان بسیار بیشتری را در سیستم‌های جعلی سپری کنند. برخلاف هانی‌پات‌های قدیمی با رفتارهای قابل پیش‌بینی، هانی‌پات‌های مجهز به هوش مصنوعی با شبیه‌سازی رفتارهای انسانی، نرخ شناسایی شدن توسط ابزارهای تهاجمی خودکار را به شدت کاهش داده‌اند.
مشخصات و ابعاد فنی سیستم‌های دفاعی هوشمند
- پلتفرم Apate: استفاده از ۳۵۰ هزار بات برای اشغال خطوط کلاهبرداران.
- مکانیزم پاسخ‌دهی: مدل‌های زبانی برای حفظ انسجام گفتگو و مدیریت شخصیت‌های انسانی (Persona).
- هانی‌پات‌های مدرن: یکپارچه‌سازی LLM جهت فریب مهاجمان در سطح زیرساخت (Virtual Machines).
- داده‌های جمع‌آوری شده: استخراج خودکار URLهای مخرب، شماره حساب‌های مالی و متدولوژی‌های فریب.
- هدف عملیاتی: خنثی‌سازی عملیات در مقیاس صنعتی با هدف قرار دادن «آسیب‌پذیری‌های روانشناختی» کلاهبرداران.
نتیجه‌گیری و آینده امنیت سایبری
اگرچه هوش مصنوعی هنوز نمی‌تواند به طور کامل بساط کلاهبرداری‌های دیجیتال را برچیند، اما تغییر مدل «مدافع» از حالت انفعالی به تهاجمی (Offensive Defense) نشان‌دهنده عصر جدیدی در امنیت سایبری است. همکاری میان سازمان‌های انتظامی، بانک‌ها و شرکت‌های فناوری با بهره‌گیری از تحلیل داده‌های بلادرنگ توسط هوش مصنوعی، می‌تواند به ایجاد یک سد دفاعی منسجم علیه مجرمان سازمان‌یافته کمک شایانی کند.
