در ماه گذشته، شمار چارچوبهای تست نفوذ و هماهنگسازی مبتنی بر مدلهای زبانی بزرگ (LLM) بهشدت افزایش یافته است. تنها چند هفته پیش، ARTEX — یک سامانهٔ متنباز تست نفوذ عاملمحور که گردشکارهای امنیت تهاجمی را خودکار میکند — تنها چارچوب موجود بود. فقط در سه روز گذشته، شاهد بودهایم که بیش از ۵۰ خانوادهٔ چارچوب تلاش کردهاند مشتریان Cloudflare را در سراسر جهان اسکن کنند. شمار نشانیهای پروتکل اینترنت (IP) که این چارچوبها را اجرا میکنند به هزاران رسیده و هر روز بیشتر میشود. گسترش این چارچوبها وضعیت موجود در دفاع سایبری را بهطور چشمگیری تغییر داده است: مدافعان بهسختی میتوانند با حجم این حملاتِ خودمختار همگام شوند.
Autumn-27 (سازندهٔ ARTEX) در ۸ اکتبر ARTEX را از دسترس خارج کرد. («بهرهبرداری مخرب از این ابزار کاملاً خلاف هدف اولیهٔ آن است»، به چینی نوشت.) اما در ماه پس از آن، این اکوسیستم با نسخههای تازه و پراکندهٔ آن منفجر شد. اکنون بیش از ۱۲٬۰۰۰ مخزن وجود دارد و چند صد انشعاب یکتا نیز تبار خود را به مخزن اصلی میرسانند. علاوه بر این، از ۸ اکتبر صدها چارچوب هماهنگسازی عاملمحور مشابه دیگر ساخته شده است. درخواستهای روزانهٔ ابزارهای تست نفوذ و بهرهبرداری مبتنی بر هوش مصنوعی از ۱ اکتبر ۳۰ برابر شده است. این ابزارها در برخی از حملات پیچیدهتر، مانند حرکت جانبی زنجیرهای در سراسر یک محیط، شروع به زنجیرهکردن اعتبارنامههای سرقتشدهٔ مشتریان کردهاند.
انتظار داریم این چارچوبها به گسترش خود ادامه دهند و هر سازمانی باید برای مقابله با این تهدید آماده باشد. برای مقابله با چارچوبهای تست نفوذ مبتنی بر LLM، توصیه میکنیم همهٔ سازمانها آنچه را ما «مدل امنیتی مدرن (Modern Security Model)» مینامیم بپذیرند؛ مدلی که شش ستون کلیدی دارد:
تقویت دروازهٔ ورودی: پیادهسازی فایروال برنامهٔ وب (WAF) با قواعد پیشرفته مانند محدودیت نرخ درخواست.
ایستگاه امنیتی در سرسرا: تشخیص ناهنجاری در همهٔ برنامههای وبی که مشتریان شما به آنها دسترسی دارند.
شناسایی بازدیدکنندگان جعلی: پیادهسازی Bot Defense.
بستن درِ پشتی: پیادهسازی دسترسی مبتنی بر هویت (Identity-Gated Access) برای همهٔ برنامههای وب خارجی و داخلی پرخطر.
بازرسی محمولهها: اعمال طرحوارههای اعتبارسنجیشده و کنترلهای امنیتی صریح.
گشت محله: پیادهسازی اطلاعات تهدید (Threat Intelligence) برای کسب دید نسبت به حملات.
هماهنگساز تست نفوذ و بهرهبرداری مبتنی بر LLM چیست؟
چارچوبهای متنباز تست نفوذ میتوانند عاملهای هوش مصنوعی را هماهنگ کنند تا مراحل زنجیرهٔ کشتار سایبری (Cyber Kill Chain) سنتی را در مقیاس بزرگ اجرا کنند. ابزارهایی مانند ARTEX میتوانند بهسرعت پروتکل Model Context Protocol (MCP) موجود را وصل کنند و ابزارهای مستقل سنتی تست نفوذ را به شیوههای تازه به هم متصل کنند. برخی حتی به اپراتور اجازه میدهند نوع وظیفهای را که باید انجام شود مشخص کند. این ابزارها میتوانند محیطها را هم از داخل و هم از خارج نقشهبرداری و شمارش کنند. ARTEX و انشعابهایش داراییها و محیطها را روی یک گراف نقشهبرداری میکنند و به چندین عامل موازی و مستقل اجازه میدهند با سرعت استنتاج، شمارش، راستیآزمایی، نمونهسازی و حمله کنند. این ابزارها نفوذ را به مسئلهای تبدیل میکنند که میتوان آن را گامبهگام بالا رفت؛ کاری که عاملها در آن بهطور خاص مهارت دارند.
ابزارهای تست نفوذ LLM که اکنون وجود دارند
ما در حال حاضر بیش از ۵۰ عامل LLM را رصد میکنیم. جدول زیر پنج هماهنگساز برتر تست نفوذ و بهرهبرداری LLM را نشان میدهد. هر یک بسیار محبوب (بیش از ۱ هزار ستاره در GitHub) و کاملاً خودمختار است. ماهیت کاملاً خودمختار این عاملها نشاندهندهٔ تغییری بنیادین در توانمندیهای تهاجمی سایبری است:
مهارت انسانی دیگر محدودیت نیست: هارنس (چارچوب اجرایی عامل) هر مرحله از حلقهٔ OODA را با مشاهدهٔ محیط، جهتیابی برای اولویتدادن به اهداف ارزشمند و/یا آسیبپذیر، تصمیمگیری دربارهٔ یک اقدام و اجرای خودمختار آن انجام میدهد.
افزایش سرعت: کار چندین عامل موازی بهسوی یک هدف، تغییری بزرگ در مقایسه با یک اپراتور تنها یا چند اپراتور تقویتشده با هوش مصنوعی است.
مقیاس: یک اپراتور تنها میتواند همزمان چندین سازمان را هدف بگیرد و دامنهٔ اثر خود را بسیار گستردهتر کند.
اشتباهات کوچک بهراحتی کشف میشوند: چارچوبهای خودمختار بیوقفه و نظاممند سرویسهای در معرض دسترس، از جمله پیکربندی آنها را آزمایش میکنند.
| معماری | مدل برنامهریزی | قابلیتها/محیط اجرای داخلی | قابلیتهای پس از نفوذ
ARTEX (و انشعابهایش) | برنامهریز و عاملهای موازی | گراف اهداف، سرنخها و یافتهها به گراف دارایی جداگانهٔ هدف متصل است | مستقیماً روی میزبان یا کانتینر با دسترسی شبکه/ریشه؛ میتواند در صورت نیاز ابزار نصب یا توسعه دهد | هیچ قابلیت داخلی ندارد و به دستور کاربر نیاز دارد
LuaN1aoAgent | عامل ناظر، عامل برنامهریز و عاملهای اجرایی عمومی | سه گراف شامل اهداف/وظایف/موانع، شواهد/فرضیهها/بهرهبرداریها و هدف/محلی | کانتینر با دسترسی شبکه/کاربر؛ میتواند در صورت نیاز ابزار توسعه دهد و بستههای کاربر را نصب کند | SSH و Chisel داخلی برای تونلزنی و تلاش برای اتصال مجدد پس از اختلال
Decepticon | عامل هماهنگساز که زیرعاملهای تخصصی را اعزام میکند | گراف اهداف همراه با پیشنیازها | کانتینر Kali که با دسترسی ریشه اجرا میشود و میتواند در صورت نیاز ابزار توسعه دهد | مهارتهای اختصاصی پس از دسترسی، چرخش در Active Directory و ابر
Cairn | توزیعکنندهای که کار را به هارنسهای هوش مصنوعی موجود (Codex، Claude Code، Pi) میسپارد | گراف واقعیتها و سرنخها؛ گرههای تازه توزیعکننده را فعال میکنند | کانتینر Kali با دسترسی ریشه یا مستقیماً روی میزبان؛ میتواند در صورت نیاز ابزار توسعه دهد | راهنمایی مبتنی بر اعلان و ابزارهای Kali
PentestGPT-Agent | عامل ناظر و یک عامل اجرایی عمومی | فهرست وظایف همراه با وابستگیها، اهداف و شواهد | روی میزبان اجرا میشود و میتواند در صورت نیاز ابزار توسعه دهد | هیچ قابلیت داخلی ندارد و به دستور کاربر نیاز دارد
مشاهدات از بزرگترین شبکهٔ جهان
تا ۱۲ نوامبر، ARTEX و انشعابهایش بیش از ۶۰٪ هماهنگسازهای تست نفوذ هوش مصنوعی شناختهشدهٔ کنونی را تشکیل میدهند. نمودارهای زیر به ما کمک میکنند بفهمیم پذیرش این ابزارها در شش هفتهٔ گذشته چگونه تغییر کرده است. از زمان حذف مخزن اصلی ARTEX در ۸ اکتبر، ترافیک بیش از ده برابر شده و از ۱ اکتبر بیش از ۳۰ برابر افزایش یافته است.
همانطور که در بالا نشان داده شد، حذف ARTEX در ۸ اکتبر (و پوشش گستردهٔ خبری آن) احتمالاً اثر هیدرا ایجاد کرده است؛ یعنی حذف مخزن اصلی به افزایش چشمگیر شمار انشعابها و تغییرات انجامیده که در شتاب تند نمونههای یکتا در حدود ۸ اکتبر دیده میشود.
بهرهبرداری LLM با زنجیرهٔ هویت
در هشت هفتهٔ گذشته، تیم Cloudforce One ما به چندین تحقیق پاسخ به حادثه فراخوانده شده است که ARTEX و چارچوبهای بهرهبرداری LLM مشتق از ARTEX در آنها نقش داشتهاند. ما از نزدیک دیدهایم که چگونه اعتبارنامههای در معرض دسترس با چارچوبهای بهرهبرداری مبتنی بر LLM زنجیره میشوند تا برتری را از مدافعان بگیرند. چندین حادثه را مشاهده کردیم که در آنها یک عامل تهدید دسترسی اولیه به محیط یک ابرابریفروش را به دست آورده و مستقیماً به محیط Cloudflare مشتری چرخیده است. تحلیل ریشهای نشان داد یک ضعف مشترک در بهداشت اعتبارنامه وجود داشته است. مهاجمان بارها توکنهای ثابت و بدون تاریخ انقضا را که در خطوط لولهٔ CI/CD اجرا میشدند به خطر انداختند؛ توکنهایی که دسترسی گسترده و فرامحیطی در زیرساخت ابرابریفروش سازمان فراهم میکردند. چارچوبهای LLM احتمال استفادهٔ جانبی از کلید API یک مشتری برای تصاحب محیطهای مستأجران دیگر را بسیار افزایش میدهند.
ARTEX در عمل
در یکی از تحقیقات پاسخ به حادثه، تیم ما مشاهده کرد ARTEX به یک توکن API در سطح حساب که پیشتر برای CI/CD استفاده میشد و هیچ محدودیت IP یا محدودیت نرخ درخواست نداشت، دسترسی پیدا کرده است. شواهد موجود نشان میداد این نفوذ به احتمال زیاد از طریق یک ابرابریفروش ثالث آغاز شده است.
مشاهده کردیم که شمار زیادی اسکریپت Worker تازه با نامهای متمایزی مانند artex-*، artex-pgrecon-*، artex-pgw-* و artex-do-* ایجاد شده بود. نامگذاری هر اسکریپت Worker با رفتارها و اقدامات متمایز آن همخوانی داشت و اغلب پسوندی الفانومریک داشت. ما فعالیتی بیش از ۶۹ درخواست در دقیقه در بخشهای یکتای متعدد زیرساخت Cloudflare آنها و ۴۰۰ درخواست تخلیهٔ پایگاهداده در ساعت مشاهده کردیم. همچنین سازوکارهای تلاش برای ماندگاری و تلاش برای اعتبارسنجی توکنهای نشست برای برنامههای ثالث دیگر را مشاهده کردیم. هرچند معتقدیم بخش زیادی از این فعالیت با راهنمایی سبک اپراتور انسانی انجام شده، این تنها یک نمونه از سرعت و گسترهای است که ARTEX و چارچوبهای مشابه میتوانند پس از نفوذ به دست آورند.
توصیهٔ ما: مدل امنیتی مدرن (Modern Security Model)
مدلهای زبانی بزرگ توانایی یک عامل تهدید را برای تکرار سریع مراحل زنجیرهٔ کشتار سایبری (Cyber Kill Chain) علیه یک هدف افزایش میدهند. آنها این کار را با دادن مزیت سرعت و راستیآزمایی به عامل انجام میدهند. هر مرحله از زنجیرهٔ کشتار سایبری میتواند راستیآزمایی شود و خروجیاش به مرحلهٔ بعدی حمله تغذیه شود. این سطح از هماهنگسازی بیهمتاست و مدلهای امنیتی سایبری قدیمی را عملاً از میان برمیدارد. باید از مدلی مدرن در برابر این حملات استفاده کرد.
برای توضیح بیشتر این مدل، از استعارهٔ محافظت از خانهای در یک املاک استفاده میکنیم. هر بخش زیر شرح میدهد که چگونه در هر مرحله در برابر تهدید دفاع کنیم.
تقویت دروازهٔ ورودی: پیادهسازی کنترل ترافیک و WAF با قواعد پیشرفته
پیش از آنکه کسی حتی پا به چمن شما بگذارد، باید به حصار محیطی برسد.
در املاکی بدون محافظت، دشمن میتواند ناوگانی بیپایان از کامیونهای فریبنده را مستقیم به راهروی ورودی شما براند، ورودی را کاملاً مسدود کند و از موانع عبور کند (سیل حجمی لایهٔ ۳/۴ و کاوش مستقیم IP).
با استقرار امنیت دروازهٔ محیطی، همهٔ ترافیک ورودی از دروازههای بیرونی عظیم و توزیعشده که مایلها دورتر از خانهٔ اصلی قرار دارند عبور میکند. کامیونهای تحویل متقلب به بزرگراه هدایت میشوند، تونلهای خدماتی متقلبی که میخواهند اموال شما را شنود کنند قطع میشوند و تنها ترافیک پیادهٔ مشروع به نشانی خانهٔ شما میرسد.
کنترل ترافیک شبکه نقش مهمی در متوقفکردن حملات حجمی دارد.
ایستگاه امنیتی در سرسرا: تشخیص ناهنجاری
وقتی بازدیدکنندگان به ورودی اصلی میرسند، با یک ایستگاه امنیتی سختگیر در سرسرا روبهرو میشوند.
مهاجمان خودکار فقط در را لگد نمیکنند؛ خود را استتار میکنند. آنها راههای عجیبی برای ورود امتحان میکنند — کاغذ در قفل فرو میکنند، ترکیبهایی مانند //front-door//back-room/ را امتحان میکنند تا سازوکار را فریب دهند و در را باز کنند.
نگهبان در با قواعد روشن عمل میکند:
نمیتوانید در پنج ثانیه ۵۰۰ بار در بزنید.
نمیتوانید مسیر خود را با حیله پنهان کنید.
نمیتوانید تلاش کنید یک گاری تخت بزرگ را از راهروی ورودی بگذرانید و نقشههای داخلی خانه (تخلیههای تشخیصی حافظه) را با خود ببرید. رفتار مشکوک بیدرنگ برگردانده میشود.
کلیدهای امنیتی و کلیدهای سختافزاری FIDO را پیادهسازی کنید.
فایروال برنامهٔ وب (WAF) سازوکار دفاعی کلیدی در متوقفکردن بهرهبرداری از برنامه از طریق محدودیت نرخ درخواست و تشخیص ناهنجاری است.
شناسایی بازدیدکنندگان جعلی: پیادهسازی Bot Defense
مهاجم پیچیده بهندرت شبیه دزدی نقابدار به نظر میرسد؛ خود را بازدیدکنندهٔ عادی جا میزند. اما عاملهای خودکار، خراشدهندههای مرورگر بیرابط و ابزارهای شناسایی هوش مصنوعی مانند افراد واقعی رفتار نمیکنند.
پلک نمیزنند، وضعیت بدنشان بهطور آزاردهندهای سخت است، آهنگ حرکتشان مکانیکی است و «شناسنامه»شان اغلب تقلیدی شلخته از نشان بازدیدکنندهٔ واقعی است.
Bot Defense و چالشها نقش متخصصان رفتاری را بازی میکنند که جمعیت را از پشت شیشهٔ یکطرفه میپایند. آهنگ غیرطبیعی را علامت میزنند، ریزرفتارهای مصنوعی را میگیرند و بیصدا ماشینها را پیش از آنکه به دستگیرهٔ دری دست بزنند از ملک بیرون میبرند.
بستن درِ پشتی: پیادهسازی دسترسی مبتنی بر هویت (Identity-Gated Access) و ریزبخشبندی
بسیاری از خانهها در گذشته با درهای کناری یا دریچهٔ زیرزمین ساخته میشدند (پنلهای مدیریت داخلی، نقاط پایانی تشخیصی /actuator و دروازههای راه دور). حتی اگر قفل باشند، مهاجم میتواند روی پیادهرو بایستد، چراغقوه به درِ زیرزمین بتاباند و شروع به بازکردن قفل کند.
دسترسی صفر اعتماد (Zero Trust) به برنامه کاری رادیکال میکند: درِ ورودی را از بیرون با آجر میبندد و محدود میکند که به کدام اتاقها میتوان وارد شد.
برای هر کسی که در محیط میگردد، درِ زیرزمین وجود ندارد. قفلی برای بازکردن، دستگیرهای برای تکاندادن و نوری درون آن روشن نیست. تنها راه ورود همراهی است که نشان زیستی شما را بررسی میکند، تأیید میکند دستگاه شما سالم است و شما را مستقیماً به اتاق مشخصی که نیاز دارید میبرد — و بقیهٔ خانه از دید خارج میماند.
برای کسانی که وارد میشوند، باید مطمئن شوید نمیتوانند به اتاقهای مجاور اتاقی که وارد شدهاند نفوذ کنند. ریزبخشبندی (micro-segmentation) راهبردی بسیار مؤثر در متوقفکردن حرکت جانبی است. این کار مانع میشود اعتبارنامههای بهخطرافتاده به سامانههای تولید، آزمون و توسعه نفوذ کنند.
بازرسی محمولهها: اعمال اعتبارسنجی طرحواره و کنترلهای امنیتی صریح
شما روزانه محمولههای تأمین به املاک خود دریافت میکنید — خواربار، نامه، قطعات نگهداری. در اصطلاح دیجیتال، این ترافیک API ورودی شماست که باید بازرسی و راستیآزمایی شود.
مهاجمان اغلب تلاش میکنند با ارسال محمولههای اعتبارسنجینشده یا مانیفستهای تحویل جعلی که برای سامانههای داخلی محدود در نظر گرفته شدهاند، کنترلها را دور بزنند.
پروتکل ایوان ورودی بازرسی کامل و اعتبارسنجی طرحواره را برای همهٔ ترافیک الزامی میکند:
هر درخواست ورودی باید از اعتبارسنجی طرحوارهٔ OpenAPI عبور کند تا مطمئن شویم دقیقاً با تعاریف و ساختارهای مورد انتظار منطبق است.
رانندگان و پیکها باید گواهیهای معتبر TLS دوجانبه (mTLS) ارائه دهند تا اتصالهای مورد اعتماد و احراز هویتشده برقرار شود.
هر درخواستی که در بازرسی رد شود یا اعتبارنامهٔ معتبر نداشته باشد، بیدرنگ در مرز رد میشود.
رویکرد رد پیشفرض: هر پیادهسازی امنیتی مثبت با یک قاعدهٔ صریح رد همه در انتهای مجموعه قواعد پایان مییابد.
گشت محله: پیادهسازی اطلاعات تهدید (Threat Intelligence) برای کسب دید نسبت به حملات
حتی با دیوارهای آهنین، یک ملک منزوی میتواند آسیبپذیر باشد اگر یک باند در آن سوی شهر تکنیک نفوذ کاملاً تازهای ابداع کند.
اطلاعات تهدید نقش شبکهٔ هشدار شما با املاک همسایه را بازی میکند. وقتی یک عامل متقلب در پایین خیابان یک خانهٔ امن جدید برای فرمان و کنترل راه میاندازد یا شروع به استقرار ونهای تونلزنی پویا در محلهٔ شما میکند، شما یک پروندهٔ اطلاعاتی زودهنگام دریافت میکنید. ملک شما فهرستهای نظارتی خود را بهروز میکند، حسگرهایش را دوباره کالیبره میکند و پیش از آنکه عامل حتی به خیابان شما بپیچد، دروازه را محکم میبندد.
چگونه کمک در زمان واقعی بگیریم
ARTEX و چارچوبهای مشابه مبتنی بر LLM چالش مهمی برای مدلهای امنیتی سایبری قدیمی ایجاد میکنند. حتی مدل تاریخی دفاع لایهای — که بر DMZ شبکهٔ کلاسیک تأکید دارد — در معماریهای پیچیدهٔ امروز کافی نیست. حملات فردا تنها با عادیشدن ابزارهای هماهنگسازی پیشرفتهتر خواهند شد.
امنسازی تجهیزات قدیمی و دستگاههای درونسازمانی نیازمند رویکردی مبتنی بر هویت است که این دستگاهها را بهطور منطقی از دسترس در اینترنت خارج کند. فراتر از هویت، هدف ریزبخشبندی (micro-segmentation) کندکردن حرکت جانبی یا پرصداتر کردن آن است. این معماری بر رویکرد مهار اولیه در امنیت تأکید دارد که وقتی کاربران پیوسته کلیدهایشان را گم میکنند، ضروری است. عناصر مدل امنیتی مدرن (Modern Security Model) در کنار هم پاسخ این مسئلهٔ دشوارند.
اگر با یک حادثهٔ امنیتی فعال روبهرو هستید و به حضور تیم Cloudforce One برای کمک به پاسخ به حادثه نیاز دارید یا به پشتیبانی اطلاعات تهدید نیاز دارید، لطفاً بیدرنگ با ما تماس بگیرید. اگر برای پیادهسازی مدل امنیتی مدرن که در اینجا توضیح داده شد به کمک نیاز دارید، لطفاً با تیم مهندسی راهحلهای ما تماس بگیرید.
سارا نادری



آرمان کریمی