پرش به محتوای اصلی
پرش به محتوای مقاله

کشف آسیب‌پذیری هوش مصنوعی: ۵۶ اکسپلویت در محک، ۵۳.۹٪ یالای‌ها ناکام

·۲۸ آبان ۱۴۰۵۷ دقیقه مطالعه
ربات هوش مصنوعی که کد را روی صفحه با گرافیک هشدار آسیب‌پذیری بررسی می‌کند
ربات هوش مصنوعی که کد را روی صفحه با گرافیک هشدار آسیب‌پذیری بررسی می‌کند
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

نخستین شواهد کمیتی که نرخ شکست یالای‌های هوش مصنوعی از ۵۰٪ فراتر رفته، در حالی که مدل‌های بازوزن مانند GLM-5.3 به عملکرد مدل‌های پیشرو محدود شده‌اند، و مطالعه موردی PHP2Shell کشف صفر روزه در یک هفته توسط یک محقق را اثبات کرد.

مدل‌های پیشرو کشف آسیب‌پذیری هوش مصنوعی را از سال‌ها به روزها رسانده‌اند، اما یالای‌سازی همچنان کند مانده و این شکاف خود به یک تهدید تبدیل شده است.
تحقیق آنتروپیک نشان می‌دهد GLM-5.3 با وزن‌های باز زِی‌پی‌یو ای‌آی در ۵۰ از ۴۱۰ تلاش روی محک ExploitBench اکسپلویت‌های کارآمد ساخت، در حالی که کلود میتوس پیش‌نمایش در ۵۶ مورد موفق شد. این شکاف باریک بین یک مدل محدود و یک مدل باز یعنی قابلیت‌هایی که مختص محققان نخبوی بود اکنون گسترده در دسترس است. این هم‌سطح‌شدن مدل‌های باز با بسته‌ها در تست‌های هکینگ، همان روندی است که در گزارش آزمایشگاه‌های Vals مستند شده و اکنون در نتایج GLM-5.3 در برابر کلود میتوس پیش‌نمایش عینی می‌شود. سرعت کشف PHP2Shell در یک هفته با کمک هوش مصنوعی، یادآور پیشرفت‌های شگفت‌انگیزتر است؛ GPT-6 Sol یک صفر‌روز V8 را تنها در ۱۳ دقیقه و با ۴ دلار كشف کرد.

اسکنرهای مبتنی بر CVE دیگر کافی نیستند

مدیریت سنتی آسیب‌پذیری فرض می‌کند فاش‌سازی قبل از دفاع رخ می‌دهد. ریتم استاندارد — کشف، گزارش، اختصاص CVE، یالای، اسکن، اولویت‌بندی، استقرار — وقتی مهاجم‌ها خلل را قبل از آگاهی مدافعان پیدا کنند، از کار می‌افتد. اسکنرها تنها CVEهای شناخته‌شده را پرچم می‌زنند و نمی‌توانند آسیب‌پذیری‌هایی را شناسایی کنند که مشورتی ندارند، یالای ندارند، و سوابق عمومی ندارند.

PHP2Shell: یک هفته از دانش صفر تا RCE حیاتی

فاش‌سازی PHP2Shell این تعرض را عریانی کرد: دو خلل حیاتی ایمنی حافظه در PHP (CVE-2026-109618 و CVE-2026-109619، هر دو CVSS 9.2) اجرای کد از راه دور در برابر وردپرس، دروپال و جوملا را ممکن ساخت. یک محقق منفرد، با کمک هوش مصنوعی پیشرو، آن‌ها را در حدود یک هفته کشف کرد.

تیم‌های تحقیق پشت کشف PHP2Shell

  • Wiz — گروه تحقیق امنیت ابری
  • Calif — تحقیق امنیتی مستقل
  • تیم امنیت Codex اوپن‌ای‌آی — تحقیق آسیب‌پذیری با کمک هوش مصنوعی
  • تلاش مشترک: یک محقق، با تقویت هوش مصنوعی، حدود ۷ روز تا اکسپلویت‌های کارآمد

زمان‌بندی PHP2Shell

  • هدف: زمان‌اجرا (runtime) PHP که زیرساز وردپرس، دروپال، جوملا است
  • خلل‌ها: دو باگ ایمنی حافظه با امتیاز CVSS 9.2
  • تأثیر: اجرای کد از راه دور و افشای حافظه در برابر پلتفرم‌های CMS گسترده‌استفاده
  • زمان‌بندی: محقق منفرد، با کمک هوش مصنوعی، ~۷ روز تا اکسپلویت‌های کارآمد
  • پاسخ: تیم PHP برنامه انتشار را شتاباند؛ تلاش‌های حمله قبل از انتشار کامل مشاهده شدند
  • بینش کلیدی: حتی برنامه‌هایی با کد در دیگر جنبه‌ها امن بودند، به دلیل ضعف در زمان‌اجرا زیرین آسیب‌پذیر بودند

حمله زنجیره تأمین LiteLLM مشکل را تشدید می‌کند

همان روز، یک حمله زنجیره تأمین جداگانه بسته LiteLLM 1.107.0 (Python PyPI) را هدف قرار داد. مهاجمان یک دزد اطلاعات (infostealer) و تروجان دسترسی از راه دور در مصنوعات منتشرشده جاسازی کردند، در حالی که مخزن منبع تمیز ماند. تیمی که تنها کد منبع را بررسی کند، بار مخرب را از دست می‌دهد.

  • بسته مخرب: LiteLLM 1.107.0
  • بار مخرب: دزد اطلاعات + تروجان دسترسی از راه دور
  • مخزن منبع: تمیز — تنها مصنوعات منتشرشده مسموم شده بود
  • درس: اسکن وابستگی باید مصنوعات منتشرشده را تایید کند، نه فقط مخازن منبع
  • نقطه کور اسکنر: اسکنر شما می‌تواند گواهی سلامت دهد در حالی که آسیب‌پذیری‌های جدی در نرم‌افزاری که برنامه‌های شما به آن وابسته‌اند وجود دارد

یافتن باگ بخش آسان است؛ اعتبارسنجی و رفع آنجاست که فرآیند فرو می‌ریزد

۱پسورد (1Password) ۶۰۸۰ یالای تولیدشده توسط هوش مصنوعی را بررسی کرد و یافت ۵۳.۹٪ نتوانستند آسیب‌پذیری اصلی را برطرف کنند، خلل امنیتی جدیدی معرفی کردند، یا هر دو. بیش از نیمی از یالای‌های تولیدشده یک مشکل امنیتی خاص خود را داشتند. یک اکسپلویت قانع‌کننده همیشه قابل بازتولید نیست؛ یالای‌ای که کامپایل می‌شود لزوماً صحیح نیست. مهندسان همچنان باید قابلیت‌استفاده را اثبات کنند، نسخه‌های متأثر را نقشه‌برداری کنند، مسیرهای حمله واقعی را ارزیابی کنند، و اطمینان حاصل کنند که رفع‌خطا با وابستگی‌های قدیمی سازگار است.

چرا یالای‌های هوش مصنوعی اغلب شکست می‌خورند

  • شرایط مطالعه: ۱پسورد ۶۰۸۰ یالای را تحت شرایط خاصی تست کرد؛ نتایج آن محدوده را منعکس می‌کنند
  • مشکل اصلی: نوشتن کدی که شبیه یالای است و اثبات کردن که واقعاً مشکل را حل می‌کند، دو چیز متفاوت هستند
  • مراحل اعتبارسنجی لازم:
    1. اثبات کنید یافتن واقعی است — خروجی‌های هوش مصنوعی به‌صورت خودکار معتبر نیستند
    2. تعیین کنید کدام نسخه‌ها متأثر هستند
    3. ارزیابی کنید که آیا آسیب‌پذیری در بستر واقعاً قابل‌استفاده است
    4. ریسک واقعی را اندازه بگیرید
    5. یالای‌ای توسعه دهید که خلل را برطرف کند بدون معرفی خلل جدید

مقاومت استقرار یالای‌های صحیح را به حفاظت نظری تبدیل می‌کند

سازمان‌ها سیستم‌های متقابل با محدودیت‌های نسخه اجرا می‌کنند که ارتقای انبوه را جلوگیری می‌کند. یالای‌ای که نیاز به بازسازی نیمی از زیرساخت دارد یالای نیست — این یک لیست آرزو است. راهنمای مدیریت یالای سازمانی نیست (NIST) بر شناسایی، اولویت‌بندی، نصب، و تایید به‌روزرسانی‌ها تأکید دارد. چالش اکنون سرعت دادن به آن چرخه کامل برای هم‌قدمی با کشفِ هدایت‌شده توسط هوش مصنوعی است. بهترین یالای جهان کسی را محافظت نمی‌کند اگر هرگز به تولید (production) نرسد.

بررسی واقعیت استقرار

  • محدودیت‌های میراثی: نسخه‌های قدیمی کتابخانه همیشه قابل ارتقا نیستند
  • ماتریس سازگاری: یالای باید با نسخه‌های وابستگی واقعاً در استفاده کار کند
  • مقیاس: انتشار در صدها برنامه، تیم، و محیط
  • شکاف تست تا تولید: یالای‌ای که در محیط تست کار می‌کند اما هرگز به تولید نمی‌رسد کسی را محافظت نمی‌کند
  • شکاف بزرگ: ما کشف آسیب‌پذیری را به سرعت دیوانه‌وار تسریع می‌کنیم، در حالی که کار تبدیل یافتن‌ها به حفاظت واقعی همچنان به دردناک کند است. آن شکاف خود به یک ریسک امنیتی تبدیل شده است

چهار تغییر برای بستن شکاف رفع‌خطا

  1. از معامله با پایگاه داده CVE به عنوان تصویر کامل بگذرید. CVEها مسائل شناخته‌شده را ثبت می‌کنند، نه همه مسائل. اسکن را با تحقیق پیشگیرانه، تحلیل کد، هوش تهدید، و صورتحساب نرم‌افزاری دقیق (SBOM) ترکیب کنید. کاتالوگ آسیب‌پذیری‌های شناخته‌شده استثمارشده سیسا (CISA KEV) کمک می‌کند تهدیدهای شناخته‌شده را اولویت‌بندی کند اما نمی‌تواند خلل‌های فاش‌نشده را پرچم بزند. PHP2Shell نشان داد که آسیب‌پذیری‌های جدی می‌توانند سال‌ها در نرم‌افزار بنیادین وجود داشته باشند قبل از کشف. وقتی هوش مصنوعی پیشرو می‌تواند این خلل‌ها را در روزها کشف کند، تکیه صرف بر مشورهای منتشرشده به این معنی است که مدافعان همیشه به زمان‌بندی شخص دیگر واکنش نشان می‌دهند.
  2. بپذیرید که یافتن بیشتر ≠ امنیت بهتر. هوش مصنوعی حجم تولید می‌کند؛ ارزش از دانستن اینکه کدام یافتن‌ها واقعی، قابل‌استفاده، و مرتبط هستند می‌آید. بازتولیدپذیری، نقشه‌برداری نسخه، مسیرهای حمله واقعی، و تأثیر کسب‌وکار باید هرج‌ومرج را تریاژ کنند. بدون آن بستر، سازمان‌ها ریسک اولویت‌بندی آسیب‌پذیری‌ها بر اساس امتیازهای شدت لوحده را در حالی که نادیده می‌گیرند مهاجم‌ها چگونه می‌توانند به سیستم‌ها و اعتبارنامه‌های حساس برسند، می‌برند.
  3. یالای‌ها را قابل استقرار بسازید، نه فقط از نظر فنی صحیح. یالای‌های بک‌پورت (backport) کنید، سازگاری را حفظ کنید، سطح حمله را کاهش دهید، و به‌روزرسانی‌ها را از طریق گردش‌های کار موجود تحویل دهید. یالای‌ای که ارتقای کامل پشته می‌طلبد برای اکثر سازمان‌ها غیرمبتدی است. سازمان‌ها در محیط‌های بی‌نقص کار نمی‌کنند که هر وابستگی می‌تواند یک شب ارتقا یابد. آن‌ها برنامه‌های میراثی، سیستم‌های متقابل، الزامات سازگاری، و نسخه‌های نرم‌افزاری دارند که نمی‌توانند به سادگی جایگزین شوند. ما به روش‌های بهتری برای بک‌پورت یالای‌های امنیتی، حفظ سازگاری، کاهش سطح حمله غیرضروری، و تحویل به‌روزرسانی‌ها از طریق ابزارها و گردش‌های کار که تیم‌ها از قبل استفاده می‌کنند نیاز داریم.
  4. چرخه کامل رفع‌خطا را اندازه بگیرید. زمان از کشف تا اعتبارسنجی، توسعه یالای، تست سازگاری، و استقرار تولید را ردیابی کنید. اکو (Echo) بسته‌های PHP یالای‌شده برای نسخه‌های پشتیبانی‌شده را همان بعدازظهر که یالای‌های بالادستی منتشر شدند بازسازی کرد — آن سرعت باید معیار شود. تیم‌های امنیتی باید چرخه کامل رفع‌خطا را، از کشف و اعتبارسنجی تا توسعه یالای، تست سازگاری، و استقرار، اندازه بگیرند. آن‌ها باید بدانند چقدر سریع می‌توانند نرم‌افزار متأثر را بازسازی کنند، آیا می‌توانند هر برنامه‌ای که از یک وابستگی آسیب‌پذیر استفاده می‌کند را شناسایی کنند، و چقدر مداخله دستی برای محافظت شدن لازم است.

صنعت باید بپذیرد که کشف دیگر گلوگاه نیست

هوش مصنوعی پیشرو شکار آسیب‌پذیری را سریع و در دسترس کرده است. پنجره بین کشف و استثمار بالقوه فقط کوچکتر خواهد شد. مدافعانی که نمی‌توانند یافتن‌ها را قبل از اقدام مهاجم به یالای‌های قابل اعتماد، استقرار‌یافته تبدیل کنند، به طور پیش‌فرض بازنده خواهند بود. عصر بعدی مدیریت آسیب‌پذیری متعلق به تیم‌هایی است که کل خط لوله رفع‌خطا را اندازه بگیرند و بهینه کنند، نه فقط گام اسکن.

به ابزارهایی که اعتبارسنجی اکسپلویت، تولید بک‌پورت، و تست سازگاری در گراف‌های وابستگی را خودکار می‌کنند توجه کنید — آن قابلیت‌ها تعیین خواهند کرد کدام سازمان‌ها در برابر سیلاب آسیب‌پذیری هدایت‌شده توسط هوش مصنوعی باقی می‌مانند.

گام بعدی شما

  • یک صورتحساب نرم‌افزاری (SBOM) دقیق برای تمام برنامه‌های تولید بسازید تا هر وابستگی PHP، LiteLLM، یا دیگر را در دقیقه‌ها نه روزها شناسایی کنید.
  • معیار زمان تا یالای در تولید (time-to-patch-in-production) را برای تیم امنیتی خود تعریف کنید و چرخه کامل از کشف تا استقرار را اندازه بگیرید.
  • فرآیند بک‌پورت یالای امنیتی برای نسخه‌های قدیمی در استفاده را مستند و خودکار کنید تا ارتقای کامل پشته الزامی نباشد.
چرا این موضوع مهم است؟

اسکنرهای سنتی تنها CVEهای شناخته‌شده را می‌یابند، در حالی که هوش مصنوعی روزها صفر روزها می‌سازد. سازمان‌هایی که چرخه اعتبارسنجی و استقرار یالای را بهینه نکنند، در برابر حملات بی‌دفاع خواهند بود.

تأثیر برای ایران

وب‌سایت‌های وردپرس و دروپال میزبانی‌شده در ایران که به PHP آسیب‌پذیر وابسته‌اند مستقیماً در معرض خطرند؛ تیم‌های امنیتی باید اولویت را به بازسازی بسته‌های PHP و اعتبارسنجی وابستگی‌ها بدهند، نه فقط اسکن CVE.

·نگاه ما
تحریریه دات‌هوش

تسریع کشف آسیب‌پذیری توسط هوش مصنوعی بدون تسریع هم‌زمان در اعتبارسنجی و استقرار یالای، یک ناهمگامی ساختاری ایجاد می‌کند که مهاجم‌ها از آن سوءاستفاده می‌کنند. تیم‌های امنیتی باید از نگاه واکنشی مبتنی بر CVE به نگاه پیشگیرانه مبتنی بر اعتبارسنجی و خط لوله یالای قابل استقرار روی بیاورند.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.