تصور کنید سیستمی امنیتی داشته باشید که به‌جای بررسی رمز عبور، بررسی کند آیا سرعت نور و نوسانات شبکه با موقعیت جغرافیایی شما هم‌خوانی دارد یا خیر. اگر مهاجمی با اسکریپت‌های خودکار موقعیت GPS خود را جعل کند، این زیرساخت بلافاصله تضاد را شناسایی و اتصال را قطع می‌کند.
به گزارش وب‌سایت dev.to، یک توسعه‌دهنده در ۱۹ جولای ۲۰۲۶ جزئیات ساخت یک شبکه مش (Mesh Network) با حصار جغرافیایی را منتشر کرد که در آن از PyTorch برای مبارزه با جعل GPS استفاده شده است. در این سامانه، بسته‌های داده به‌صورت رمزنگاری‌شده در برابر مختصات فیزیکی سنجیده می‌شوند تا تأیید شود کاربر واقعاً در همان مکانی است که ادعا می‌کند. این رویکرد در حالی است که پیش‌بینی‌ها نشان می‌دهد خسارت‌های سایبری تا سال ۲۰۲۶ به ۱۰.۵ تریلیون دلار می‌رسد و نیاز به چنین لایه‌های امنیتی سخت‌افزاری‌تر هرگز تا این حد حیاتی نبوده است.
تغییر در عمق مهندسی
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت لایه‌های پایین شبکه اشاره کردیم، اکثر اپلیکیشن‌های وب مدرن بر اساس APIهای سطح بالا (REST API) ساخته می‌شوند که لایه‌ی فیزیکی شبکه را کاملاً نادیده می‌گیرند. نویسنده این پروژه توصیف می‌کند که تشنه‌ی «عمق مهندسی واقعی» بوده است. او تصمیم گرفت از ساخت کلون‌های فروشگاهی و داشبوردهای استاندارد فاصله بگیرد و به سمت تجزیه باینری‌های خام، دست‌اندازهای رمزنگاری (Cryptographic Handshakes) و بهینه‌سازی عملکرد در فضای هسته (Kernel-space) حرکت کند.
این پروژه تمرکز را به پروتکل‌های سطح پایین‌تر منتقل می‌کند و با شبکه نه فقط به‌عنوان یک لوله برای انتقال داده، بلکه به‌عنوان یک محدودیت فیزیکی برخورد می‌کند. در این مدل، امنیت دیگر تنها به چیزی که کاربر «می‌داند» (مانند رمز عبور) متکی نیست، بلکه بر اساس چیزی است که کاربر «هست» و «کجاست» (فیزیک شبکه). اگر یک بازیگر مخرب اعتبارنامه‌ها را سرقت کند یا از اسکریپت‌های خودکار برای جعل GPS استفاده کند، زیرساخت فوراً ناهماهنگی بین مختصات ادعایی و واقعیت فیزیکی را تشخیص داده و ارتباط را قطع می‌کند. این تمرکز بر جزئیات فنی، پاسخی به حفره‌های امنیتی است که در برخی استراتژی‌های ایمنی AI نادیده گرفته شده و تنها بر تهدیدات سطح کلان متمرکز بوده‌اند.
مشاهده‌پذیری با «دید خدایگونه»
برای نظارت بر این محیط وضعیت‌مند (Stateful)، سرور کنترل مرکزی لاگ‌های زنده زیرساخت را از طریق WebSockets به یک داشبورد وب با قابلیت «دید خدایگونه» (God-View) می‌فرستد. این بصری‌سازی از بالا به پایین، پرچم‌های امنیتی محلی را روی یک شبکه جغرافیایی تعاملی نمایش می‌دهد و تونل‌های داده و مسیرهای Traceroute جهانی را به‌صورت لحظه‌ای روشن می‌کند.
طبق گزارش dev.to، این معماری از یک پشته تکنولوژی با عملکرد بالا استفاده می‌کند که برای مدیریت هزاران جریان هم‌زمان بدون تأخیر زیاد یا افت بسته (Packet Drop) طراحی شده است. هسته اصلی موتور با زبان Go (Golang) نوشته شده است. این زبان — که مثل یک مدیر ترافیک سریع، هزاران مسیر را هم‌زمان بدون تداخل مدیریت می‌کند — با استفاده از Goroutineها و بسته net برای مدیریت سوکت‌های TCP/UDP با کمترین مصرف حافظه به کار گرفته شده است. Go در اینجا به‌طور خاص برای حذف هدرهای قاب‌بندی (Framing Headers) و تجزیه محموله‌های باینری خام استفاده می‌شود.
برای امنیت لایه پایین، سیستم مستقیماً با WireGuard ارتباط برقرار می‌کند تا رابط‌های مجازی رمزنگاری‌شده در سطح هسته (Kernel-level) را مدیریت کند. این روش با دور زدن کدهای کندِ پروکسی در فضای کاربر (User-space)، به سیستم اجازه می‌دهد تا به‌طور برنامه‌ریزی‌شده تونل‌های امن بین دستگاه‌های لبه IoT و زیرساخت بک‌اند را ایجاد یا تخریب کند.
جزئیات مغز امنیتی و ذخیره‌سازی
برای شناسایی مهاجمانی که مختصات جعلی می‌فرستند، این سیستم از یک «مغز امنیتی» تخصصی بهره می‌برد:
- شبکه عصبی: یک خودرمزگذار تشخیص ناهنجاری (Anomaly Detection Autoencoder) سبک که در PyTorch پیاده شده است. این مدل ارزیابی می‌کند که آیا ادعای موقعیت فیزیکی با واقعیت‌های فیزیکی مسیر انتقال بسته همبستگی دارد یا خیر.
- رابط: یک لایه gRPC پرسرعت که تله‌متری را به‌صورت جریانی از موتور Go به مدل پایتونی منتقل می‌کند.
- معیارها: مدل ویژگی‌های خاص شبکه از جمله زمان رفت‌وبرگشت (RTT)، تغییرات Time-to-Live (TTL) و لرزش شبکه (Jitter) را تحلیل می‌کند.
- ذخیره‌سازی: Redis برای کش کردن مختصات در کمتر از یک میلی‌ثانیه و فیلتر کردن دستورات جغرافیایی با استفاده از دستورات
GEOADDوGEORADIUSبه کار رفته است. همچنین برای تجمیع داده‌های سری‌زمانی بلندمدت سلامت شبکه از VictoriaMetrics استفاده شده، زیرا پایگاه‌داده‌های استاندارد مثل MySQL یا MongoDB در برابر هزاران عملیات نوشتن در هر ثانیه «خفه» می‌شوند.
طرح داده‌های پروتکل (Blueprint)
به‌منظور بهینه‌سازی حداکثری، این سیستم JSONهای سنگین را رد کرده و به‌جای آن از یک قاب باینری اختصاصی و فشرده ۲۴ بایتی استفاده می‌کند. این فرمت ساختاریافته باعث می‌شود اثر شبکه کوچک و قابل پیش‌بینی بماند:
- ۰x۰۰ تا ۰x۰۳: شناسه دستگاه (uint32) - شناسه‌ی ردیابی منحصر‌به‌فرد برای گره.
- ۰x۰۴ تا ۰x۱۱: عرض جغرافیایی (float64) - عرض جغرافیایی GPS با دقت بالا.
- ۰x۱۲ تا ۰x۱F: طول جغرافیایی (float64) - طول جغرافیایی GPS با دقت بالا.
- ۰x۲۰ تا ۰x۲۳: برچسب زمانی (uint32) - زمان یونیکس (UNIX epoch) ارسال پیام.
این ساختار بهینه تضمین می‌کند که تأخیر سریال‌سازی حتی هنگام ارسال معیارها به لایه هوش مصنوعی، در پایین‌ترین سطح ممکن باقی بماند.
این رویکرد پیش‌فرض «کافی بودن امنیت در سطح اپلیکیشن» را به‌طور کلی تغییر می‌دهد. با ادغام شبکه‌های عصبی مستقیماً در جریان تله‌متری شبکه، سازنده ثابت می‌کند که ویژگی‌های فیزیکی شبکه — مانند لرزش تأخیر — می‌توانند به‌مثابه اثر انگشت بیومتریک برای مکان یک دستگاه عمل کنند. این یعنی انتقال امنیت از «آنچه می‌دانید» (اعتبارنامه‌ها) به «جایی که هستید» (فیزیک).
برای توسعه‌دهندگان، این پروژه به‌عنوان نقشه‌راهی برای فرار از تله‌ی پورتفولیوهای «اپلیکیشن Todo» عمل می‌کند. این ثابت می‌کند که ترکیب زبان‌های سطح سیستم مانند Go با چارچوب‌های AI می‌تواند ابزارهای مشاهده‌پذیری «دید خدایگونه» ایجاد کند که دستیابی به آن‌ها با فریم‌ورک‌های استاندارد وب غیرممکن است. در واقع، برای رسیدن به این سطح از عملکرد، باید گلوگاه‌های سخت‌افزاری را که مانع مقیاس‌بندی هوش مصنوعی می‌شوند به درستی شناسایی و مدیریت کرد.
گام بعدی شما
- بررسی مستندات بسته
netدر زبان Go برای ساخت عامل‌های تله‌متری سطح پایین - مطالعه معماری Autoencoderها در PyTorch برای کاربردهای تشخیص ناهنجاری
- آزمایش WireGuard برای مدیریت تونل‌های رمزنگاری‌شده در سطح کرنل
- بررسی پیاده‌سازی‌های مشابه پروتکل‌های باینری اختصاصی در گیت‌هاب
ama داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو