شمار آسیبپذیریهای نرمافزاری ثبتشده در سال ۲۰۲۶ از مرز ۱۰۰ هزار گذشت — چهار برابرِ ۲۵ هزار موردی که در ۲۰۲۲، آخرین سالِ پیش از فراگیری مدلهای زبانی بزرگ (LLM)، ثبت شده بود. به گزارش خبرنامهٔ هفتگی Kernel Panic، همین یک عدد نشان میدهد مدلِ وصلهگذاری که زیرساخت دیجیتال جهان روی آن ایستاده، از ظرفیت خود گذشته است. آسیبپذیری (Vulnerability) حفرهای در نرمافزار است که مهاجم میتواند از آن وارد شود؛ هر مورد یک شمارهٔ ثبتشدهٔ CVE میگیرد. مدیریت وصله (Patch Management) هم مثل تعمیر لولهٔ آب در ساختمانی پنجاهطبقه است: لوله را که عوض میکنی، باید مطمئن شوی فشار آب طبقهٔ سیام لوله را نشکسته باشد. تا پیش از این، چرخه ساده بود. فروشنده وصله را منتشر میکرد و تیمها چند هفته فرصت داشتند آن را آزمایش و بعد اعمال کنند. همان فاصله، چیزی بود که به تأیید وصله معنا میداد. هفتهٔ گذشته این چرخه در چند نقطه همزمان ترک برداشت. مجموعهای از قطعیهای فنی از Outlook تا محصولات اپل، نیم دوجین بانک آمریکایی، یونایتد ایرلاینز و حتی شبکهٔ طبقهبندیشدهٔ NSA را زمینگیر کرد. شواهدی از یک حملهٔ سایبری هماهنگ در کار نیست. به گزارش Kernel Panic، هیچکدام از این رخدادها نشانهٔ یک هجوم سازمانیافته با هوش مصنوعی نیستند و هر کدام بهتنهایی توضیحی روتین دارند. اما پژوهشگران امنیتی به این نتیجه رسیدهاند که فشار هوش مصنوعی دارد در خرابیهای واقعی نقش بازی میکند. کشف آسیبپذیری تا پیش از این کاری تخصصی و کند بود: ابزارهای فازینگ (Fuzzing) و بازبینی دستی کد. مدلهای زبانی این مرحله را عوض کردند، چون میتوانند حجم عظیمی از کد را بخوانند و الگوهای خطا را نشان دهند. همان چیزی که برای مدافعان موهبت است، برای مهاجمان هم سرعت میآورد. #### انفجار آسیبپذیریها - شمار CVE در ۲۰۲۶ با یک ماه باقیمانده تا پایان سال از ۱۰۰ هزار گذشت. - در ۲۰۲۲، آخرین سالِ پیش از دوران مدلهای زبانی بزرگ، حدود ۲۵ هزار آسیبپذیری ثبت شد. - مجموع امسال از جمع ۲۰۲۴ و ۲۰۲۵ هم بیشتر است. - پژوهشگران با کمک هوش مصنوعی حفرههای بحرانی در PHP (برای بار دوم)، NGINX و جاوا پیدا کردند. - همان روش ۳۵ آسیبپذیری در محصولات اپل را آشکار کرد: آیفون، مک، آیپد و اپل واچ. - فوربس گزارش این ۳۵ مورد را منتشر کرد. - مهاجمان هم با ابزارهای هوش مصنوعی سریعتر از قبل بهرهبرداری میکنند. نتیجهٔ ترکیب این دو، فشار بیسابقهای است بر تیمهایی که باید وصلهها را ارزیابی و اعمال کنند. اغلب این تیمها کمبود نیرو و بودجه دارند. #### بحران سرعت وصلهگذاری قطعی گستردهٔ Microsoft 365 از یک بهروزرسانی معیوب زیرساخت نشأت گرفت که خرابی شبکه آن را بدتر کرد. سامانهٔ ارتباط داخلی NSA هم پس از وصلهگذاری شتابزدهٔ بهروزرسانیهای بحرانی PHP در اکتبر از کار افتاد. اپل اختلال خودش را به یک بهروزرسانی داخلی نسبت داد. - سناتور مارک وارنر گفت وصلهگذاری مبتنی بر هوش مصنوعی «فشار عظیمی بر سامانههایی میآورد که برای این سرعت تغییر ساخته نشدهاند». - ساتیا نادلا، مدیرعامل مایکروسافت، هشدار داد وصله باید «فوراً از مرحلهٔ در دسترس بودن به مرحلهٔ اعمال در محیط عملیاتی برسد، چون همین حالا در طبیعت در حال بهرهبرداری است». - لی شونهر (Lea Schönherr) از مرکز CISPA تأکید کرد انسان هنوز باید بفهمد چه چیزی خراب شده، بررسی کند وصله علت را برطرف میکند و دنبال موارد مشابه بگردد. - استقرار وصله در سامانههای پرکاربرد، حتی وقتی وصله درست است، خودش زمان میبرد. تأیید وصله یک مرحلهٔ کاغذی نیست. تیم باید بفهمد چه چیزی خراب شده، مطمئن شود وصله همان علت را هدف گرفته و بررسی کند تغییر تازه جای دیگری را نشکسته باشد. وقتی این مرحله حذف شود، وصله خودش به یک رخداد تبدیل میشود — دقیقاً همان چیزی که در NSA رخ داد. فشار بیرونی و وصلههای معیوب چیز تازهای نیستند. چیزی که تازه است، از بین رفتن فاصلهٔ زمانی میان انتشار و اعمال است. #### بدهی فنی که ریسک را چند برابر میکند سازمانها سالها نگهداری سامانهها را به تعویق انداختهاند و بدهی فنی (Technical Debt) جمع کردهاند. این کار همیشه پرریسک بود، اما معمولاً میشد با سامانهٔ قدیمی قمار کرد و بدترین پیامد را از سر گذراند. سامانههای قدیمی سازوکار مشاهدهپذیری (Observability) و بازگردانی لازم برای وصلهگذاری سریع را ندارند. جو اسلوویک (Joe Slowik) از Dataminr میگوید زمان پاسخ فعلی «کاملاً امکان تأیید وصله را از بین برده است». فشار روی تیمهای IT هم فقط فنی نیست. هر وصله یک تصمیم است: اعمال کنم و ریسک خرابی بگیرم، یا صبر کنم و ریسک بهرهبرداری. وقتی تعداد وصلهها چهار برابر شود، تعداد این تصمیمها هم چهار برابر میشود، بیآنکه تعداد آدمها چهار برابر شود. #### نرخ بهرهبرداری: پایین، اما شتابگیرنده - فقط حدود ۳۰۰ آسیبپذیری امسال به فهرست آسیبپذیریهای بهرهبرداریشدهٔ CISA راه یافت. - VulnCheck حدود ۱۵۰۰ مورد بهرهبرداریشده را رصد میکند — تنها ۱.۵ درصد کل کشفیات. - اسلوویک هشدار میدهد تعداد مواردی که واقعاً باید نگرانشان باشید تقریباً ثابت مانده، اما «سرعت استفاده و سلاحسازی از آنها بهشدت بالا رفته است». #### چشمانداز صنعت متیو پرینس، مدیرعامل Cloudflare، پیشبینی میکند «دو سال حس میشود که آسمان دارد میافتد». با این حال انتظار دارد شتاب هوش مصنوعی در نهایت به مدافعان کمک کند: «این تهدیدها و آسیبپذیریهای تازه کمتر رخ میدهند و نویز پسزمینه واقعاً کم میشود.» شونهر مسئولیت را جای دیگری میگذارد. به باور او، مسئولیت با سازمانهایی است که هوش مصنوعی را بدون حفاظ کافی مستقر میکنند: «برای من مهم است که وقتی چیزی خراب میشود، تقصیر را گردن هوش مصنوعی نیندازیم. مسئولیت با آدمها و شرکتهایی است که تصمیم میگیرند از هوش مصنوعی استفاده کنند و به آن دسترسی زیرساختی بدهند؛ و باید پیامد و مقرراتی برایشان وجود داشته باشد.» #### رخدادهای امنیتی مرتبط - JPMorgan Chase تأیید کرد در رخدادی جدا از قطعیها، مهاجمان به بخشی از دادههای شرکت دست یافتند: دادههای بازاریابی نزد اشخاص ثالث که ممکن است نام و ایمیل مشتریان را در بر بگیرد. - ویزا و مسترکارت هم از حمله به فروشندگانشان اثر گرفتند. - پلیس هلند چند تلاش خشونت علیه مشتریان بانک دیجیتال Revolut را خنثی کرد. Revolut در سپتامبر ۲۰۲۶ دچار نشت داده شد و پلیس ملی هلند چند نفر را بازداشت کرد. - حملات فیزیکی — معروف به «حملهٔ آچار» — علیه دارندگان ثروتمند رمزارز افزایش یافته است. - دولت بریتانیا با حکم دادگاه مجبور شد اعتراف کند به اپل دستور داده رمزنگاری خودش را دور بزند و به دادههای iCloud مشتریان دسترسی پیدا کند. این دستور سال گذشته در قالب «اعلامیهٔ توانایی فنی» صادر شده بود و مقامهای ارشد دولت ترامپ علناً به آن تاختند. #### تحلیل: شکست فرایند، نه شکست کد موج قطعیها بیشتر از جنس شکست فرایند است تا شکست کد. سازمانهایی که روی تست خودکار، استقرار مرحلهای و بازگردانی خودکار سرمایهگذاری کرده بودند، طوفان اخیر را نسبتاً سالم رد کردند. آنهایی که وصلهگذاری را یک کار دستی و فصلی میدیدند، تیتر خبرها شدند. نکتهٔ ظریف ماجرا این است که هوش مصنوعی هنوز مهاجم اصلی نیست. کشف خودکار آسیبپذیری عرضه را بالا برده؛ اما آنچه سامانهها را زمین میزند عرضه نیست، سرعت پاسخ است. فاصلهٔ میان کشف با سرعت هوش مصنوعی و تأیید با سرعت انسان، سطح حملهٔ تازهای ساخته است. این سطح حمله در کد نیست؛ در جدول زمانی است. در سطح مقررات هم حرکت به سمت سقف زمانی اجباری آغاز شده است. قانون تابآوری سایبری اتحادیهٔ اروپا و فرمانهای اجرایی آمریکا هر دو در همین جهتاند. اگر چنین قاعدهای تصویب شود، اولین چیزی که عوض میشود تعریف «وصلهٔ بهموقع» است. ### گام بعدی شما - اگر خط لولهٔ وصله دارید، همین هفته شاخص میانگین زمان استقرار (Mean Time to Deploy) خودتان را اندازه بگیرید و با سه ماه پیش مقایسه کنید. - فهرست سامانههایی را که بازگردانی خودکار ندارند دربیاورید؛ همانها اولین قربانیان موج بعدیاند. - برای هر وصلهٔ بحرانی یک مسیر «اعتبارسنجی سریع» تعریف کنید: تست دود، استقرار مرحلهای و شرط بازگشت. - مقررات را دنبال کنید؛ سقف زمانی اجباری برای استقرار وصله در زیرساخت حیاتی، محتملترین قاعدهٔ سال آینده است. این شتاب کشف آسیبپذیریها تنها فشار وصلهگذاری را بالا نبرد، بلکه بستر رشد رنسومور را هم فراهم کرد؛ گزارش Kernel Panic نشان میدهد ۱۱۱ گروه رنسومور جدید در یک سهماهه شکل گرفتهاند. مثالی عینی از این پدیده هفتهی اخیر بود که اسکنهای گستردهی Mythos باعث قطعیهای متوالی در زیرساختهای حیاتی شد؛ تحلیل Kernel Panic این زنجیره را مستند کرده است. بهروزرسانیهای شتابزده که در NSA و مایکروسافت خرابی ایجاد کردند، نشان میدهند وصلههای تولیدشده توسط هوش مصنوعی همچنان ناکاماند؛ آزمون مرزی ۵۶ اکسپلویت نشان داد ۵۳.۹٪ از وصلهها یالای میشوند.
کشف AI در برابر اعتبارسنجی انسانی: فاصله صفر در ۱۴۰۵

نخستین سالی که مجموع CVE از ۱۰۰ هزار گذشت و از جمع دو سال قبل هم بیشتر شد — یعنی منحنی کشف آسیبپذیری از رشد خطی بیرون زده است. نکتهٔ تازهتر این است که نرخ بهرهبرداری تقریباً ثابت مانده؛ آنچه تغییر کرده سرعت سلاحسازی است، نه تعداد حفرههای خطرناک.
اعتبار این تصویر از دادههای ثبت CVE و رصد مستقل VulnCheck میآید، نه از پیشبینی؛ و همان دادهها نشان میدهد گلوگاه امنیت نرمافزار از کشف حفره به تأیید و استقرار وصله جابهجا شده است. تیمهایی که میانگین زمان استقرار را شاخص مدیریتی نمیسنجند، در موج بعدی قطعیها اولین تیتر خواهند بود.
برای تیمهای ایرانی که بسیاری از سامانهها را درونسازمانی و بدون پشتیبانی رسمی فروشنده نگه میدارند، فشار همین سرعت وصلهگذاری زودتر خودش را نشان میدهد: هر وصلهٔ امنیتی باید دستی ارزیابی و در محیط بسته آزمایش شود.
مسئلهٔ اصلی جابهجایی گلوگاه است: تنگنای امنیت نرمافزار دیگر در کشف حفره نیست، در تأیید و استقرار وصله است. هر دلاری که صرف کشف خودکار میشود و صفر دلار صرف خودکارسازی اعتبارسنجی، نسبت ریسک را بدتر میکند. تیمهایی که میانگین زمان استقرار را بهعنوان شاخص اصلی مدیریتی میسنجند، در موج بعدی کمتر غافلگیر میشوند.
منابع
راهنماهای داتهوش
راهنماهای کاربردیِ داتهوش برای کار با هوش مصنوعی — از همینجا شروع کنید:
- راهنمای پرامپتنویسیچطور درست بپرسی تا جوابِ بهتری بگیری
- ۱۰ پرامپتِ آمادهٔ فارسیقالبهای آماده برای کارهای روزمره
- ابزارهای رایگانِ هوش مصنوعیکدامها از داخلِ ایران باز میشوند
- معلمِ انگلیسیِ هوش مصنوعیهوش مصنوعی را به معلمِ خصوصیِ زبانت تبدیل کن
- تشخیصِ عکس و ویدیوی جعلینشانههای جعلِ هوش مصنوعی و دفاعِ پایدار
- امنیتِ داده در هوش مصنوعیچه چیزهایی را هرگز نباید وارد کنی
- اجرای هوش مصنوعی روی کامپیوترِ خودتراهنمای عملیِ مدلهای متنباز
- پرداخت برای هوش مصنوعیِ خارجیواقعیت، خطرها و جایگزینِ رایگان
- هوش مصنوعی و تکلیفِ درسیمرزِ کمکگرفتن و تقلب کجاست
- چرا هوش مصنوعیِ ایران عقب ماندریشههای عقبماندگی و راهِ واقعبینانهٔ جبران
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.



گفتگو