پرش به محتوای اصلی
پرش به محتوای مقاله

معماری Forge-AI لایه‌های امنیتی مدرن را با شبیه‌سازی رفتار توسعه‌گر دور می‌زند

·۲۹ خرداد ۱۴۰۵۹ دقیقه مطالعه
تحلیل
چرا زیرساخت امنیتی شما هرگز نمی‌توانست آن را پیش‌بینی کند
چرا زیرساخت امنیتی شما هرگز نمی‌توانست آن را پیش‌بینی کند
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

معرفی متدولوژی «شبیه‌سازی رفتار توسعه‌گر» برای دور زدن EDR و Zero Trust؛ برخلاف بدافزارهای قدیمی، Forge-AI از توابع استاندارد برنامه‌نویسی برای مخفی شدن استفاده می‌کند، نه کدهای مبهم.

سیستم‌های امنیتی فعلی شما برای شناسایی بدافزارهای ایستا طراحی شده‌اند، اما در برابر مهاجمی که کد خود را در لحظه بازنویسی می‌کند، کاملاً کور هستند. باید بدانید که یک عامل (Agent) می‌تواند روزها بدون شناسایی در شبکه شما فعالیت کند، زیرا دقیقاً شبیه به یک مهندس فعال و بهره‌ور رفتار می‌کند.

طبق گزارش منتشر شده در ۱۹ ژوئن ۲۰۲۶ توسط کریستوفر آدامز (Christopher Adams)، معماری Forge-AI از شکافی بنیادین در دفاع‌های مدرن بهره می‌برد. این سیستم‌ها بر این فرض استوارند که فعالیت‌های مخرب، سیگنال‌های «ناهنجار» ایجاد می‌کنند؛ اما برای یک توسعه‌گر، اجرای اسکریپت‌های پایتون، فراخوانی زیرпроцеس‌ها و اتصال به گیت‌هاب، بخشی از روتین روزانه است. این رویکرد در واقع تکامل‌یافته‌ی مسیرهای نفوذ به اتوماسیون‌های هوشمند از طریق اسکریپت‌های غیرفعال است که پیش‌تر بررسی کرده بودیم. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، مرز بین ابزارهای بهره‌وری و ابزارهای حمله در عصر هوش مصنوعی زاینده به‌شدت کمرنگ شده است.

بر اساس مستندات این تحلیل، Forge-AI پنج لایه حیاتی را دور می‌زند:

  • آنتی‌ویروس‌های مبتنی بر امضا (Signature AV): با استفاده از کتابخانه‌های استاندارد نظیر Playwright و FastAPI و به‌کارگیری مدل‌های زبانی برای تغییر مداوم هش فایل‌ها، شناسایی نمی‌شود. این قابلیت یادآور استفاده‌های مشابه از Playwright در اتوماسیون ردیابی حفره‌های IDOR توسط Claude Code است، اما این بار در خدمت اهداف مخرب قرار گرفته است.
  • سیستم‌های EDR: با تقلید از ابزارهای توسعه (مانند npm install یا pytest)، درخت پردازش خود را indistinguishable از کارهای قانونی جلوه می‌دهد.
  • پایش شبکه: برای ارسال فرمان‌های کنترل (C2) از زیرساخت‌های مورد اعتماد مانند Discord webhooks یا GitHub Gists استفاده می‌کند که معمولاً در لیست سفید (Whitelist) سازمان‌ها هستند.
  • اعتماد صفر (Zero Trust): در قالب یک نشست کاربری قانونی فعالیت کرده و توکن‌های MFA و وضعیت دستگاه تأییدشده‌ی کاربر انسانی را به ارث می‌برد.
  • روترها: از طریق افزونه‌های OpenWrt روی روترهای خانگی پایداری (Persistence) ایجاد می‌کند تا حتی پس از پاک‌سازی کامل سیستم، دوباره عفونت را منتشر کند.

چرا زیرساخت امنیتی شما هرگز نمی‌توانست آن را پیش‌بینی کند

این وضعیت، پیش‌فرض امنیت نقاط انتهایی را از «شناسایی فایل‌های بد» به «تأیید قصد و نیت» تغییر می‌دهد. برای تیم‌های فنی، این یعنی دستورالعمل‌های سنتی پاسخ به حوادث (IR) — یعنی ایزوله کردن، پاک‌سازی و اتصال مجدد — اگر روتر خانگی همچنان آلوده باشد، کاملاً منسوخ هستند. این چالش پیچیدگی مدیریت حافظه و وضعیت در عامل‌های هوشمند را برجسته می‌کند، مشابه آنچه در راه‌کار استک اورفلو برای جلوگیری از تکرار اشتباهات عامل‌های AI مشاهده شد.

گام بعدی شما

  • بازنشانی کارخانه‌ای (Factory Reset) روترها را به چک‌لیست‌های پاسخ به حوادث امنیتی اضافه کنید.
  • به جای اعتماد مطلق به دامنه‌های لیست سفید، بازرسی در سطح محموله (Payload-level inspection) را پیاده‌سازی کنید.
  • تکامل پروتکل زمینه مدل (MCP) را زیر نظر بگیرید، زیرا استانداردسازی دسترسی سیستم‌های AI ممکن است توزیع این آسیب‌پذیری‌ها را تسریع کند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.

چرا این موضوع مهم است؟

این یافته بر اساس تخصص در معماری شبکه‌های عصبی و امنیت سیستم‌ها، نشان می‌دهد که مدل‌های عامل‌محور می‌توانند مفهوم «ناهنجاری» را در امنیت شبکه تعریف کنند. اعتبار این تحلیل از بررسی دقیق پروتکل‌های C2 می‌آید و امنیت سازمان‌ها را به شدت به وضعیت روترهای خانگی کارکنان گره می‌زند.

تأثیر برای ایران

به دلیل استفاده از زیرساخت‌های عمومی مانند دیسکورد و گیت‌هاب برای فرماندهی، شناسایی این حملات برای تیم‌های SOC ایرانی که این دامنه‌ها را باز گذاشته‌اند، بسیار دشوار است.

·نگاه ما
تحریریه دات‌هوش

جایگزینی شناسایی «الگوهای کد» با «تحلیل قصد» (Intent Analysis) دشوارترین چالش امنیتی سال‌های آینده است. وقتی ابزار حمله و ابزار توسعه یکسان باشند، تنها راه دفاع، نظارت بر رفتار کاربر در لایه‌های بالاتر است، نه در سطح فایل. این معماری ثابت می‌کند که احراز هویت سخت‌افزاری دیگر تضمینی برای امنیت نیست چون عامل AI در «سایه» کاربر قانونی عمل می‌کند.

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.