خانه متاورس ایران
خانه متاورس ایران
یک سامانه هوش مصنوعی توسعه‌یافته در OpenAI توانسته است در یک فرایند خودکار، هزاران مورد مشکوک به ضعف امنیتی در هسته لینوکس را بررسی کند و پس از آزمایش و تأیید، برای صدها مورد از آن‌ها روش‌های عملی سوءاستفاده و وصله‌های امنیتی پیشنهادی بسازد. این فرایند در مجموع حدود ۳۰ ساعت زمان برده و بیش از ۱.۲ میلیون دلار هزینه داشته است. این پژوهش نشان می‌دهد هوش مصنوعی می‌تواند هم توانایی کشف ضعف‌های امنیتی را افزایش دهد و هم به توسعه‌دهندگان برای برطرف کردن آن‌ها کمک کند.
یک سامانه هوش مصنوعی توسعه‌یافته در OpenAI توانسته است در یک فرایند خودکار، هزاران مورد مشکوک به ضعف امنیتی در هسته لینوکس را بررسی کند و پس از آزمایش و تأیید، برای صدها مورد از آن‌ها روش‌های عملی سوءاستفاده و وصله‌های امنیتی پیشنهادی بسازد. این فرایند در مجموع حدود ۳۰ ساعت زمان برده و بیش از ۱.۲ میلیون دلار هزینه داشته است. این پژوهش نشان می‌دهد هوش مصنوعی می‌تواند هم توانایی کشف ضعف‌های امنیتی را افزایش دهد و هم به توسعه‌دهندگان برای برطرف کردن آن‌ها کمک کند.
هوش مصنوعی حالا می‌تواند کاری را انجام دهد که پیش از این به زمان و تخصص تعداد زیادی از کارشناسان امنیت سایبری نیاز داشت: بررسی بخش‌های پیچیده نرم‌افزارها، پیدا کردن نقاط ضعف و آزمایش اینکه آیا این ضعف‌ها واقعاً قابل سوءاستفاده هستند یا نه. در یک پژوهش جدید، OpenAI از سامانه‌ای خودکار برای بررسی امنیت هسته لینوکس استفاده کرده است. نتیجه این آزمایش قابل توجه بود؛ سامانه توانست هزاران مورد مشکوک را بررسی کند، تعداد زیادی از آن‌ها را در محیط آزمایشی بازتولید کند و برای صدها آسیب‌پذیری، نمونه‌های عملی سوءاستفاده و راهکارهای اصلاحی ارائه دهد.
بر اساس اطلاعات منتشرشده از سوی OpenAI، این سامانه در جریان بررسی هسته لینوکس، ۲۳۰۸ مورد مشکوک به ضعف امنیتی را شناسایی و تحلیل کرد. از میان این موارد، ۱۷۲۴ مورد در محیط آزمایشی به‌صورت عملی بازتولید شدند؛ یعنی سامانه توانست نشان دهد که این مشکلات فقط ایرادهای احتمالی در کد نیستند و واقعاً می‌توانند رفتار ناخواسته‌ای در سیستم ایجاد کنند. یکی از مهم‌ترین بخش‌های آزمایش، بررسی ضعف‌هایی بود که می‌توانند سطح دسترسی یک کاربر عادی را افزایش دهند. برای مثال، ممکن است فردی که فقط یک حساب کاربری معمولی در یک سیستم لینوکسی دارد، از طریق چنین ضعفی بتواند به سطح دسترسی مدیر سیستم برسد. سامانه در این پژوهش برای ۹۴۸ مورد از این نوع آسیب‌پذیری‌ها، نمونه‌های عملی سوءاستفاده و وصله‌های پیشنهادی تولید کرد. چنین ضعفی اهمیت زیادی دارد؛ زیرا دسترسی مدیریتی می‌تواند به مهاجم امکان کنترل بخش‌های مهم سیستم، دسترسی به اطلاعات حساس یا ایجاد تغییرات گسترده را بدهد.
فرایند طراحی‌شده توسط OpenAI تنها به بررسی کدها و اعلام وجود یک مشکل محدود نمی‌شود. این سامانه چند مرحله را پشت سر می‌گذارد تا مشخص شود یک ضعف امنیتی واقعی است و چه پیامدی می‌تواند داشته باشد. در مرحله نخست، بخش‌هایی از کد لینوکس که از نظر امنیتی اهمیت بیشتری دارند شناسایی می‌شوند. سپس هوش مصنوعی آن‌ها را بررسی می‌کند تا موارد مشکوک را پیدا کند. در مرحله بعد، هر مورد در یک محیط آزمایشی و جدا از سیستم‌های واقعی بررسی می‌شود. هدف این است که مشخص شود آیا مشکل شناسایی‌شده واقعاً قابل تکرار است یا خیر. پس از تأیید آسیب‌پذیری، سامانه تلاش می‌کند میزان خطر آن را ارزیابی کند و نمونه‌ای آزمایشی برای نشان دادن امکان سوءاستفاده بسازد. در نهایت نیز راهکاری برای اصلاح مشکل پیشنهاد می‌دهد. این مراحل باعث می‌شوند نتیجه کار صرفاً فهرستی از ایرادهای احتمالی نباشد، بلکه توسعه‌دهندگان بتوانند شواهد و پیشنهادهای مشخص‌تری برای برطرف کردن مشکلات در اختیار داشته باشند.
یکی از نکات جالب این پژوهش، هزینه اجرای آن است. OpenAI اعلام کرده که اجرای این فرایند حدود یک میلیون و ۲۱۳ هزار دلار اعتبار API مصرف کرده است. بر اساس محاسبات این شرکت، هزینه متوسط تولید هر نمونه اکسپلویت ارتقای سطح دسترسی حدود ۱۲۷۹ دلار بوده است. این رقم نشان می‌دهد استفاده از هوش مصنوعی برای تحقیقات امنیتی پیشرفته هنوز می‌تواند هزینه‌بر باشد؛ با این حال، چنین سامانه‌ای قادر است حجم زیادی از بررسی‌ها را در زمانی کوتاه انجام دهد. برای مقایسه، بررسی دستی هزاران مورد مشکوک و آزمایش تک‌تک آن‌ها به نیروی متخصص و زمان قابل توجهی نیاز دارد. البته این به معنی حذف نقش کارشناسان انسانی نیست؛ زیرا نتایج تولیدشده همچنان باید بررسی و تأیید شوند.
یکی از بخش‌های مهم این پروژه، توانایی تولید وصله‌های پیشنهادی برای آسیب‌پذیری‌های شناسایی‌شده است. این قابلیت می‌تواند به توسعه‌دهندگان کمک کند تا پس از کشف یک مشکل، سریع‌تر برای رفع آن اقدام کنند. OpenAI اعلام کرده است که سامانه علاوه بر شناسایی و آزمایش آسیب‌پذیری‌ها، برای آن‌ها راهکارهای اصلاحی نیز تولید کرده است. این وصله‌ها پیش از ارائه به توسعه‌دهندگان و مسئولان نگهداری لینوکس، توسط پژوهشگران انسانی بررسی شده‌اند. اهمیت این موضوع زمانی بیشتر می‌شود که بدانیم فاصله میان کشف یک آسیب‌پذیری و انتشار وصله امنیتی، فرصت مناسبی برای مهاجمان ایجاد می‌کند. هرچه این فاصله کوتاه‌تر شود، احتمال سوءاستفاده از ضعف‌های شناخته‌شده نیز می‌تواند کاهش پیدا کند. به همین دلیل، استفاده از هوش مصنوعی در کنار روش‌های سنتی امنیت سایبری می‌تواند به شناسایی سریع‌تر تهدیدها و تقویت دفاع از نرم‌افزارها کمک کند.
شاید در نگاه اول، بررسی هسته لینوکس موضوعی کاملاً تخصصی به نظر برسد؛ اما لینوکس فقط روی رایانه‌های شخصی استفاده نمی‌شود. بخش بزرگی از زیرساخت‌های ابری، سرورها، ابررایانه‌ها و حتی بسیاری از دستگاه‌های مبتنی بر اندروید به بخش‌هایی از این سیستم‌عامل وابسته هستند. به همین دلیل، مشکلات امنیتی لینوکس می‌توانند به‌طور غیرمستقیم بر سرویس‌ها و ابزارهایی که مردم هر روز استفاده می‌کنند تأثیر بگذارند. از طرف دیگر، این پژوهش یک پیام مهم برای شرکت‌ها و مدیران فناوری دارد: با افزایش توانایی هوش مصنوعی در پیدا کردن ضعف‌های نرم‌افزاری، دیگر نمی‌توان با سرعت گذشته به بررسی و رفع مشکلات امنیتی اکتفا کرد. به‌روزرسانی منظم نرم‌افزارها و توجه به مدیریت وصله‌های امنیتی اهمیت بیشتری پیدا می‌کند.
توانایی هوش مصنوعی در شناسایی آسیب‌پذیری‌ها فقط در اختیار تیم‌های دفاعی نیست. ابزارها و مدل‌های مشابه ممکن است در آینده توسط مهاجمان نیز برای پیدا کردن نقاط ضعف و توسعه روش‌های حمله استفاده شوند. به همین دلیل، سرعت بالاتر در کشف آسیب‌پذیری‌ها باید با سرعت بیشتر در بررسی، انتشار وصله و به‌روزرسانی سیستم‌ها همراه باشد. پژوهش OpenAI نشان می‌دهد هوش مصنوعی می‌تواند بخش مهمی از فرایند امنیت نرم‌افزار را خودکار کند؛ اما همچنان بررسی کارشناسان انسانی، آزمایش مستقل و انتشار وصله‌های معتبر ضروری است. در نهایت، شاید مهم‌ترین پیام این پژوهش این باشد که آینده امنیت سایبری فقط به توانایی پیدا کردن حملات وابسته نیست؛ بلکه توانایی شناسایی و برطرف کردن ضعف‌ها پیش از سوءاستفاده مهاجمان نیز به همان اندازه اهمیت دارد.
برای مطالعه مقالات بیشتر به سایت خانه متاورس ایران سر بزنید.
