هکباتهای هوش مصنوعی در DEF CON 34؛ نسل جدید تست نفوذ هوشمند در راه است؟
هکباتهای هوش مصنوعی در DEF CON 34؛ نسل جدید تست نفوذ هوشمند در راه است؟
هکبات هوش مصنوعی چیست و چرا DEF CON 34 به آن توجه کرده است؟
هوش مصنوعی در حال تغییر بسیاری از فرایندهای امنیت سایبری است؛ اما یکی از مهمترین تغییرات، حرکت از ابزارهای سنتی و ثابت امنیتی به سمت عاملهای هوشمند (AI Agents) است.
در DEF CON 34 که از ۶ تا ۹ اوت ۲۰۲۶ در لاسوگاس برگزار میشود، موضوع استفاده از هوش مصنوعی برای عملیات شناسایی و تست نفوذ به شکل جدی مورد بررسی قرار گرفته است. یکی از ارائههای شاخص روز پایانی این رویداد، با عنوان Building Hackbots توسط Jason Haddix در Recon Village برگزار میشود.
نکته مهم این است که موضوع صرفاً یک ایده تئوریک نیست؛ ارائه مذکور شامل نمایش ساخت یک هکبات کاربردی برای یک وظیفه مشخص امنیتی و بررسی عملکرد واقعی آن است.
هکبات AI دقیقاً چه کاری انجام میدهد؟
هکبات را میتوان بهصورت ساده یک عامل هوش مصنوعی مجهز به ابزارهای امنیتی و قابلیت تصمیمگیری مرحلهای دانست.
در مدل سنتی تست نفوذ، متخصص امنیت معمولاً باید مراحل مختلفی مانند شناسایی داراییها، تحلیل سرویسها، بررسی یافتهها و اولویتبندی مشکلات را بهصورت دستی یا با مجموعهای از ابزارهای جداگانه انجام دهد.
اما در معماری Agentic، مدل هوش مصنوعی میتواند:
هدف مجاز → جمعآوری اطلاعات → تحلیل → انتخاب مرحله بعد → اجرای ابزار → تفسیر نتیجه → ادامه بررسی
را بهصورت زنجیرهای مدیریت کند.
البته این به معنی حذف متخصص امنیت نیست؛ اتفاقاً کنترل محدوده، مجوز، بررسی نتایج و تصمیم نهایی همچنان اهمیت بسیار بالایی دارد.
آنچه در ارائه Building Hackbots مطرح شد
بر اساس توضیحات رسمی Recon Village، ارائه Jason Haddix روی معماری هکباتهای مبتنی بر AI و تفاوت میان عاملهای تکمنظوره و چندمرحلهای تمرکز دارد.
از موضوعات اصلی ارائه میتوان به موارد زیر اشاره کرد:
طراحی AI Hackbot
عاملهای تکمنظوره
عاملهای چندمرحلهای
Context Engineering
اتصال AI به ابزارهای امنیتی
پردازش خروجی ابزارها
شناسایی داراییها
تحلیل Endpointها
آزمایشهای امنیتی کنترلشده
کاهش خطا و توهم مدل
بهینهسازی هزینه
قابلیت حسابرسی و Auditability
این ارائه همچنین شامل ساخت زنده یک هکبات برای یک وظیفه امنیتی مشخص است.
تفاوت هکبات با ابزارهای سنتی تست نفوذ
یکی از تفاوتهای اساسی، توانایی تفسیر نتیجه و انتخاب مرحله بعدی است.
در یک ابزار سنتی، معمولاً کاربر پارامترها را مشخص میکند و ابزار عملیات تعریفشده خود را انجام میدهد.
اما در یک Agent میتوان معماریای داشت که نتیجه مرحله اول را تحلیل کرده و بر اساس آن، مرحله بعدی بررسی را انتخاب کند.
این موضوع میتواند فرآیندهای تکراری امنیتی را سریعتر کند.
اما یک مشکل مهم وجود دارد:
هوش مصنوعی همیشه درست تصمیم نمیگیرد.
خود ارائه DEF CON نیز بر محدودیتهای AI، توهم مدل و ضرورت طراحی صحیح Context تأکید دارد.
چرا کاهش توهم AI در امنیت سایبری اهمیت دارد؟
در یک چتبات معمولی، پاسخ اشتباه ممکن است فقط باعث اتلاف وقت کاربر شود.
اما در یک Agent امنیتی، تصمیم اشتباه میتواند پیامد جدیتری داشته باشد.
برای مثال، یک سیستم هوشمند ممکن است:
یک هشدار واقعی را نادیده بگیرد؛
یک آسیبپذیری غیرواقعی را مهم تشخیص دهد؛
داده ناقص را بهعنوان واقعیت تفسیر کند؛
اولویتبندی نادرستی انجام دهد.
بنابراین Human-in-the-Loop همچنان یکی از مهمترین اصول امنیت AI است.
AI Hackbot؛ فرصت یا تهدید؟
پاسخ، هر دو است.
از نگاه مدافعان شبکه
هکبات میتواند برای:
کشف داراییهای ناشناخته
اولویتبندی آسیبپذیریها
بررسی مداوم سطح حمله
کمک به تیم SOC
تحلیل یافتههای امنیتی
خودکارسازی وظایف تکراری
استفاده شود.
از نگاه مهاجمان
همین قابلیتها میتوانند زمان و هزینه شناسایی اهداف را کاهش دهند.
به همین دلیل، ظهور AI Agentهای امنیتی یک رقابت جدید بین مهاجمان و مدافعان ایجاد میکند.
یک روند مهمتر در DEF CON 34: Agentهای در معرض اینترنت
موضوع دیگری که در Recon Village مطرح شده، Total Recon است.
پژوهشگران توضیح میدهند که AI Agentها، Copilotها و سرویسهای Agentic که به اینترنت متصل هستند، میتوانند خودشان به یک سطح حمله جدید تبدیل شوند.
طبق توضیحات رسمی این ارائه، پژوهشگران هزاران Agent در معرض اینترنت را شناسایی کردهاند و درباره روش اندازهگیری میزان Exposure و تشخیص Recon علیه Agentها صحبت میکنند.
این موضوع برای مدیران شبکه بسیار مهم است:
هر AI Agent متصل به اینترنت باید مانند یک دارایی امنیتی جدید مدیریت شود.
AI Agentهای خودمختار؛ مرحله بعدی چیست؟
در بخش دیگری از DEF CON 34، AI Village رقابتی با نام HalCTF برگزار میکند که در آن شرکتکنندگان باید Agentهای خودمختار طراحی کنند تا در محیطهای آزمایشی و ایزوله، چالشهای امنیتی را حل کنند.
این تفاوت بسیار مهم است.
در مدل سنتی:
انسان → ابزار → هدف
اما در مدل Agentic:
انسان → Agent → ابزارها → تحلیل → تصمیم → اقدام
قرار میگیرد.
هرچه Agent استقلال بیشتری پیدا کند، مسئله کنترل دسترسی و محدودسازی اختیار Agent مهمتر میشود.
ارتباط هکباتهای AI با دوربینهای مداربسته چیست؟
شاید در نگاه اول DEF CON و هکباتهای AI ارتباط مستقیمی با CCTV نداشته باشند؛ اما این ارتباط بسیار مهم است.
سامانههای نظارت تصویری مدرن دیگر فقط شامل دوربین نیستند.
یک پروژه حرفهای CCTV ممکن است شامل:
دوربین IP
NVR
VMS
سوئیچ شبکه
روتر
کنترلر Wi-Fi
سرور
Cloud
API
نرمافزار مدیریت
سیستم کنترل تردد
AI Video Analytics
باشد.
بنابراین هرچه زیرساخت امنیتی متصلتر شود، Attack Surface نیز گستردهتر میشود.
خطر مهم برای پروژههای CCTV: تجهیزات متصل به اینترنت
در بسیاری از پروژهها، دسترسی Remote به تجهیزات فعال است.
اگر مدیریت تجهیزات امنیتی از طریق اینترنت بدون کنترل مناسب انجام شود، مهاجم میتواند ابتدا زیرساخت شبکه را بررسی کرده و سپس به دنبال تجهیزات آسیبپذیر بگردد.
اینجاست که AI میتواند سرعت عملیات شناسایی را افزایش دهد.
بنابراین در پروژههای CCTV باید به همان اندازه که کیفیت تصویر مهم است، امنیت شبکه و مدیریت دسترسی نیز جدی گرفته شود.
راهکارهای مقابله با تهدید هکباتهای AI
۱. داراییهای شبکه را شناسایی کنید
اول باید بدانید چه تجهیزاتی در شبکه وجود دارند.
دوربین، NVR، سوئیچ، روتر، سرور و API نباید داراییهای ناشناخته باشند.
۲. تجهیزات امنیتی را مستقیماً روی اینترنت قرار ندهید
تا حد امکان:
Internet → VPN → Network → Security Devices
بهتر از دسترسی مستقیم است.
۳. شبکه CCTV را جدا کنید
استفاده از:
VLAN
Firewall
ACL
Network Segmentation
میتواند دامنه یک نفوذ احتمالی را کاهش دهد.
۴. Firmware را بهروز نگه دارید
یکی از سادهترین و مؤثرترین اقدامات دفاعی، مدیریت منظم Firmware تجهیزات است.
۵. دسترسیهای مدیریتی را محدود کنید
هر کاربر یا سرویس نباید به تمام تجهیزات دسترسی داشته باشد.
اصل مهم:
Least Privilege
یعنی هر حساب فقط به اندازه نیاز خود دسترسی داشته باشد.
۶. لاگها را جمعآوری و تحلیل کنید
تلاشهای ورود، تغییر تنظیمات و رفتار غیرعادی باید ثبت و بررسی شوند.
در سازمانهای بزرگ، ترکیب SIEM و تحلیل هوشمند میتواند برای این کار بسیار مفید باشد.
آیا AI جای متخصص تست نفوذ را میگیرد؟
فعلاً خیر.
یکی از نکات مهم ارائه DEF CON نیز همین است که AI در برخی وظایف واقعاً سرعت ایجاد میکند، اما در شرایطی که نیاز به قضاوت، کنترل Context و تفسیر دقیق وجود دارد، محدودیتهای جدی دارد.
بنابراین مدل محتمل آینده این نیست:
انسان حذف شود و AI جای او را بگیرد.
بلکه:
متخصص امنیت + AI Agent + ابزارهای امنیتی
به مدل قدرتمندتری برای عملیات امنیتی تبدیل میشود.
آینده تست نفوذ چگونه خواهد بود؟
به نظر میرسد تست نفوذ به سمت Continuous Security Testing حرکت کند.
یعنی به جای اینکه یک سازمان سالی یک بار تست امنیتی انجام دهد، بخشی از فرایند شناسایی و ارزیابی سطح حمله بهصورت مستمر انجام شود.
AI میتواند در این مسیر وظایف تکراری را سریعتر انجام دهد و متخصص امنیت روی موارد مهمتر تمرکز کند.
🔎 تحلیل اختصاصی NezaratCCTV Intelligence
اتفاق مهم DEF CON 34 فقط معرفی یک «هکبات» نیست؛ بلکه نشانه تغییر مدل امنیت سایبری است.
تا امروز بخش زیادی از ابزارهای امنیتی بر اساس قواعد از پیش تعریفشده کار میکردند. نسل جدید به سمت سیستمهایی حرکت میکند که میتوانند اطلاعات را تفسیر کنند، بین یافتهها ارتباط برقرار کنند و برای مرحله بعدی تصمیم پیشنهاد دهند.
برای صنعت نظارت تصویری این تحول اهمیت دوچندان دارد. دوربینهای مجهز به AI، NVRهای هوشمند، VMSهای ابری و تجهیزات شبکهای که API و قابلیتهای Agentic دارند، همگی میتوانند بخشی از یک اکوسیستم بزرگتر شوند.
در نتیجه، آینده امنیت CCTV فقط به تشخیص انسان و خودرو محدود نخواهد شد؛ بلکه امنیت خودِ هوش مصنوعی، APIها، Agentها و زیرساخت شبکه نیز به بخش جداییناپذیر طراحی پروژه تبدیل خواهد شد.
جمعبندی
DEF CON 34 تصویری روشن از مسیر آینده امنیت سایبری ارائه میدهد: هوش مصنوعی در حال تبدیلشدن از یک ابزار کمکی به یک عامل فعال در عملیات امنیتی است.
ارائه رسمی Building Hackbots در ۹ اوت ۲۰۲۶ نشان میدهد که جامعه امنیتی اکنون بهصورت جدی روی معماری، اتصال ابزارها، کنترل خطا، کاهش توهم و حسابرسی AI Agentهای امنیتی کار میکند.
در طرف مقابل، ظهور هزاران Agent در معرض اینترنت و رقابتهای Agentic مانند HalCTF نشان میدهد که خود این فناوری نیز به یک سطح حمله جدید تبدیل شده است.
پیام اصلی برای مدیران شبکه و مجریان CCTV روشن است:
در عصر AI، فقط تجهیزات شبکه و دوربینها را امن نکنید؛ خودِ لایه هوش مصنوعی و Agentهای متصل به شبکه را نیز بهعنوان یک دارایی امنیتی مدیریت کنید.
منابع اصلی
Recon Village – Building Hackbots / DEF CON 34
Recon Village – برنامه DEF CON 34
AI Village – HalCTF: Autonomous Agent CTF
✍️ واحد رصد فناوریهای امنیت و هوش مصنوعی
NezaratCCTV Intelligence
تحلیل، پایش و آیندهپژوهی فناوریهای امنیت، نظارت تصویری، هوش مصنوعی و خانه هوشمند