هوش مصنوعي؛ دستيار جديد هكرهاي رمزارزي
ورود مدلهاي قدرتمند هوش مصنوعي متنباز به فضاي جرايم سايبري، معادلات امنيت در صنعت رمزارز را پيچيدهتر كرده است.
ورود مدلهاي قدرتمند هوش مصنوعي متنباز به فضاي جرايم سايبري، معادلات امنيت در صنعت رمزارز را پيچيدهتر كرده است. تازهترين يافتههاي شركت تحليل دادههاي بلاكچين «چيناليسيس» نشان ميدهد استفاده مهاجمان از بلاكچين براي ثبت و پنهان كردن دستورهاي مربوط به بدافزارها در كمتر از يك سال ۴۴۰ درصد افزايش يافته و از حدود دو مورد در روز به بيش از ۱۱ مورد رسيده است؛ رشدي كه همزمان با گسترش مدلهاي قدرتمند هوش مصنوعي متنباز رخ داده است.
وقتي بلاكچين به ابزار هكرها تبديل ميشود
بلاكچين در سالهاي گذشته بيشتر با ويژگيهايي مانند شفافيت، تغييرناپذيري و امنيت شناخته ميشد، اما همين ويژگيها اكنون در برخي حملات سايبري به ابزاري براي مهاجمان تبديل شده است. چيناليسيس در تازهترين بررسي خود از تكنيكي با عنوان «مخزن مخفي بلاكچيني» يا Blockchain Dead Drop خبر داده است؛ روشي كه در آن مهاجمان اطلاعات يا دستورهاي لازم براي كنترل بدافزار را در تراكنشها يا قراردادهاي هوشمند ثبت ميكنند.
در اين شيوه، دستگاه قرباني ابتدا از طريق روشهاي متداول مانند دانلود آلوده، فيشينگ يا حملات زنجيره تأمين آلوده ميشود. پس از آن، بدافزار ميتواند به دادههاي ثبتشده روي بلاكچين مراجعه كرده و دستورهاي جديد را دريافت كند.
مزيت اين روش براي مهاجم، دشواري حذف اطلاعات است. برخلاف يك سرور متمركز كه ممكن است توسط شركت ميزبان، ارايهدهنده اينترنت يا نهادهاي امنيتي از دسترس خارج شود، داده ثبتشده روي يك بلاكچين عمومي به سادگي قابل حذف نيست.
رشد ۴۴۰ درصدي در كمتر از يك سال
بر اساس دادههاي چيناليسيس، تعداد ثبتهاي مخرب روي بلاكچين از حدود ۲.۰۶ مورد در روز به ۱۱.۱ مورد در روز رسيده است؛ رقمي كه به معناي افزايش ۴۴۰ درصدي در كمتر از يك سال است. اين شركت همچنين اعلام كرده است كه فعاليتهاي مرتبط با اين روش را در پنج بلاكچين اصلي و بيش از ۱۲ گونه بدافزار شناسايي كرده است.
اهميت اين آمار زماني بيشتر ميشود كه بدانيم استفاده از بلاكچين براي پنهان كردن يا انتقال دستورهاي بدافزاري، فناوري كاملاً جديدي نيست. تفاوت امروز در مقياس و سهولت استفاده از اين روش است. چيناليسيس معتقد است ظهور مدلهاي قدرتمند و متنباز هوش مصنوعي، بخشي از موانع فني اين حملات را كاهش داده است.
هوش مصنوعي چگونه به تهديد سايبري كمك ميكند؟
هوش مصنوعي مولد ميتواند در بخشهاي مختلف چرخه يك حمله سايبري مورد استفاده قرار گيرد؛ از جستوجوي آسيبپذيريهاي نرمافزاري گرفته تا توليد يا اصلاح كد و خودكارسازي برخي فرايندهاي تكراري.
در فضاي رمزارز، اين موضوع اهميت بيشتري دارد، زيرا اكوسيستم داراييهاي ديجيتال متكي بر مجموعهاي گسترده از قراردادهاي هوشمند، كيف پولها، صرافيها، زيرساختهاي امضاي تراكنش و برنامههاي غيرمتمركز است.
گزارش تازه TRM Labs نيز از افزايش نقش هوش مصنوعي در جرايم مرتبط با رمزارز خبر ميدهد. اين شركت در شاخص «پذيرش هوش مصنوعي در جرم» براي سال ۲۰۲۶، سطح كلي استفاده از AI در جرايم رمزارزي را «در حال ظهور» ارزيابي كرده و امتياز آن را ۵۴ از ۱۰۰ اعلام كرده است؛ در حالي كه اين شاخص در سال ۲۰۲۴ برابر با ۲۸ بوده است. اين شركت ميگويد هوش مصنوعي در حال كاهش موانع ورود مجرمان، افزايش مقياس حملات و پيچيدهتر شدن روشهاي سوءاستفاده است.
افزايش تعداد هكها در بازار رمزارز
همزمان با گسترش اين روشها، تعداد حملات عليه اكوسيستم رمزارز نيز افزايش يافته است. بر اساس گزارش TRM Labs، در نيمه نخست سال ۲۰۲۶، ۲۰۷ حمله هكي و اكسپلويت در صنعت رمزارز ثبت شده است؛ بالاترين رقم در يك دوره ششماهه در دادههاي اين شركت. تعداد حملات نسبت به ۸۳ مورد در نيمه نخست سال ۲۰۲۵ بيش از دو برابر شده است.
با اين حال، افزايش تعداد حملات الزاماً به معناي افزايش متناظر ارزش داراييهاي سرقتشده نبوده است. TRM Labs مجموع خسارت مالي در نيمه نخست ۲۰۲۶ را حدود ۹۷۲ ميليون دلار اعلام كرده؛ رقمي كه كمتر از نصف ۲.۳ ميليارد دلار سرقتشده در نيمه نخست سال ۲۰۲۵ است.
قراردادهاي هوشمند
هدف اصلي حملات بيشتر
يكي از نكات قابل توجه در گزارش TRM Labs، افزايش حملات عليه قراردادهاي هوشمند است. از مجموع ۲۰۷ حمله ثبتشده در نيمه نخست سال، ۱۲۵ مورد مربوط به اكسپلويتهاي قراردادهاي هوشمند بوده است.در مقابل، حملات زيرساختي و عملياتي اگرچه سهم كوچكتري از تعداد كل حملات داشتهاند، بخش بسيار بزرگتري از ارزش سرقتشده را به خود اختصاص دادهاند. بر اساس اين گزارش، حملات زيرساختي حدود ۱۵ درصد از حوادث را تشكيل دادهاند اما حدود ۷۶ درصد از خسارت مالي را به خود اختصاص دادهاند.
بلاكچين؛ هم ابزار حمله، هم ابزار شناسايي
استفاده مجرمان از بلاكچين يك تناقض مهم ايجاد كرده است. همان ويژگياي كه ميتواند براي مهاجم مزيت ايجاد كند، يعني ثبت دايمي اطلاعات، ميتواند براي محققان امنيتي نيز مفيد باشد.
چيناليسيس اعلام كرده است هر بار كه مهاجمان داده يا دستور جديدي روي بلاكچين ثبت ميكنند، اين فعاليت به صورت دايمي باقي ميماند. همين موضوع ميتواند به پژوهشگران اجازه دهد زيرساختهاي مورد استفاده مهاجمان را شناسايي كرده و ارتباط ميان كارزارهايي را كه در نگاه نخست مستقل به نظر ميرسند، پيدا كنند.
مدلهاي متنباز و مساله كنترل
يكي از نگرانيهاي اصلي درباره مدلهاي متنباز، امكان اجراي مستقل آنهاست. در سرويسهاي متمركز هوش مصنوعي، ارايهدهنده ميتواند در صورت شناسايي سوءاستفاده، دسترسي كاربر را محدود يا مسدود كند. اما مدلهايي كه به صورت مستقل اجرا ميشوند، امكان كنترل متمركز كمتري دارند. اين وضعيت به توسعهدهندگان مخرب اجازه ميدهد مدل را تغيير دهند يا برخي محدوديتهاي ايمني آن را حذف كنند. به همين دليل، بخشي از نگرانيهاي امنيت سايبري امروز ديگر تنها متوجه خود هوش مصنوعي نيست، بلكه به نحوه دسترسي، اجراي مستقل و تركيب آن با فناوريهاي ديگري مانند بلاكچين مربوط ميشود.
رقابت تازه ميان مهاجمان و مدافعان
گسترش استفاده مجرمان از هوش مصنوعي به معناي آن نيست كه فناوري صرفاً در اختيار مهاجمان قرار گرفته است. شركتهاي امنيت سايبري نيز در حال استفاده از هوش مصنوعي براي شناسايي الگوهاي مشكوك، تحليل تراكنشها و سرعت بخشيدن به تحقيقات هستند.چيناليسيس نيز در سال ۲۰۲۶ از توسعه ابزارهاي هوش مصنوعي براي تحليل فعاليتهاي بلاكچيني و تحقيقات امنيتي خبر داده است. هدف چنين ابزارهايي، افزايش توان تيمهاي تحقيقاتي براي شناسايي فعاليتهاي مشكوك و ارتباط دادن دادههاي مختلف به يكديگر است.
تهديدي كه ديگر فقط يك حمله ساده نيست
تركيب هوش مصنوعي، بلاكچين و بدافزار ميتواند ساختار حملات سايبري را تغيير دهد. مهاجم ميتواند از هوش مصنوعي براي كاهش زمان و هزينه آمادهسازي عمليات استفاده كند و از بلاكچين براي ايجاد زيرساختي مقاومتر در برابر حذف يا مسدودسازي بهره بگيرد.با اين حال، دادههاي موجود نشان ميدهد كه تهديد اصلي در بازار رمزارز همچنان فقط به فناوريهاي نوين محدود نيست. سرقت كليدهاي خصوصي، فيشينگ، مهندسي اجتماعي و نفوذ به زيرساختهاي عملياتي همچنان نقش مهمي در بزرگترين سرقتها دارند. TRM Labs نيز تأكيد كرده است كه بخش عمده خسارتهاي مالي نيمه نخست ۲۰۲۶ از حملات زيرساختي ناشي شده است.
