人工智能在實(shí)現(xiàn)便利的同時(shí)，也為網(wǎng)絡(luò)安全帶來(lái)了諸多威脅。本文將揭示AI催生的關(guān)鍵網(wǎng)絡(luò)威脅。

長(zhǎng)期以來(lái)，網(wǎng)絡(luò)攻擊一直是勞動(dòng)密集型的，需要經(jīng)過(guò)精心策劃并投入大量的人工研究。然而，隨著人工智能技術(shù)的出現(xiàn)，威脅行為者已經(jīng)成功利用它們的能力，以非凡的效率策劃攻擊。這種技術(shù)轉(zhuǎn)變使他們能夠大規(guī)模地執(zhí)行更復(fù)雜、更難以檢測(cè)的攻擊，甚至可以操縱機(jī)器學(xué)習(xí)算法來(lái)破壞操作或敏感數(shù)據(jù)，從而擴(kuò)大其犯罪活動(dòng)的影響。

惡意行為者越來(lái)越多地轉(zhuǎn)向人工智能來(lái)分析和完善其攻擊策略，這大大提升了攻擊活動(dòng)的成功率。這些人工智能驅(qū)動(dòng)的攻擊具有隱蔽性和不可預(yù)測(cè)性的特點(diǎn)，使它們能夠熟練地繞過(guò)依賴于固定規(guī)則和歷史攻擊數(shù)據(jù)的傳統(tǒng)安全措施。

在獵頭公司海德思哲（Heidrick & Struggles）進(jìn)行的《2023年全球首席信息安全官（CISO）調(diào)查報(bào)告》中，人工智能已成為未來(lái)五年最常見(jiàn)的重大威脅。因此，組織必須優(yōu)先提高對(duì)這些人工智能網(wǎng)絡(luò)威脅的認(rèn)知，并相應(yīng)地加強(qiáng)防御。

人工智能驅(qū)動(dòng)的網(wǎng)絡(luò)攻擊特征

人工智能驅(qū)動(dòng)的網(wǎng)絡(luò)攻擊通常表現(xiàn)出以下特征：

• 自動(dòng)目標(biāo)分析：人工智能簡(jiǎn)化了攻擊研究，利用數(shù)據(jù)分析和機(jī)器學(xué)習(xí)，通過(guò)從公共記錄、社交媒體和公司網(wǎng)站上收集信息，有效地分析目標(biāo)。
• 高效的信息收集：通過(guò)在各種在線平臺(tái)上自動(dòng)搜索目標(biāo)，人工智能加速了偵察階段，提高了效率。
• 個(gè)性化攻擊：人工智能分析數(shù)據(jù)，以高精度創(chuàng)建個(gè)性化的網(wǎng)絡(luò)釣魚(yú)消息，增加欺詐成功的可能性。
• 針對(duì)性的目標(biāo)：人工智能會(huì)識(shí)別組織內(nèi)有權(quán)訪問(wèn)敏感信息的關(guān)鍵人員。
• 強(qiáng)化學(xué)習(xí)：人工智能利用強(qiáng)化學(xué)習(xí)（Reinforcement Learning）對(duì)攻擊進(jìn)行實(shí)時(shí)適應(yīng)和持續(xù)改進(jìn)，根據(jù)之前的交互調(diào)整策略，以保持敏捷性，提高成功率，同時(shí)保持領(lǐng)先于安全防御。

人工智能支持的網(wǎng)絡(luò)攻擊類型

1.高級(jí)網(wǎng)絡(luò)釣魚(yú)攻擊

網(wǎng)絡(luò)安全公司SlashNext最近的一份報(bào)告顯示了令人震驚的統(tǒng)計(jì)數(shù)據(jù)：自2022年第四季度以來(lái)，惡意網(wǎng)絡(luò)釣魚(yú)郵件激增了1265%，憑據(jù)網(wǎng)絡(luò)釣魚(yú)飆升了967%。網(wǎng)絡(luò)犯罪分子正在利用ChatGPT等生成式人工智能工具來(lái)制作高度針對(duì)性和復(fù)雜的商業(yè)電子郵件欺詐（BEC）和網(wǎng)絡(luò)釣魚(yú)信息。

用蹩腳的英語(yǔ)編寫(xiě)“尼日利亞王子”（Prince of Nigeria）電子郵件的日子已經(jīng)成為過(guò)去。如今的網(wǎng)絡(luò)釣魚(yú)郵件高度逼真，甚至能夠成功模仿來(lái)自可信來(lái)源的官方通信的語(yǔ)氣和格式。威脅行為者利用人工智能來(lái)制作極具說(shuō)服力的電子郵件，這對(duì)區(qū)分其真實(shí)性構(gòu)成了挑戰(zhàn)。

人工智能網(wǎng)絡(luò)釣魚(yú)攻擊防御策略

• 實(shí)施先進(jìn)的電子郵件過(guò)濾和反網(wǎng)絡(luò)釣魚(yú)軟件，以檢測(cè)和阻止可疑電子郵件。
• 教育員工如何識(shí)別網(wǎng)絡(luò)釣魚(yú)指標(biāo)，并定期進(jìn)行網(wǎng)絡(luò)釣魚(yú)意識(shí)培訓(xùn)。
• 實(shí)施多因素身份驗(yàn)證并定期更新軟件以減少已知漏洞。

2.高級(jí)社會(huì)工程攻擊

人工智能生成的社會(huì)工程攻擊涉及通過(guò)人工智能算法編造令人信服的人物角色、信息或場(chǎng)景，來(lái)操縱和欺騙個(gè)人。這些方法利用心理學(xué)原理來(lái)影響目標(biāo)，使其透露敏感信息或采取某些行動(dòng)。

人工智能生成的社會(huì)工程攻擊示例包括以下幾種：

• 人工智能生成的聊天機(jī)器人或虛擬助手能夠與人類進(jìn)行類似的互動(dòng)，并在此過(guò)程中收集敏感信息或操縱他們的行為。
• 人工智能驅(qū)動(dòng)的深度造假（Deepfake）技術(shù)通過(guò)為虛假信息活動(dòng)生成真實(shí)的音頻和視頻內(nèi)容，構(gòu)成了重大威脅。惡意攻擊者可以利用人工智能語(yǔ)音合成工具，收集和分析音頻數(shù)據(jù)，以準(zhǔn)確模仿目標(biāo)的聲音，便于在各種場(chǎng)景中實(shí)施欺詐活動(dòng)。
• 通過(guò)人工智能生成的個(gè)人資料或自動(dòng)機(jī)器人來(lái)操縱社交媒體，傳播虛假新聞或惡意鏈接。

人工智能社會(huì)工程攻擊防御策略

• 高級(jí)威脅檢測(cè)：實(shí)施人工智能驅(qū)動(dòng)的威脅檢測(cè)系統(tǒng)，能夠識(shí)別表明社會(huì)工程攻擊的模式。
• 電子郵件過(guò)濾和反網(wǎng)絡(luò)釣魚(yú)工具：利用人工智能解決方案在惡意電子郵件到達(dá)用戶收件箱之前阻止它們。
• 多因素身份驗(yàn)證（MFA）：實(shí)現(xiàn)MFA以增加額外的安全層，防止未經(jīng)授權(quán)的訪問(wèn)。
• 員工培訓(xùn)和安全意識(shí)計(jì)劃：通過(guò)持續(xù)的意識(shí)活動(dòng)和培訓(xùn)課程，教育員工識(shí)別和報(bào)告社會(huì)工程策略，包括人工智能驅(qū)動(dòng)的技術(shù)。

3.勒索軟件攻擊

NCSC評(píng)估報(bào)告指出，包括勒索軟件組織在內(nèi)的威脅行為者已經(jīng)在偵察、網(wǎng)絡(luò)釣魚(yú)和編碼等各種網(wǎng)絡(luò)操作中利用人工智能技術(shù)，來(lái)提升攻擊速度和成功率。而且，預(yù)計(jì)這些趨勢(shì)將持續(xù)到2025年以后。

人工智能勒索軟件攻擊防御策略

• 高級(jí)威脅檢測(cè)：使用人工智能驅(qū)動(dòng)的系統(tǒng)來(lái)發(fā)現(xiàn)網(wǎng)絡(luò)活動(dòng)中的勒索軟件模式和異常。
• 網(wǎng)絡(luò)分段：劃分網(wǎng)絡(luò)以限制勒索軟件的橫向移動(dòng)能力。
• 備份與恢復(fù)：定期對(duì)關(guān)鍵數(shù)據(jù)進(jìn)行備份，并驗(yàn)證恢復(fù)過(guò)程。
• 補(bǔ)丁管理：保持系統(tǒng)更新，以修復(fù)被勒索軟件利用的漏洞。

4.對(duì)抗性人工智能

逃逸攻擊（Evasion Attack）和投毒攻擊（Poisoning Attack）是人工智能和機(jī)器學(xué)習(xí)模型背景下的兩種對(duì)抗性攻擊。

• 投毒攻擊：這些攻擊涉及將惡意數(shù)據(jù)插入AI或ML模型的訓(xùn)練數(shù)據(jù)集中。目標(biāo)是通過(guò)微妙地改變訓(xùn)練數(shù)據(jù)來(lái)操縱模型的行為，從而導(dǎo)致有偏差的預(yù)測(cè)或性能受損。通過(guò)在訓(xùn)練過(guò)程中注入有毒數(shù)據(jù)，攻擊者可以破壞模型的完整性和可靠性。
• 逃逸攻擊：這些攻擊的目的是通過(guò)偽造輸入數(shù)據(jù)來(lái)欺騙機(jī)器學(xué)習(xí)模型。目標(biāo)是通過(guò)對(duì)輸入的細(xì)微修改來(lái)改變模型的預(yù)測(cè)，使其對(duì)數(shù)據(jù)進(jìn)行錯(cuò)誤分類。這些調(diào)整經(jīng)過(guò)精心設(shè)計(jì)，使人類在視覺(jué)上無(wú)法察覺(jué)。逃逸攻擊在不同的人工智能應(yīng)用中很普遍，比如圖像識(shí)別、自然語(yǔ)言處理和語(yǔ)音識(shí)別。

對(duì)抗性人工智能防御策略

• 對(duì)抗性訓(xùn)練：使用可用的自動(dòng)發(fā)現(xiàn)工具訓(xùn)練模型識(shí)別對(duì)抗性示例。
• 切換模型：在系統(tǒng)中使用多個(gè)隨機(jī)模型進(jìn)行預(yù)測(cè)，增加攻擊者實(shí)施惡意操作的困難度，因?yàn)樗麄儫o(wú)法確定正在使用的當(dāng)前模型是哪一種。
• 一般化模型：將多個(gè)模型組合起來(lái)創(chuàng)建一般化模型（Generalized Model），使威脅參與者難以欺騙所有模型。
• 負(fù)責(zé)任的AI：利用負(fù)責(zé)任的AI框架來(lái)解決機(jī)器學(xué)習(xí)中獨(dú)特的安全漏洞，因?yàn)閭鹘y(tǒng)的安全框架可能遠(yuǎn)遠(yuǎn)不夠。

5.惡意GPT

惡意GPT涉及操縱生成式預(yù)訓(xùn)練模型（GPT）以達(dá)到攻擊目的。利用大量數(shù)據(jù)集的定制GPT可以潛在地繞過(guò)現(xiàn)有的安全系統(tǒng)，從而加劇人工智能威脅。

知名的惡意GPT包括（但不僅限于）以下幾種：

• WormGPT：用于生成欺詐性電子郵件、仇恨言論和分發(fā)惡意軟件，為網(wǎng)絡(luò)犯罪分子執(zhí)行商業(yè)電子郵件欺詐（BEC）攻擊提供服務(wù)。
• FraudGPT：能夠生成無(wú)法檢測(cè)的惡意軟件、網(wǎng)絡(luò)釣魚(yú)頁(yè)面、未公開(kāi)的黑客工具、識(shí)別泄漏和漏洞，并執(zhí)行附加功能。
• PoisonGPT：PoisonGPT通過(guò)在歷史事件中注入虛假細(xì)節(jié)來(lái)傳播錯(cuò)誤信息。這一工具使惡意行為者能夠捏造新聞，歪曲事實(shí)，并影響公眾認(rèn)知。

結(jié)語(yǔ)

人工智能引發(fā)的攻擊構(gòu)成了嚴(yán)重威脅，能夠造成廣泛的傷害和破壞。為了應(yīng)對(duì)這些威脅，組織應(yīng)該投資防御性人工智能技術(shù)，培養(yǎng)安全意識(shí)文化，并不斷更新其防御策略。通過(guò)保持警惕和積極主動(dòng)，組織可以更好地保護(hù)自身免受這種新的和不斷發(fā)展的威脅影響。