هشت ماه. چهار حادثه بزرگ. یک الگو: زنجیره تأمین نرمافزار با دشمن جدیدی روبرو نشد، بلکه با سلاح جدیدی مواجه شد. بین سپتامبر ۲۰۲۵ و مه ۲۰۲۶، یک کرم خودتکثیرشونده، یک عامل دولتی، یک کمپین تقلیدی و یک مدل هوش مصنوعی ربودهشده، هر کدام راه خود را به درون [این زنجیره] پیدا کردند. pipelineچیزی که میلیونها توسعهدهنده هر روز به آن اعتماد میکنند. این شکل جدیدی از تهدیدهای امنیت سایبری است: سریعتر، دشوارتر برای دیدن، و به طور فزایندهای توسط همان هوش مصنوعی که تیمهای توسعه برای ارسال کد از آن استفاده میکنند، قدرت میگیرد.
اگر مدل ذهنی شما از تهدیدات امنیت سایبری هنوز با ایمیلهای فیشینگ و سرورهای وصله نشده شروع و پایان مییابد، دادههای زیر آن را بهروزرسانی خواهد کرد.
شکل جدید تهدیدات امنیت سایبری
سالها، تهدیدات امنیت سایبری به معنای سرقت اطلاعات احراز هویت، پیکربندی نادرست سرورها و مهندسی اجتماعی بود. این خطرات از بین نرفتهاند: ۸۱٪ از نقضهای اطلاعاتی تأیید شده در سال ۲۰۲۲ شامل اطلاعات احراز هویت به خطر افتاده بوده است. اما یک دسته جدید به مرکز بحثها منتقل شده است: تهدیدات هوش مصنوعی. تیمهای توسعه اکنون به دستیاران کدنویسی هوش مصنوعی، کمک خلبانان خودکار و ... متکی هستند. پروتکل بافت مدل (MCP) سرورها برای ساخت سریعتر نرمافزار، و هر یک از این موارد اکنون نیز یک هدف هستند. تحقیقات نشان میدهد که حدود ۴۰٪ از کد تولید شده توسط هوش مصنوعی حاوی آسیبپذیریهای امنیتی است، به این معنی که سرعت وعده داده شده توسط هوش مصنوعی با افزایش متناسب خطرات امنیتی هوش مصنوعی که مستقیماً در پایگاه کد تعبیه شدهاند، همراه است.
هشت ماه، چهار حادثه: چگونه تهدیدات هوش مصنوعی تشدید شد
واضحترین مدرک مبنی بر اینکه تهدیدات هوش مصنوعی در حال افزایش هستند، یک پیشبینی نیست؛ بلکه یک ... جدول زمانی آنچه قبلاً اتفاق افتاده است:
- سپتامبر ۲۰۲۵، شای-هولوداولین کرم npm خود تکثیر شونده که خود توسعهدهندگان را به یک مکانیزم توزیع تبدیل میکند.
- مارس ۲۰۲۶، axios: بدافزار دولتی پنهان شده در یک بسته که تقریباً ۱۰۰ میلیون بار در هفته دریافت میشود.
- آوریل ۲۰۲۶، SAP npm: تکرار در مقیاس کوچکتر از همان الگوی کرم، که مقیاسهای تکنیک را نشان میدهد.
- مه ۲۰۲۶، کلود اوپوس → PromptMink: یک مدل زبانی بزرگ که برای جاسازی بدافزار درون یک عامل خودمختار به کار گرفته شده است، و خود هوش مصنوعی به عنوان بردار حمله عمل میکند.
هر حادثه، حادثهی قبل از خود را دوباره مورد استفاده قرار داده و مقیاسبندی میکرد. این ویژگیِ تعیینکنندهی تهدیدات هوش مصنوعی در سال ۲۰۲۶ است: آنها سریعتر از تهدیدات امنیت سایبری سنتی، ترکیب میشوند، زیرا همان اتوماسیونی که به توسعهدهندگان در ارسال کمک میکند، به مهاجمان نیز در انتشار کمک میکند.
چرا ابزارهای سنتی نمیتوانند این خطرات هوش مصنوعی را تشخیص دهند؟
ابزارهای سنتی AppSec در مخزن متوقف میشوند و نمیدانند مدل چیست. ابزارهای سنتی endpoint سیستم عامل را زیر نظر دارند و بستهها، سرورهای MCP یا دستیاران هوش مصنوعی را درک نمیکنند. شکاف بین این دو دقیقاً جایی است که هوش مصنوعی تا زمانی که آسیب وارد نشود، بدون شناسایی، در معرض خطر قرار میگیرد.
دو رقم، این افشاگری را ملموستر میکند: سرقت اطلاعات احراز هویت با هدف هوش مصنوعی بین سهماهه چهارم ۲۰۲۵ و سهماهه اول ۲۰۲۶، ۳۷۶ درصد افزایش یافته است، و یک پل MCP مخرب (CVE-2025-6514) قبل از شناسایی، ۴۳۷۰۰۰ بار دانلود شده است که امکان اجرای کد از راه دور را روی کلاینت فراهم میکند. سرورهای MCP عمومی نیز به طور پیشفرض ایمن نیستند: ۵.۵٪ دارای نقصهای مسمومیت با ابزار و ۴۳٪ دارای نقصهای تزریق فرمان هستند که به اندازه کافی شدید هستند تا ابزار خود توسعهدهنده را به یکی از جدیترین تهدیدات امنیت سایبری که یک سازمان میتواند با آن روبرو شود، تبدیل کنند.
زنجیره تأمین نرمافزار هنوز بزرگترین منبع تهدیدات امنیت سایبری است
هوش مصنوعی این مشکل را اختراع نکرده، بلکه آن را گسترش داده است. زنجیره تأمین نرمافزار از قبل بیشترین نقطه ورود مورد سوءاستفاده برای تهدیدات امنیت سایبری بوده است و اعداد و ارقام نیز این موضوع را تأیید میکنند. از سال ۲۰۱۹ بیش از ۷۷۸۵۰۰ بسته متنباز مخرب شناسایی شده است و این رقم در یک سال ۱۵۶ درصد افزایش یافته و به ۵۱۲،۸۴۷ بسته رسیده است. ENISA دریافته است که ۶۰ درصد از حملات زنجیره تأمین از اعتماد مشتری به یک تأمینکننده سوءاستفاده کردهاند و طبق برخی تخمینها، زنجیره تأمین نرمافزار اکنون تقریباً هر ۴۸ ساعت یک حمله را تجربه میکند. حملات زنجیره تأمین بین سالهای ۲۰۱۹ تا ۲۰۲۲، ۷۴۲ درصد افزایش یافته است، پیشبینیها نشان میدهد که ۴۵ درصد از سازمانها تا سال ۲۰۲۵ تحت تأثیر قرار خواهند گرفت و هزینههای سالانه تا سال ۲۰۳۱ به ۱۳۸ میلیارد دلار خواهد رسید. هزینه حملات زنجیره تأمین نرمافزار تنها در سال جاری ۶۰ میلیارد دلار تخمین زده شده است.
همین وابستگی و pipeline نقاط ضعفی که این تهدیدات امنیت سایبری کلاسیک را ایجاد میکردند، اکنون خطرات هوش مصنوعی را نیز به همراه دارند: یک بستهی در معرض خطر، یک اقدام GitHub با پیکربندی نادرست، یا یک فایل پین نشده CI/CD این مرحله میتواند یک عامل هوش مصنوعی را به همان راحتی که یک توسعهدهنده انسانی را هدف قرار میدهد، هدف قرار دهد.
خطرات امنیتی گستردهتر هوش مصنوعی فراتر از کدبیس
همه خطرات هوش مصنوعی درون یک فایل کد وجود ندارند. یک نقشه کاملتر از خطرات امنیتی هوش مصنوعی، کل چرخه عمر یک دارایی هوش مصنوعی را در بر میگیرد: تزریق سریع و نشت سریع سیستم، دادههای حساس که از طریق پیکربندیهای بیش از حد مجاز هوش مصنوعی افشا میشوند، بردارها و جاسازیهای مسموم، دستورالعملهای مخرب پنهان در اسناد و فایلهای قانون، پیکربندیهای ناامن MCP و سرورهای غیرقابل اعتماد، وابستگیهای آسیبپذیر یا نامرتبط هوش مصنوعی، و عاملیت بیش از حد، که در آن یک عامل هوش مصنوعی فراتر از مرزهایی که با آن پیکربندی شده است عمل میکند.
این دستهها مستقیماً بر روی ... نگاشت میشوند. ده مورد برتر OWASP برای برنامههای LLMاز ده مورد برتر OWASP برای برنامههای عاملگرا، و ده مورد برتر OWASP MCPسه چارچوب به سرعت در حال تبدیل شدن به واژگان مشترک برای خطرات امنیتی هوش مصنوعی در سراسر صنعت هستند.
کاهش مواجهه با تهدیدات امنیت سایبری: چه چیزی واقعاً مؤثر است
دادهها به دو چیز اشاره دارند که به طور مداوم در برابر تهدیدات امنیت سایبری مؤثر هستند: بهداشت اولیه و تشخیص زودهنگام. ۹۸٪ از حملات سایبری با رعایت اصول اولیه امنیت قابل پیشگیری هستند، با این حال ۳۴٪ از نقض دادهها هنوز ناشی از تهدیدات داخلی است و ۶۰٪ از برنامهها هنوز دارای آسیبپذیریهایی در کد شخص ثالث هستند. خود گیتهاب نیز مصون نیست: ۱.۹٪ از مخازن بهرهبرداری اثبات مفهوم گیتهاب، خود مخرب هستند و برای استخراج دادهها یا استقرار بدافزار برای محققانی که به آنها اعتماد دارند، ساخته شدهاند.
بهطور خاص برای ریسکهای هوش مصنوعی، رفع آنها باید در مراحل اولیه چرخه عمر انجام شود:
- اعتبارسنجی را درون IDE انجام دهید. تشخیص الگوهای ناامن در کد تولید شده توسط هوش مصنوعی قبل از رسیدن به ... pipeline بزرگترین منبع خطرات امنیتی جدید هوش مصنوعی را میبندد.
- بدافزار را قبل از وجود امضا شناسایی کنید. ابزارهای مبتنی بر اعتبار، بستههای روز صفر را از دست میدهند، که دقیقاً همان شکافی است که Shai-Hulud، axios و SAP npm از آن سوءاستفاده میکنند.
- از هر دارایی هوش مصنوعی فهرست تهیه کنید. مدلها، مجموعه دادهها، عاملها و سرورهای MCP را نمیتوان از طریق چیزی که یک تیم از اجرای آن بیاطلاع است، مدیریت یا مورد حمله قرار داد.
چگونه Xygeni به این تهدیدات امنیت سایبری میپردازد
شیگنی DevAI با تهدیدات هوش مصنوعی به عنوان بخش درجه یک امنیت برنامه برخورد میکند، نه یک مشکل جداگانه که بعداً به آن اضافه میشود. DevAI اعتبارسنجی امنیتی را به صورت بلادرنگ در داخل IDE توسعهدهنده اعمال میکند و الگوهای ناامن را در کد تولید شده توسط هوش مصنوعی قبل از انتشار، علامتگذاری میکند. هشدار زودهنگام بدافزار (MEW) cبه طور مداوم NPM، PyPI و Maven را اسکن میکند تا بستههای مخرب را قبل از وجود امضا شناسایی کند و الگوی دقیق زنجیره تأمین پشت Shai-Hulud، axios و SAP npm را مورد بررسی قرار دهد. AI Security هر دارایی هوش مصنوعی را در سراسر ... کشف میکند. SDLC، آن را در مقایسه با چارچوبهای OWASP فوق ارزیابی میکند، و Shield قبل از اینکه یک مدل، عامل یا سرور MCP ناامن اجازه اجرا پیدا کند، سیاست را در نقطه پایانی اعمال میکند.
سازمانهایی که در سال ۲۰۲۶ به خوبی ریسکهای هوش مصنوعی را مدیریت میکنند، آنهایی نیستند که بیشترین ابزارها را اجرا میکنند. آنها سازمانهایی هستند که میتوانند هر دارایی هوش مصنوعی را که اجرا میکنند ببینند، موارد ناامن را قبل از اجرا متوقف کنند و آن هوش را در ابزارهایی که از قبل دارند اعمال کنند.
سوالات متداول
بزرگترین تهدیدات امنیت سایبری در سال 2026 چیست؟
حملات زنجیره تأمین همچنان از نظر حجم و هزینه، بزرگترین دسته هستند و تخمین زده میشود که امسال ۶۰ میلیارد دلار خسارت وارد شده و تقریباً هر ۴۸ ساعت یک حمله رخ میدهد. در کنار آنها، تهدیدات هوش مصنوعی به عنوان یک دسته با رشد سریع ظهور کردهاند: سرقت اعتبارنامههای هدفمند با هوش مصنوعی در یک فصل ۳۷۶ درصد افزایش یافته است و حوادثی مانند Shai-Hulud، axios و PromptMink نشان میدهد که مهاجمان به طور فعال از هوش مصنوعی هم به عنوان هدف و هم به عنوان مکانیسم تحویل استفاده میکنند.
آیا کد تولید شده توسط هوش مصنوعی یک خطر امنیتی است؟
بله. تحقیقات نشان میدهد که حدود ۴۰٪ از کدهای تولید شده توسط هوش مصنوعی حاوی آسیبپذیریهای امنیتی هستند. این امر اعتبارسنجی بلادرنگ در داخل IDE توسعهدهنده، قبل از ادغام کد، را به یکی از مؤثرترین راهها برای کاهش خطرات امنیتی هوش مصنوعی در منبع تبدیل میکند.
MEW چیست و چگونه با تهدیدات هوش مصنوعی مقابله میکند؟
هشدار زودهنگام بدافزار (MEW) سیستم اسکن مداوم Xygeni برای NPM، PyPI و Maven است. این سیستم برای شناسایی بستههای مخرب قبل از وجود امضا طراحی شده است، که این موضوع اهمیت دارد زیرا ابزارهای مبتنی بر اعتبار فقط آنچه را که از قبل شناسایی شده است شناسایی میکنند و الگوی دقیق روز صفر پشت تهدیدات اخیر هوش مصنوعی و کرمهای زنجیره تأمین را از دست میدهند.
آیا سرورهای MCP منبع واقعی خطرات هوش مصنوعی هستند؟
بله. سرورهای عمومی MCP خطرات امنیتی هوش مصنوعی قابل اندازهگیری را در سطح وسیع نشان میدهند: ۵.۵٪ دارای نقصهای مسمومیت با ابزار و ۴۳٪ دارای نقصهای تزریق دستور هستند و تنها یک پل MCP آسیبپذیر قبل از شناسایی ۴۳۷۰۰۰ بار دانلود شده است.
