چگونه با استفاده از عامل امنیتی هوش مصنوعی متن‌باز، ۲۴ آسیب‌پذیری اندروید شناسایی شد

در سپتامبر ۲۰۲۶، پژوهشگران GitHub Security Lab دستاورد مهمی را در زمینه تست خودکار امنیت موبایل به نمایش گذاشتند [S2]. این تیم با بهره‌گیری از یک عامل امنیتی هوش مصنوعی (AI security agent) که به‌صورت متن‌باز ارائه شده است، موفق شد ۲۴ آسیب‌پذیری مختلف را در اپلیکیشن‌های اندرویدی شناسایی و گزارش کند [S2, S3, S5]. این تحقیق نشان داد که «جریان‌های کاری» (taskflows) مبتنی بر هوش مصنوعی، توانایی شناسایی نقص‌های منطقی پیچیده‌ای را دارند که روش‌های سنتی تست امنیت ممکن است از آن‌ها غافل شوند؛ نقص‌هایی نظیر دور زدن سیستم‌های ردیابی موقعیت مکانی و مکانیزم‌های تصاحب حساب (account takeover) [S2]. از جمله یافته‌های قابل توجه این پژوهش، شناسایی آسیب‌پذیری‌های بحرانی در اپلیکیشن‌های پرکاربردی همچون OsmAnd (اپلیکیشن مسیریابی با بیش از ۱۰ میلیون دانلود) و اپلیکیشن اندرویدی Wikipedia بود [S2, S5].

فناوری پشت پرده: جریان‌های کاری مبتنی بر هوش مصنوعی

هسته اصلی این کشفیات، استفاده از جریان‌های کاریِ ممیزیِ سفارشی‌سازی‌شده‌ای است که با نام «taskflows» شناخته می‌شوند [S5]. این جریان‌های کاری توسط Kevin Stubbings، پژوهشگر GitHub Security Lab، توسعه یافته‌اند و بر پایه پروژه متن‌باز Taskflow Agent عمل می‌کنند [S5].

تحلیل تخصصی موبایل

برخلاف دستورالعمل‌های (prompts) امنیتی عمومی که در کاربردهای گسترده‌تر هوش مصنوعی استفاده می‌شوند، این taskflowها به‌طور اختصاصی برای اکوسیستم موبایل مهندسی شده‌اند [S5]. تفاوت‌های فنی کلیدی این روش عبارتند از:

• تمایز نقاط ورود: این جریان‌های کاری به‌گونه‌ای طراحی شده‌اند که نقاط ورود مخصوص موبایل را از نقاط ورودی معمول در محیط‌های وب یا دسکتاپ متمایز کنند [S5].
• تشخیص باگ‌های مبتنی بر Intent: مدل‌ها به‌طور صریح برای جستجوی آسیب‌پذیری‌های پیچیده و مبتنی بر Intent، مانند مسائل «معاون گیج‌شده» (confused deputy) و پخش‌های ناامن (insecure broadcasts)، هدایت می‌شوند [S5]. این‌ها از جمله انواع نقص‌هایی هستند که دستورالعمل‌های امنیتی عمومی اغلب در شناسایی آن‌ها شکست می‌خورند [S5].
• جریان کاری خودکار: این فرآیند از taskflowهای هوش مصنوعی برای شناسایی سیستماتیک نقاط ورود، طبقه‌بندی ماهیت آسیب‌پذیری‌ها و تولید اثبات مفهوم (PoC) استفاده می‌کند [S2].

مخزن پروژه Taskflow Agent به‌عنوان یک منبع متن‌باز در آدرس https://github.com/github/seclab-taskflows در دسترس است [S2].

مطالعه موردی: از ردیابی مسیر تا تصاحب حساب

۱. OsmAnd: ردیابی موقعیت مکانی و بازسازی مسیر

پژوهشگران یک نقص بحرانی در OsmAnd، اپلیکیشن مسیریابی با بیش از ۱۰ میلیون دانلود در Play Store، شناسایی کردند [S2, S5].

مکانیزم فنی: این آسیب‌پذیری حول محور یک Android activity صادرشده (exported) به نام MapActivity می‌چرخد [S5]. این فعالیت، «intent extras» را می‌پذیرفت که باید تنها به کانال‌های ارتباطی داخلی محدود می‌شدند [S5]. از آنجایی که این activity صادر شده بود، هر اپلیکیشنی که روی همان دستگاه نصب شده باشد، می‌توانست بدون نیاز به هیچ مجوز خاصی، از این extras استفاده کند [S5].

پیامد احتمالی: یک مهاجم می‌توانست با استفاده از این intent extras، به‌صورت پنهانی تنظیمات مخرب را وارد اپلیکیشن کند [S5]. به‌طور مشخص، مهاجم قادر بود منبع معتبر کاشی‌های نقشه (map tiles) در OsmAnd را با یک سرور تحت کنترل خود جایگزین کند [S5]. با این کار، مهاجم می‌توانست مختصات دقیق هر کاشی نقشه‌ای را که قربانی بارگذاری می‌کرد، ثبت کند و بدین ترتیب مسیرهای دقیق کاربر را بدون اینکه تغییری در رفتار ظاهری اپلیکیشن مشاهده شود، بازسازی نماید [S5].

۲. Wikipedia: تصاحب حساب از طریق سوءاستفاده از WebView و Deeplink

اپلیکیشن اندرویدی Wikipedia در برابر زنجیره‌ای از آسیب‌پذیری‌ها قرار داشت که می‌توانست منجر به سرقت داده‌های احراز هویت شود [S3, S5].

مکانیزم فنی: این اکسپلویت شامل دو نقص مجزا است: ۱. نقص در اعتبارسنجی Hostname: مدیریت‌کننده deeplink در این اپلیکیشن، به‌جای مطابقت کامل با دامنه، از متد endsWith() برای بررسی hostname استفاده می‌کرد [S5]. این امر اجازه می‌داد یک لینک مخرب (مانند evil-wikipedia.org) به‌عنوان یک لینک معتبر Wikipedia پردازش شده و درون WebView اپلیکیشن بارگذاری شود [S5]. ۲. نقص در Cookie Manager: نقص ثانویه در مدیریت کوکی‌های اپلیکیشن، به WebView اجازه می‌داد تا به کوکی‌های نشست (session cookies) طولانی‌مدت قربانی دسترسی پیدا کند [S5].

پیامد احتمالی: یک مهاجم با ترکیب این دو نقص، می‌توانست از یک لینک مخرب برای وادار کردن WebView به بارگذاری یک دامنه مشابه استفاده کند؛ این دامنه سپس کوکی‌های نشست قربانی را استخراج می‌کرد [S5]. این اقدام، توکنی را در اختیار مهاجم قرار می‌داد که در تمامی پروژه‌های Wikimedia معتبر بود و در عمل، امکان تصاحب حساب (account takeover) را فراهم می‌کرد [S5].

تحلیل فنی و مدل‌سازی تهدید

مسیر حمله و زنجیره کشتار (Kill Chain)

این پژوهش آسیب‌پذیری‌های شناسایی‌شده را با یک «زنجیره کشتار ابری» (cloud kill chain) تطبیق می‌دهد تا نشان دهد شکاف‌های دفاعی در طول یک حمله چگونه پدیدار می‌شوند [S2]. این روند به‌صورت زیر مدل‌سازی شده است:

• نفوذ اولیه (با اطمینان متوسط): taskflowهای هوش مصنوعی، Android activityهای صادرشده و مدیریت‌کننده‌های deeplink را به‌عنوان نقاط ورود اصلی که در برابر دستکاری intent و سوءاستفاده از طرح URL آسیب‌پذیر هستند، شناسایی کردند [S2].
• افزایش سطح دسترسی (با اطمینان متوسط): پتانسیل دور زدن مرزهای احراز هویت [S2].
• حرکت جانبی (با اطمینان پایین): حرکت بین اجزای مختلف اپلیکیشن [S2].
• فرماندهی و کنترل (با اطمینان متوسط): برقراری ارتباط با زیرساخت‌های غیرمجاز [S2].
• استخراج داده (با اطمینان بالا): استخراج داده‌ها از طریق مقاصد غیرمجاز [S2].
• پیامد (سطح بالا): پتانسیل قابل‌توجه برای افشای داده‌ها و به خطر افتادن حساب‌های کاربری [S2].

نگاشت با چارچوب MITRE ATT&CK®

آسیب‌پذیری‌های کشف‌شده با چندین تکنیک MITRE ATT&CK همسو هستند، از جمله:

• اجرا (Execution): تکنیک T1059.007 (مفسر دستور و اسکریپت: JavaScript) [S2].
• دسترسی اولیه (Initial Access): تکنیک T1566.002 (فیشینگ: لینک Spearphishing) [S2].
• دسترسی به اعتبار (Credential Access): تکنیک‌های T1555.003 (اعتبارات از ذخیره‌سازهای رمز عبور: اعتبارات از مرورگرهای وب) و T1528 (سرقت توکن دسترسی اپلیکیشن) [S2].
• فرار از دفاع (Defense Evasion): تکنیک T1562.001 (اختلال در دفاع: غیرفعال کردن یا تغییر ابزارها) [S2].
• جمع‌آوری (Collection): تکنیک T1213.002 (داده‌ها از مخازن اطلاعاتی: Sharepoint) [S2].

نقش هوش انسانی و محدودیت‌های هوش مصنوعی

اگرچه عامل هوش مصنوعی کارایی بالایی در کشف آسیب‌پذیری‌ها نشان داد، اما این پژوهش تأکید می‌کند که هوش مصنوعی در حال حاضر در «پیدا کردن» باگ‌ها بسیار بهتر از «قضاوت» درباره شدت آن‌ها عمل می‌کند [S5].

محدودیت‌های شناسایی‌شده در هوش مصنوعی:

• طبقه‌بندی نادرست شدت: مدل به‌طور مکرر حتی پس از دستورالعمل برای اجتناب از آن‌ها، مسائل با شدت پایین را به‌عنوان موارد بحرانی علامت‌گذاری می‌کرد [S5].
• محاسبه نادرست اثرگذاری: هوش مصنوعی گاهی اوقات تأثیر واقعی یک یافته را به‌درستی درک نمی‌کرد. برای مثال، ممکن بود یک اکسپلویت را «عملیاتی» تشخیص دهد، در حالی که یک عامل تعدیل‌کننده (مانند اولویت یافتن فضای ذخیره‌سازی داخلی بر فضای ذخیره‌سازی خارجی تحت کنترل مهاجم) در واقع آن تهدید را خنثی کرده بود [S5].
• ضرورت اعتبارسنجی: به‌دلیل این محدودیت‌ها، اعتبارسنجی انسانی پیش از اینکه هر یافته تولیدشده توسط هوش مصنوعی به‌عنوان یک مسئله امنیتی واقعی تلقی شود، یک مرحله ضروری باقی می‌ماند [S3, S5].

الزامات عملیاتی:

استفاده از این taskflowها بدون هزینه نیست. اگرچه این عامل متن‌باز است، اما اجرای آن روی یک پایگاه کد با اندازه متوسط، مستلزم داشتن مجوز GitHub Copilot است و می‌تواند تعداد قابل‌توجهی از درخواست‌های مدل‌های پرمیوم (premium model requests) را مصرف کند [S5].

انطباق و پیامدهای صنعتی

آسیب‌پذیری‌های کشف‌شده نشان‌دهنده ضعف‌های سیستماتیکی هستند که با چارچوب‌های نظارتی جهانی مختلف تلاقی دارند [S2]:

• GDPR (ماده ۲۵): ردیابی موقعیت مکانی و افشای اعتبار نشان‌دهنده شکست در اصل «حریم خصوصی در طراحی» (privacy by design) است [S2].
• PCI DSS 4.0 (کنترل ۶.۲.۴): به خطر افتادن WebView و سوءاستفاده از deeplink نشان‌دهنده نقص در شیوه‌های مهندسی نرم‌افزار امن است [S2].
• CISA ZTMM 2.0: نشان‌دهنده عدم کفایت در کدنویسی امن و اعتبارسنجی ورودی‌ها است [S2].
• سایر چارچوب‌ها: این پژوهش همچنین به پیامدهایی برای NYDFS 23 NYCRR 500، DORA (مدیریت ریسک ICT) و دستورالعمل NIS2 اشاره می‌کند [S2].

برای صنایعی مانند خدمات مالی، این نقص‌ها خطرات قابل‌توجهی در زمینه ردیابی موقعیت مکانی و تصاحب حساب ایجاد می‌کنند که اجرای معماری‌های Zero Trust را ضروری می‌سازد [S2]. در بخش مخابرات، این آسیب‌پذیری‌ها از طریق اپلیکیشن‌های آسیب‌دیده، زیرساخت‌ها را در معرض خطر قرار می‌دهند که نیازمند تقویت نظارت بر ترافیک رمزنگاری‌شده است [S2].