کاربرد هوش مصنوعی در حوزه اطلاعات و امنیت

فعالیت های اطلاعاتی و امنیتی، شامل جمع آوری، پردازش و تحلیل داده ها، از مهم ترین و پیچیده ترین عرصه های حیات سیاسی و نظامی دولت ها و بازیگران غیردولتی محسوب می شوند. دهه ها بود که ابزارهای سنتی چون جاسوسی انسانی، شنود تلفنی یا تحلیل تصاویر ماهواره ای و هوایی، بخش عمده چرخه اطلاعاتی را شکل می دادند. امروزه، روش های سنتی در پی رشد بی سابقه داده ها در عصر دیجیتال، دیگر پاسخگوی حجم و تنوع اطلاعات نیستند و هوش مصنوعی نقش مهمی در حوزه اطلاعات و امنیت ایفا می کند.

ضرورت و اهداف پژوهش

در جهان حاضر، میلیون ها تراکنش مالی، میلیاردها پیام در شبکه های اجتماعی، تصاویر ماهواره ای لحظه ای و حجم عظیمی از سیگنال های الکترونیکی در دسترس نهادهای امنیتی قرار دارد. تحلیل این داده ها توسط انسان غیرممکن است. از این رو، بهره گیری از هوش مصنوعی به ضرورتی انکارناپذیر برای جوامع اطلاعاتی تبدیل شده است. هوش مصنوعی با قابلیت پردازش سریع، کشف الگوهای پنهان و تحلیل بلادرنگ داده ها، می تواند همکار یا حتی جایگزین تحلیل گران انسانی شود؛ لذا کشورها به سرعت در حال سرمایه گذاری در این حوزه هستند. در مقابل، کشورهایی که از این قافله عقب بمانند، از منظر امنیتی آسیب پذیر شده و امکان پاسخ مؤثر به تهدیدات را نیز از دست خواهند داد. در این گزارش به بررسی کاربردهای هوش مصنوعی در حوزه اطلاعات و امنیت و چالش های ایران در توسعه این حوزه پرداخته شده است.

روش های جمع آوری اطلاعات

• HUMINT (اطلاعات انسانی): جمع آوری اطلاعات از طریق تماس و تعامل میان اشخاص، مانند مصاحبه ها، مشاهدات، یا هر نوع اقدامات از این دست.
• GEOINT (اطلاعات زمین مکانی): جمع آوری اطلاعات از طریق تجزیه و تحلیل تصاویر و اطلاعات مکانی، مانند نقشه ها، تصاویر ماهواره ای و داده های جغرافیایی جهت بررسی ویژگی های فیزیکی زمین و فعالیت های انسانی.
• IMINT (اطلاعات تصویری): جمع آوری اطلاعات از طریق تجزیه و تحلیل تصاویر بصری، مانند تصاویر حاصل از فعالیت ماهواره ها، پهپادها و عکس برداری هوایی جهت بررسی اشیای فیزیکی، مکان ها و فعالیت های انسانی.
• MASINT (اطلاعات اندازه گیری و اثر): جمع آوری اطلاعات فنی از طریق شناسایی، ردیابی و تجزیه و تحلیل پدیده های فیزیکی مانند سیگنال های الکترومغناطیسی، آثار شیمیایی و صوتی که اغلب برای شناسایی ویژگی های منحصر به فرد اهداف خاص استفاده می شود.
• OSINT (اطلاعات منبع باز): جمع آوری اطلاعات از طریق تجزیه و تحلیل منابع در دسترس عموم، مانند مقالات خبری، رسانه های اجتماعی، وب گاه ها و سوابق عمومی.
• SIGINT (اطلاعات سیگنال): جمع آوری اطلاعات از طریق رهگیری و تجزیه و تحلیل ارتباطات و سیگنال های الکترونیکی مانند پیام های رادیویی، ایمیل ها یا تماس های تلفنی.
• ELINT (اطلاعات الکترونیک): زیرمجموعه ای از SIGINT که بر جمع آوری اطلاعات از طریق رهگیری و تجزیه و تحلیل سیگنال های الکترونیکی که شامل ارتباطات مستقیم نیستند (مانند امواج رادار و سایر سیستم های الکترونیکی) تمرکز دارد.
• COMINT (اطلاعات ارتباطات): زیرمجموعه ای از SIGINT که بر جمع آوری اطلاعات از طریق رهگیری و تجزیه و تحلیل ارتباطات صوتی یا متنی بین افراد یا گروه ها تمرکز دارد.
• TECHINT (اطلاعات فنی): جمع آوری اطلاعات از طریق تجزیه و تحلیل فناوری، تجهیزات یا پیشرفت های علمی خارجی مانند سامانه های تسلیحاتی یا فرآیندهای صنعتی.
• CYBINT/DNINT (اطلاعات سایبری/ شبکه دیجیتال): اطلاعات جمع آوری شده از شبکه های دیجیتال، مانند داده های عملیات سایبری، سامانه های رایانه ای و فعالیت های آنلاین.
• FININT (اطلاعات مالی): جمع آوری اطلاعات مربوط به تراکنش های مالی، حساب ها و داده های اقتصادی برای کشف پول شویی، تأمین مالی فعالیت های غیرقانونی یا سایر جرایم مالی.

نقش های اصلی هوش مصنوعی در چرخه اطلاعاتی

هوش مصنوعی چهار کارکرد کلیدی در حوزه اطلاعاتی دارد:

1. جمع آوری و پایش: هوش مصنوعی می تواند داده های ورودی را به صورت لحظه ای پردازش کند و تصمیم بگیرد کدام داده ها برای جمع آوری بعدی ارزشمندتر هستند. مثلاً در نظارت ماهواره ای، سیستم می تواند بر اساس تغییرات محیطی دستور تصویربرداری جدید صادر کند.
2. اولویت بندی اطلاعات: الگوریتم ها می توانند داده های کلیدی را از میان انبوه داده ها استخراج و در اولویت تحلیل گر قرار دهند.
3. تحلیل خودکار: از ترجمه گزارش های SIGINT گرفته تا شناسایی روابط مالی پیچیده، هوش مصنوعی می تواند خروجی اولیه آماده کند.
4. ارزیابی و بازبینی: تحلیل کیفیت اطلاعات، شناسایی خلأها و ارائه گزارش های تکمیلی نیز از وظایف هوش مصنوعی است.

شرح برخی از سامانه ها و پروژه ها

الف) بهبود داده های خام

• Sable Spear: پروژه ای آمریکایی که با تحلیل داده های HUMINT، SIGINT و FININT، شبکه های قاچاق مواد مخدر را شناسایی می کند. این پروژه می تواند با ترکیب داده های متنوع و مدل های رفتاری، گروه ها و اشخاص را شناسایی کند.
• C3.ai: سامانه ای که با جمع آوری داده های گسترده از منابع سایبری، مالی و اجتماعی، به افراد ضریب خطر اختصاص می دهد. این روش امکان پایش هوشمند افراد پرریسک را فراهم می کند.
• Palantir Gotham + Ava: پلتفرمی برای مدیریت داده های حجیم که با دستیار هوش مصنوعی Ava ترکیب شده و روابط پنهان میان داده ها را آشکار می سازد. این ابزار در کشف تهدیدات پیچیده نقش دارد.

ب) کشف موارد مهم

• خزانه داری آمریکا (AML/CFT): تراکنش های مشکوک مالی با استفاده از یادگیری ماشینی شناسایی و اولویت بندی می شوند.
• Hunters XDR: محصولی برای شناسایی تهدیدات سایبری و جلوگیری از حملات پیچیده.
• ICAD: سیستم پایش مرزی که با هوش مصنوعی مسیر احتمالی افراد متجاوز را پیش بینی می کند.
• Logically AI: سامانه ای بریتانیایی برای رصد شبکه های اجتماعی، تحلیل احساسات و شناسایی افراد افراطی.

ج) کمک در مسیر تحلیل

• Palantir AIP: سامانه ای برای مدیریت میدان نبرد که با ادغام داده های ماهواره، پهپاد و گزارش های میدانی، توصیه های عملیاتی دقیق به فرماندهان ارائه می دهد.

د) جایگزینی تحلیل گر

• Lavender و Gospel: دو سامانه اسرائیلی که به ترتیب برای شناسایی افراد و اهداف فیزیکی استفاده می شوند. این ابزارها سرعت عملیات ارتش اسرائیل در غزه و لبنان را چندین برابر کرده اند.
• پروژه Maven (آمریکا): نقطه عطفی در ادغام هوش مصنوعی با عملیات نظامی. Maven با تحلیل داده های تصویری پهپادها، از عملیات علیه داعش تا جنگ اوکراین نقش کلیدی ایفا کرده است.

چالش های ایران

ایران برای بهره گیری از هوش مصنوعی امنیتی با مشکلات متعددی روبرو است:

• کمبود داده آموزشی: دسترسی محدود به داده های حساس مانند SIGINT یا GEOINT موجب می شود مدل های بومی با دقت پایین تری آموزش ببینند.
• C3.aiکمبود GPU، هزینه بالای دیتاسنترها و مهاجرت متخصصان از چالش های اصلی هستند.
• صحت سنجی مدل ها: به دلیل ماهیت «جعبه سیاه» هوش مصنوعی، ممکن است خروجی ها قابل اعتماد نباشند.

راهکارهای مقابله با دشمن

تحقیق حاضر مجموعه ای از اقدامات آفندی و پدافندی برای مقابله با برتری دشمن ارائه می دهد:

• حملات گریز (Evasion Attacks): تغییر الگوهای ظاهری تجهیزات برای گمراه کردن سامانه های شناسایی ماهواره ای.
• حملات به زیرساخت و نیروی انسانی: نفوذ سایبری به مراکز پردازشی دشمن یا هدف قرار دادن افراد کلیدی.
• مسموم سازی داده ها (Data Poisoning): تزریق داده های مخرب به منابع عمومی مورد استفاده برای آموزش مدل ها.
• حملات انتقالی (Transfer Attacks): دستکاری مدل های پایه مانند YOLO یا GPT که در سامانه های دشمن به کار می روند.
• سخت تر کردن جمع آوری اطلاعات: شامل استفاده از تجهیزات الکترونیکی، رعایت پروتکل های امنیتی، استفاده از پدافند غیرعامل و افزایش استقلال واحدهای عملیاتی مرکز.

نتیجه گیری

هوش مصنوعی به ابزار اصلی در دگرگونی عرصه امنیتی و اطلاعاتی بدل شده است. کشورهای پیشرفته با سامانه های هوش مصنوعی توانسته اند برتری اطلاعاتی چشمگیری به دست آورند. در مقابل، کشورهایی مانند ایران در فقدان برنامه ملی جامع، با خطر عقب ماندگی دائم و آسیب پذیری جدی روبرو خواهند بود. تدوین راهبرد ملی هوش مصنوعی در حوزه امنیت ضروری است. چنین راهبردی باید بر توسعه زیرساخت های بومی، تربیت و حفظ متخصصان، تقویت امنیت سایبری و بهره گیری از تجربیات دشمن استوار باشد.

این مطالعه در اندیشکده مطالعات دفاعی-راهبردی پارتیزان توسط حامد عابدی در سال 1403 انجام شده است.