Attack-Path-Aware Enterprise Risk Quantification for Cloud-Native Financial Data Platforms Using AI and Cybersecurity Graphs

في عالم المصارف عالي المخاطر، لطالما كان حماية الأموال والبيانات الشخصية بمثابة لعبة ذات شقين. فمن ناحية، تستخدم فرق الأمن الماسحات الضوئية الآلية للعثور على نقاط الضعف في أنظمتها الحاسوبية، وتصنفها حسب مدى خطورتها الظاهرية على الورق. ومن ناحية أخرى، يحاول مديرو المخاطر تخمين مقدار الأموال التي قد تخسرها المصارف إذا نجح أحد القراصنة، وغالبًا ما يعتمدون في ذلك على تقديرات تقريبية ورسوم بيانية ملونة. ولعقود من الزمن، عملت هاتان المجموعتان بالتوازي، ونادرًا ما تحدثتا اللغة نفسها؛ فالماسحات الضوئية تخبرهم أي ثغبة واحدة هي الأكبر، بينما يقلق مديرو المخاطر بشأن إجمالي الضرر المالي. ولكن في المصارف الحديثة، حيث تتدفق البيانات عبر شبكات سحابية معقدة، نادرًا ما تكون الثغبة الكبيرة الواحدة هي المشكلة الحقيقية. بدلاً من ذلك، ينجح المخترق عادةً من خلال ربط سلسلة من الخطوات الصغيرة التي تبدو غير ضارة، مثل المرور عبر باب مفتوح، ثم استعارة مفتاح من صديق موثوق، ثم التسلل إلى الخزنة. لم يعد السؤال الجوهري هو أي ثغبة هي الأكبر فحسب، بل أي سلسلة من الخطوات الصغيرة تؤدي بالفعل إلى الكنز الأكثر قيمة.

تقترح دراسة جديدة من مهندس البيانات غوبيناثان راثينافيلو طريقة لربط هذين العالمين أخيرًا. يقدم البحث نظامًا يرسم مسار الرحلة الكاملة التي قد يتخذها المخترق، بدلاً من مجرد النظر إلى نقاط ضعف معزولة. ومن خلال بناء خريطة رقمية لشبكة المصرف السحابية، يتتبع النظام كيفية انتقال المهاجم من نقطة إلى أخرى، مع وسم كل خطوة بسلوكيات الاختراق المعروفة. ثم يستخدم هذا النظام الخريطة لحساب الاحتمالية الفعلية لوصول الخرق إلى البيانات الأكثر حساسية، والمعروفة باسم "الجواهر التاجية"، ويترجم تلك الاحتمالية إلى نطاق محدد من الخسائر المالية المحتملة. والهدف هو مساعدة المصارف على تقرير أين تنفق ميزانيتها الأمنية المحدودة لإيقاف المسارات الأكثر خطورة، بدلاً من مجرد إصلاح العيوب الأكثر وضوحًا.

بنى الباحثون هذا النظام ليعمل مع منصات البيانات السحابية المعقدة التي تستخدمها المصارف الحديثة لمعالجة المعاملات وتشغيل نماذج الذكاء الاصطناعي. هذه المنصات واسعة ومترابطة، مما يجعل من الصعب رؤية كيف يمكن لضعف في منطقة ما، مثل اتصال مورد طرف ثالث، أن يؤدي في النهاية إلى خرق لمستودع البيانات الرئيسي. تبدأ البنية الجديدة بجمع معلومات في الوقت الفعلي حول الوضع الأمني للمصرف، وأذونات الهوية، وتكوينات النظام. ثم تقوم بإنشاء رسم بياني موجه، وهو نوع من الخرائط حيث تمثل العقد الأصول، وتمثل الخطوط بينها التحركات الممكنة للمهاجم. ويتم وسم كل خط بخدعة اختراق محددة، مما يخلق مسارًا واضحًا وقابلًا للتدقيق لكيفية حدوث التسلل.

ولتحليل هذه الخريطة، يستخدم النظام شكلاً متخصصًا من الذكاء الاصطناعي لتقدير مدى احتمالية نجاح كل خطوة في السلسلة. يتم ذلك بعناية لضمان بقاء النتائج شفافة ومفهومة؛ ففي حال توفر بيانات كافية، يقوم نموذج تعلم آلي بتسجيل احتمالية الانتقال، وفي حال ندرة البيانات، يعود النظام إلى حساب بسيط وشفاف أو إلى حكم الخبراء. كما يستخدم النظام النماذج اللغوية فقط لتنظيم الوثائق غير المهيكلة، مثل نصوص السياسات، داخل هيكل الخريطة، ولكن فقط بعد أن يقوم الخبراء البشريون بالتحقق من العمل. يضمن ذلك بقاء الرياضيات الأساسية وراء حساب المخاطر قابلة للفحص والموثوقية، وتجنب مشكلة "الصندوق الأسود" حيث لا يعرف أحد كيف توصل الكمبيوتر إلى استنتاجه.

بمجرد بناء الخريطة وتحديد احتمالية كل خطوة، يقوم النظام بتشغيل آلاف عمليات المحاكاة لمعرفة عدد المرات التي يمكن فيها للمهاجم الوصول إلى الجواهر التاجية. وبدلاً من إعطاء رقم واحد، ينتج النظام توزيعًا للخسائر السنوية المحتملة، موضحًا النتائج الأكثر احتمالاً وسيناريوهات الحالة الأسوأ. يسمح هذا النهج للجان المخاطر برؤية الصورة الكاملة لتعرضهم المالي، بما في ذلك "الذيل الطويل" للأحداث النادرة ولكن الكارثية التي قد تغفلها القيم المتوسطة البسيطة. والقطعة الأخيرة من الأحجية هي أداة التحسين (optimizer) التي تنظر في الضوابط الأمنية المتاحة وتكاليفها؛ فهي تحسب أي الضوابط، إذا تمت إضافتها، ستؤدي إلى تقليل الخسارة المالية المتوقعة بأكبر قدر ممكن. وهذا يعني أن النظام يعطي الأولوية للإصلاحات بناءً على مدى كسرها لمسار المهاجم، وليس بناءً على مدى خطورة الضعف الفردي فحسب.

اختبر الباحثون هذه الطريقة على منصة بيانات سحابية محاكية تحاكي مؤسسة مالية نموذجية. لقد أنشأوا سيناريو يتضمن ثلاثة عشر حالة مختلفة للأصول وثمانية عشر خطوة هجوم محتملة، مع تعيين تكاليف وخسائر محتملة واقعية لكل منها. في هذه المحاكاة، حدد النظام أن المسار الأكثر خطورة للوصول إلى أغلى بيانات المصرف لم يأتِ من الثغرة الأكثر وضوحًا وخطورة. بدلاً من ذلك، جاء الخطر الأكبر من سلسلة خطوات تتضمن تكامل طرف ثالث (مورد). وبشكل فردي، كانت نقاط الضعف في هذا المسار ذات درجات خطورة متوسطة، ولكن عند ربطها معًا، وفرت مسارًا عالي الاحتمالية للوصب إلى الجواهر التاجية.

وعندما قارن الباحثون طريقتهم الجديدة بالنهج التقليدي المتمثل في إصلاح نقاط الضعف ذات الدرجات الأعلى أولاً، كان الفرق في الحماية المالية صارخًا. فباستخدام ميزانية ثابتة قدرها ثلاثمائة ألف دولار، قلل النهج التقليدي القائم على شدة الخطورة من الخسارة السنوية المتوقعة بنسبة ٤١٪ تقريبًا. في المقابل، نجحت الطريقة الجديدة المدركة للمسار، والتي ركزت على قطع السلاسل المؤدية إلى الجواهر التاجية، في تقليل الخسارة المتوقعة بنسبة ٨٥٪. لقد حدد النظام بشكل صحيح أن إنفاق المال على عزل طرف ثالث وتدوير الأسرار (rotating secrets) كان أكثر قيمة بكثير من معالجة الثغرة الوحيدة ذات التصنيف الأعلى، والتي كانت تقع في مسار أقل احتمالية للوصول إلى البيانات الحساسة.

تخلص الدراسة إلى أن هذا النهج يقدم أداة دعم قرار قوية للبنوك، حيث يجسر الفجوة بين النتائج الأمنية التقنية وإدارة المخاطر المالية. إنه لا يحل محل الحكم البشري ولا يعمل بشكل مستقل، بل يوفر حجة واضية مدعومة بالبيانات حول سبب ضرورة إعطاء الأولوية لضوابط معينة. ومن خلال التعامل مع المخاطر كرحلة وليس كمجرد قائمة من النقاط، يساعد هذا الأسلوب المؤسسات على فهم أن التهديد الأكثر خطورة هو غالبًا ذاك الذي يربط النقاط ببعضها، وليس ذاك الذي يبرز بوضوح. وبينما تعتمد النتائج المعروضة هنا على محاكاة اصطناعية، فإن الإطار مصمم ليتم التحقق من صحته مقابل بيانات من العالم الحقيقي، مما يوفر مسارًا نحو إدارة مخاطر مالية أكثر دقة وفعالية في عالم رقمي يزداد تعقيدًا.