ظهور حمله سایبری HalluSquatting؛ ابزارهای هوش مصنوعی به سلاحی برای هکرها تبدیل شدند

در دنیای امنیت هوش مصنوعی، تهدید جدیدی با نام HalluSquatting ظهور کرده است که می‌تواند با بهره‌گیری از ضعف ذاتی مدل‌های زبانی بزرگ (LLM) در تشخیص منابع، بات‌نت‌های عظیم و حملات سایبری گسترده را سازمان‌دهی کند. این حمله، ابزارهای دستیار برنامه‌نویسی محبوب را هدف قرار می‌دهد.

مکانیسم حمله HalluSquatting

این روش که از مفهوم «تایپ‌اسکویتینگ» الهام گرفته، بر ناتوانی مدل‌های هوش مصنوعی در تشخیص دقیق مکان منابع متمرکز است. وقتی کاربری از یک دستیار هوشمند می‌خواهد مخزنی را کپی یا ابزاری را نصب کند، مدل‌های زبانی اغلب دچار توهم شده و به آدرس‌های اشتباه ارجاع می‌دهند. مهاجمان با پیش‌بینی این آدرس‌های احتمالی و ثبت مخازن جعلی، کدهای مخرب یا Reverse Shells را در سیستم کاربران تزریق می‌کنند.

ابزارهای آسیب‌پذیر

بر اساس گزارش محققان، چندین دستیار کدنویسی و عامل هوشمند در برابر این حمله آسیب‌پذیر هستند:

• Cursor و Cursor CLI
• GitHub Copilot
• Gemini CLI
• Windsurf
• Cline و سری ابزارهای Claw (OpenClaw, ZeroClaw, NanoClaw)

چرا مدل‌های زبانی فریب می‌خورند؟

تحقیقات نشان می‌دهد مدل‌های زبانی بزرگ مانند GPT-5 و Gemini-2.5 در مواجهه با منابع جدید و ترند که در داده‌های آموزشی آن‌ها نبوده، تا ۹۲.۴ درصد دچار توهم می‌شوند. این مدل‌ها به دلیل سوگیری‌های آموزشی، تمایل دارند نام مخازن را به عنوان مالک تفسیر کنند که این امر راه را برای ثبت دامنه‌ها و مخازن جعلی توسط مهاجمان هموار می‌کند.

«این حمله به مهاجمان اجازه می‌دهد با حداقل تلاش، تعداد زیادی از کاربران را هدف قرار دهند و با استفاده از دسترسی‌های ترمینال این ابزارها، به اجرای حملات باج‌افزاری یا ایجاد بات‌نت‌های عظیم برای استخراج رمزارز و حملات DDoS بپردازند.»

نتیجه‌گیری و توصیه‌های امنیتی

کارشناسان امنیت سایبری معتقدند که توسعه‌دهندگان باید بیش از پیش به امنیت عامل‌های خودکار توجه کنند. این حمله یادآور آن است که تکیه بیش از حد بر اتوماسیون هوش مصنوعی بدون بررسی دقیق جزئیات، می‌تواند عواقب جبران‌ناپذیری به همراه داشته باشد. کاربران باید همواره مکان دقیق منابعی که توسط هوش مصنوعی پیشنهاد می‌شود را پیش از اجرا یا نصب، شخصاً تأیید کنند.