সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে?

ভূমিকা

জেনারেটিভ এআই – অর্থাৎ নতুন বিষয়বস্তু বা পূর্বাভাস তৈরি করতে সক্ষম কৃত্রিম বুদ্ধিমত্তা ব্যবস্থা – সাইবার নিরাপত্তায় একটি যুগান্তকারী শক্তি হিসেবে আবির্ভূত হচ্ছে। ওপেনএআই-এর জিপিটি-৪ (GPT-4)-এর মতো টুলগুলো জটিল ডেটা বিশ্লেষণ এবং মানুষের মতো টেক্সট তৈরি করার সক্ষমতা দেখিয়েছে, যা সাইবার হুমকি থেকে রক্ষা পাওয়ার জন্য নতুন পদ্ধতির পথ খুলে দিচ্ছে। বিভিন্ন শিল্পের সাইবার নিরাপত্তা বিশেষজ্ঞ এবং ব্যবসায়িক সিদ্ধান্ত গ্রহণকারীরা খতিয়ে দেখছেন যে, কীভাবে জেনারেটিভ এআই ক্রমবর্ধমান আক্রমণের বিরুদ্ধে প্রতিরক্ষা ব্যবস্থাকে আরও শক্তিশালী করতে পারে। অর্থায়ন ও স্বাস্থ্যসেবা থেকে শুরু করে খুচরা ব্যবসা ও সরকার পর্যন্ত, প্রতিটি খাতের প্রতিষ্ঠানগুলো অত্যাধুনিক ফিশিং প্রচেষ্টা, ম্যালওয়্যার এবং অন্যান্য হুমকির সম্মুখীন হয়, যা মোকাবিলায় জেনারেটিভ এআই সাহায্য করতে পারে। এই শ্বেতপত্রে আমরা সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে তা, যেখানে এর বাস্তব প্রয়োগ, ভবিষ্যৎ সম্ভাবনা এবং এটি গ্রহণের জন্য গুরুত্বপূর্ণ বিবেচ্য বিষয়গুলো তুলে ধরা হবে।

জেনারেটিভ এআই প্রচলিত অ্যানালিটিক এআই থেকে ভিন্ন, কারণ এটি শুধু প্যাটার্ন শনাক্তই করে না, বরং তৈরি করে – তা প্রতিরক্ষা ব্যবস্থাকে প্রশিক্ষণের জন্য আক্রমণের অনুকরণ হোক বা জটিল নিরাপত্তা ডেটার জন্য স্বাভাবিক ভাষায় ব্যাখ্যা তৈরি করা হোক। এই দ্বৈত ক্ষমতা একে একটি দ্বিধারী তলোয়ারে পরিণত করে: এটি শক্তিশালী নতুন প্রতিরক্ষামূলক সরঞ্জাম সরবরাহ করে, কিন্তু হুমকি সৃষ্টিকারীরাও এর অপব্যবহার করতে পারে। পরবর্তী বিভাগগুলিতে সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর বিভিন্ন ধরনের ব্যবহার অন্বেষণ করা হয়েছে, যেমন ফিশিং শনাক্তকরণকে স্বয়ংক্রিয় করা থেকে শুরু করে ঘটনার প্রতিক্রিয়া উন্নত করা পর্যন্ত। আমরা এই এআই উদ্ভাবনগুলির সম্ভাব্য সুবিধা এবং সেইসাথে ঝুঁকিগুলি (যেমন এআই-এর "বিভ্রম" বা প্রতিপক্ষের অপব্যবহার) নিয়েও আলোচনা করব, যা সংস্থাগুলিকে অবশ্যই পরিচালনা করতে হবে। পরিশেষে, আমরা ব্যবসায়িক প্রতিষ্ঠানগুলিকে তাদের সাইবার নিরাপত্তা কৌশলে জেনারেটিভ এআই মূল্যায়ন এবং দায়িত্বশীলভাবে অন্তর্ভুক্ত করতে সাহায্য করার জন্য কিছু বাস্তবসম্মত পরামর্শ প্রদান করেছি।

সাইবার নিরাপত্তায় জেনারেটিভ এআই: একটি সারসংক্ষেপ

সাইবার নিরাপত্তায় জেনারেটিভ এআই বলতে এমন এআই মডেলকে বোঝায় – যা প্রায়শই বৃহৎ ল্যাঙ্গুয়েজ মডেল বা অন্যান্য নিউরাল নেটওয়ার্ক হয়ে থাকে – যা নিরাপত্তা সংক্রান্ত কাজে সহায়তা করার জন্য অন্তর্দৃষ্টি, সুপারিশ, কোড, বা এমনকি সিন্থেটিক ডেটাও তৈরি করতে পারে। সম্পূর্ণরূপে প্রেডিক্টিভ মডেলের বিপরীতে, জেনারেটিভ এআই বিভিন্ন পরিস্থিতি অনুকরণ করতে পারে এবং তার প্রশিক্ষণ ডেটার উপর ভিত্তি করে মানুষের পাঠযোগ্য আউটপুট (যেমন রিপোর্ট, অ্যালার্ট, বা এমনকি ক্ষতিকারক কোডের নমুনা) তৈরি করতে পারে। এই সক্ষমতাকে আগের চেয়ে আরও গতিশীল উপায়ে হুমকি অনুমান, শনাক্ত এবং তার প্রতিক্রিয়া জানাতে কাজে লাগানো হচ্ছে ( সাইবার নিরাপত্তায় জেনারেটিভ এআই কী? - পালো অল্টো নেটওয়ার্কস )। উদাহরণস্বরূপ, জেনারেটিভ মডেলগুলো বিশাল লগ বা থ্রেট ইন্টেলিজেন্স রিপোজিটরি বিশ্লেষণ করে একটি সংক্ষিপ্ত সারসংক্ষেপ বা প্রস্তাবিত পদক্ষেপ তৈরি করতে পারে, যা নিরাপত্তা দলগুলোর জন্য প্রায় একটি এআই "সহকারী"-র মতো কাজ করে।

সাইবার প্রতিরক্ষার জন্য জেনারেটিভ এআই-এর প্রাথমিক প্রয়োগগুলো সম্ভাবনাময় বলে প্রমাণিত হয়েছে। ২০২৩ সালে, মাইক্রোসফট সিকিউরিটি কোপাইলট চালু করে , যা নিরাপত্তা বিশ্লেষকদের জন্য একটি GPT-4 চালিত সহকারী। এটি নিরাপত্তা লঙ্ঘন শনাক্ত করতে এবং মাইক্রোসফটের প্রতিদিন প্রক্রিয়াকৃত ৬৫ ট্রিলিয়ন সংকেত বিশ্লেষণ করতে সাহায্য করে ( মাইক্রোসফট সিকিউরিটি কোপাইলট সাইবার নিরাপত্তার জন্য একটি নতুন GPT-4 এআই সহকারী | দ্য ভার্জ )। বিশ্লেষকরা স্বাভাবিক ভাষায় এই সিস্টেমকে নির্দেশ দিতে পারেন (যেমন , “গত ২৪ ঘণ্টার সমস্ত নিরাপত্তা ঘটনার সারসংক্ষেপ করুন” ), এবং কোপাইলট একটি দরকারি বর্ণনামূলক সারসংক্ষেপ তৈরি করে দেবে। একইভাবে, গুগলের থ্রেট ইন্টেলিজেন্স এআই, জেমিনি নামক একটি জেনারেটিভ মডেল ব্যবহার করে গুগলের বিশাল থ্রেট ইন্টেল ডেটাবেসের মধ্যে কথোপকথনমূলক অনুসন্ধান সক্ষম করে, যা দ্রুত সন্দেহজনক কোড বিশ্লেষণ করে এবং ম্যালওয়্যার শিকারীদের সাহায্য করার জন্য প্রাপ্ত ফলাফলগুলোর সারসংক্ষেপ তৈরি করে ( সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব-জগতের উদাহরণ )। এই উদাহরণগুলো এর সম্ভাবনাকে তুলে ধরে: জেনারেটিভ এআই জটিল, বৃহৎ আকারের সাইবার নিরাপত্তা ডেটা বিশ্লেষণ করে সহজবোধ্য আকারে তথ্য উপস্থাপন করতে পারে, যা সিদ্ধান্ত গ্রহণ প্রক্রিয়াকে ত্বরান্বিত করে।

একই সাথে, জেনারেটিভ এআই অত্যন্ত বাস্তবসম্মত নকল কন্টেন্ট তৈরি করতে পারে, যা সিমুলেশন এবং প্রশিক্ষণের জন্য একটি আশীর্বাদস্বরূপ (এবং দুর্ভাগ্যবশত, সোশ্যাল ইঞ্জিনিয়ারিং কৌশল তৈরি করা আক্রমণকারীদের জন্যও)। আমরা যখন নির্দিষ্ট ব্যবহারিক ক্ষেত্রগুলোর দিকে অগ্রসর হব, তখন দেখতে পাব যে সংশ্লেষণ এবং বিশ্লেষণ এর বহু সাইবারসিকিউরিটি অ্যাপ্লিকেশনের ভিত্তি তৈরি করে। নিচে, আমরা ফিশিং প্রতিরোধ থেকে শুরু করে নিরাপদ সফটওয়্যার ডেভেলপমেন্ট পর্যন্ত এর প্রধান ব্যবহারিক ক্ষেত্রগুলো নিয়ে বিস্তারিত আলোচনা করব এবং বিভিন্ন শিল্পে এগুলোর প্রত্যেকটি কীভাবে প্রয়োগ করা হচ্ছে তার উদাহরণ দেব।

সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর মূল প্রয়োগ

চিত্র: সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর মূল ব্যবহারের ক্ষেত্রে নিরাপত্তা দলের জন্য এআই কো-পাইলট, কোড দুর্বলতা বিশ্লেষণ, অভিযোজিত হুমকি সনাক্তকরণ, শূন্য-দিনের আক্রমণ সিমুলেশন, উন্নত বায়োমেট্রিক সুরক্ষা এবং ফিশিং সনাক্তকরণ অন্তর্ভুক্ত রয়েছে (সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর জন্য 6টি ব্যবহারের ক্ষেত্রে [+ উদাহরণ] )।

ফিশিং সনাক্তকরণ এবং প্রতিরোধ

ফিশিং সবচেয়ে ব্যাপক সাইবার হুমকিগুলোর মধ্যে একটি, যা ব্যবহারকারীদের প্রতারিত করে ক্ষতিকর লিঙ্কে ক্লিক করতে বা তাদের ক্রেডেনশিয়াল প্রকাশ করতে বাধ্য করে। ফিশিংয়ের প্রচেষ্টা শনাক্ত করতে এবং সফল আক্রমণ প্রতিরোধের জন্য ব্যবহারকারীদের প্রশিক্ষণ জোরদার করতে জেনারেটিভ এআই ব্যবহার করা হচ্ছে। প্রতিরক্ষার দিক থেকে, এআই মডেলগুলো ইমেলের বিষয়বস্তু এবং প্রেরকের আচরণ বিশ্লেষণ করে ফিশিংয়ের এমন সূক্ষ্ম লক্ষণগুলো খুঁজে বের করতে পারে, যা নিয়ম-ভিত্তিক ফিল্টারগুলো হয়তো ধরতে পারে না। আসল এবং প্রতারণামূলক ইমেলের বিশাল ডেটাসেট থেকে শিখে, একটি জেনারেটিভ মডেল সুর, শব্দচয়ন বা প্রেক্ষাপটের অসঙ্গতিগুলো চিহ্নিত করতে পারে, যা একটি প্রতারণার ইঙ্গিত দেয় – এমনকি যখন ব্যাকরণ এবং বানান দেখেও আর তা বোঝা যায় না। প্রকৃতপক্ষে, পালো অল্টো নেটওয়ার্কসের গবেষকরা উল্লেখ করেছেন যে জেনারেটিভ এআই “ফিশিং ইমেলের এমন সূক্ষ্ম লক্ষণগুলো শনাক্ত করতে পারে যা অন্যথায় অলক্ষিত থেকে যেতে পারে,” যা সংস্থাগুলোকে প্রতারকদের থেকে এক ধাপ এগিয়ে থাকতে সাহায্য করে (সাইবার নিরাপত্তায় জেনারেটিভ এআই কী? - পালো অল্টো নেটওয়ার্কস)।

নিরাপত্তা দলগুলোও প্রশিক্ষণ এবং বিশ্লেষণের জন্য ফিশিং আক্রমণ অনুকরণ করতে জেনারেটিভ এআই ব্যবহার করছে । উদাহরণস্বরূপ, আয়রনস্কেলস একটি জিপিটি-চালিত ফিশিং সিমুলেশন টুল চালু করেছে যা স্বয়ংক্রিয়ভাবে একটি সংস্থার কর্মীদের জন্য বিশেষভাবে তৈরি নকল ফিশিং ইমেল তৈরি করে ( সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব-জগতের উদাহরণ )। এই এআই-নির্মিত ইমেলগুলো আক্রমণকারীদের সর্বশেষ কৌশলগুলো প্রতিফলিত করে, যা কর্মীদের ফিশিং কন্টেন্ট শনাক্ত করার বাস্তবসম্মত অনুশীলন দেয়। এই ধরনের ব্যক্তিগতকৃত প্রশিক্ষণ অত্যন্ত গুরুত্বপূর্ণ, কারণ আক্রমণকারীরা নিজেরাই আরও বিশ্বাসযোগ্য প্রলোভন তৈরি করতে এআই ব্যবহার করছে। উল্লেখ্য, যদিও জেনারেটিভ এআই খুব নিখুঁত ফিশিং বার্তা তৈরি করতে পারে (সহজে শনাক্তযোগ্য ভাঙা ইংরেজির দিন শেষ), রক্ষাকারীরা দেখেছেন যে এআই অজেয় নয়। ২০২৪ সালে, আইবিএম সিকিউরিটির গবেষকরা মানুষের লেখা ফিশিং ইমেলের সাথে এআই-নির্মিত ইমেলের তুলনা করে একটি পরীক্ষা চালান, এবং “আশ্চর্যজনকভাবে, সঠিক ব্যাকরণ থাকা সত্ত্বেও এআই-নির্মিত ইমেলগুলো শনাক্ত করা সহজ ছিল” ( সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর ৬টি ব্যবহারের ক্ষেত্র [+ উদাহরণ] )। এর থেকে বোঝা যায় যে, মানুষের সহজাত প্রবৃত্তি এবং এআই-এর সহায়তায় শনাক্তকরণের সমন্বয়েও এআই দ্বারা লিখিত প্রতারণার মধ্যে থাকা সূক্ষ্ম অসঙ্গতি বা মেটাডেটা সংকেত শনাক্ত করা সম্ভব।

জেনারেটিভ এআই অন্যান্য উপায়েও ফিশিং প্রতিরোধে সহায়তা করে। মডেলগুলো ব্যবহার করে স্বয়ংক্রিয় প্রতিক্রিয়া বা ফিল্টার তৈরি করা যায় , যা সন্দেহজনক ইমেল পরীক্ষা করে। উদাহরণস্বরূপ, একটি এআই সিস্টেম প্রেরকের বৈধতা যাচাই করার জন্য নির্দিষ্ট কিছু প্রশ্নসহ একটি ইমেলের উত্তর দিতে পারে, অথবা একটি স্যান্ডবক্সে ইমেলের লিঙ্ক এবং অ্যাটাচমেন্ট বিশ্লেষণ করতে একটি এলএলএম (LLM) ব্যবহার করতে পারে এবং তারপর যেকোনো ক্ষতিকারক উদ্দেশ্যের সারসংক্ষেপ করতে পারে। এনভিডিয়ার (NVIDIA) নিরাপত্তা প্ল্যাটফর্ম মরফিয়াস (Morpheus) এই ক্ষেত্রে এআই-এর শক্তি প্রদর্শন করে – এটি দ্রুত ইমেল বিশ্লেষণ ও শ্রেণীবদ্ধ করতে জেনারেটিভ এনএলপি (NLP) মডেল ব্যবহার করে, এবং দেখা গেছে যে এটি প্রচলিত নিরাপত্তা সরঞ্জামগুলোর তুলনায় স্পিয়ার-ফিশিং ইমেল শনাক্তকরণ ২১% উন্নত করে ( সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর ৬টি ব্যবহারের ক্ষেত্র [+ উদাহরণ] )। মরফিয়াস এমনকি ব্যবহারকারীর যোগাযোগের ধরণ প্রোফাইল করে অস্বাভাবিক আচরণ (যেমন একজন ব্যবহারকারী হঠাৎ করে অনেক বাইরের ঠিকানায় ইমেল করা) শনাক্ত করে, যা একটি হ্যাক হওয়া অ্যাকাউন্ট থেকে ফিশিং ইমেল পাঠানোর ইঙ্গিত দিতে পারে।

বাস্তবে, বিভিন্ন শিল্প প্রতিষ্ঠান সামাজিক প্রকৌশল আক্রমণের জন্য ইমেল এবং ওয়েব ট্র্যাফিক ফিল্টার করার জন্য AI-এর উপর নির্ভর করতে শুরু করেছে। উদাহরণস্বরূপ, আর্থিক সংস্থাগুলি ওয়্যার জালিয়াতির দিকে পরিচালিত করতে পারে এমন ছদ্মবেশী প্রচেষ্টার জন্য যোগাযোগ স্ক্যান করার জন্য জেনারেটিভ AI ব্যবহার করে, অন্যদিকে স্বাস্থ্যসেবা প্রদানকারীরা ফিশিং-সম্পর্কিত লঙ্ঘন থেকে রোগীর ডেটা রক্ষা করার জন্য AI ব্যবহার করে। বাস্তবসম্মত ফিশিং পরিস্থিতি তৈরি করে এবং দূষিত বার্তাগুলির বৈশিষ্ট্যগুলি সনাক্ত করে, জেনারেটিভ AI ফিশিং প্রতিরোধ কৌশলগুলিতে একটি শক্তিশালী স্তর যুক্ত করে। উপসংহার: আক্রমণকারীরা তাদের খেলা উন্নত করার জন্য একই প্রযুক্তি ব্যবহার করলেও AI দ্রুত এবং আরও সঠিকভাবে ফিশিং আক্রমণ সনাক্ত এবং নিরস্ত্র করতে সহায়তা করতে পারে ।

ম্যালওয়্যার সনাক্তকরণ এবং হুমকি বিশ্লেষণ

আধুনিক ম্যালওয়্যার ক্রমাগত বিকশিত হচ্ছে – আক্রমণকারীরা অ্যান্টিভাইরাস সিগনেচার এড়ানোর জন্য নতুন ভ্যারিয়েন্ট তৈরি করে বা কোডকে দুর্বোধ্য করে তোলে। জেনারেটিভ এআই ম্যালওয়্যার শনাক্তকরণ এবং এর আচরণ বোঝার জন্য অভিনব কৌশল প্রদান করে। এর একটি উপায় হলো এআই ব্যবহার করে ম্যালওয়্যারের “দুষ্ট যমজ” (evil twins) তৈরি করা: নিরাপত্তা গবেষকরা একটি পরিচিত ম্যালওয়্যারের নমুনাকে একটি জেনারেটিভ মডেলে ইনপুট দিয়ে সেই ম্যালওয়্যারের অনেকগুলো পরিবর্তিত ভ্যারিয়েন্ট তৈরি করতে পারেন। এর মাধ্যমে, তারা আক্রমণকারীর সম্ভাব্য পরিবর্তনগুলো কার্যকরভাবে আগে থেকেই অনুমান করতে পারেন। এরপর এই এআই-নির্মিত ভ্যারিয়েন্টগুলো অ্যান্টিভাইরাস এবং ইন্ট্রুশন ডিটেকশন সিস্টেমকে প্রশিক্ষণ দিতে ব্যবহার করা যেতে পারে, যাতে ম্যালওয়্যারের পরিবর্তিত সংস্করণগুলোও বাস্তবে শনাক্ত করা যায় (সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর ৬টি ব্যবহার [+ উদাহরণ] )। এই সক্রিয় কৌশলটি সেই চক্র ভাঙতে সাহায্য করে, যেখানে হ্যাকাররা শনাক্তকরণ এড়ানোর জন্য তাদের ম্যালওয়্যারে সামান্য পরিবর্তন আনে এবং রক্ষাকারীদের প্রতিবারই নতুন সিগনেচার লেখার জন্য তাড়াহুড়ো করতে হয়। একটি ইন্ডাস্ট্রি পডকাস্টে যেমন উল্লেখ করা হয়েছে, নিরাপত্তা বিশেষজ্ঞরা এখন জেনারেটিভ এআই ব্যবহার করে “নেটওয়ার্ক ট্র্যাফিক সিমুলেট করেন এবং অত্যাধুনিক আক্রমণের অনুকরণে ক্ষতিকারক পেলোড তৈরি করেন,” যার ফলে তারা তাদের প্রতিরক্ষা ব্যবস্থাকে কোনো একটি নির্দিষ্ট হুমকির পরিবর্তে বিভিন্ন ধরনের হুমকির বিরুদ্ধে পরীক্ষা করেন। এই অভিযোজিত হুমকি শনাক্তকরণের ফলে নিরাপত্তা টুলগুলো পলিমরফিক ম্যালওয়্যারের বিরুদ্ধে আরও বেশি সহনশীল হয়ে ওঠে, যা অন্যথায় নিরাপত্তা ফাঁকি দিয়ে বেরিয়ে যেত।

শনাক্তকরণের বাইরেও, জেনারেটিভ এআই ম্যালওয়্যার বিশ্লেষণ এবং রিভার্স ইঞ্জিনিয়ারিং-, যা ঐতিহ্যগতভাবে থ্রেট অ্যানালিস্টদের জন্য শ্রমসাধ্য কাজ। বৃহৎ ল্যাঙ্গুয়েজ মডেলগুলোকে সন্দেহজনক কোড বা স্ক্রিপ্ট পরীক্ষা করার এবং কোডটি কী করতে চায় তা সহজ ভাষায় ব্যাখ্যা করার দায়িত্ব দেওয়া যেতে পারে। একটি বাস্তব-জগতের উদাহরণ হলো VirusTotal Code Insight, যা গুগলের VirusTotal-এর একটি ফিচার। এটি একটি জেনারেটিভ এআই মডেল (গুগলের Sec-PaLM) ব্যবহার করে সম্ভাব্য ক্ষতিকারক কোডের স্বাভাবিক ভাষার সারাংশ তৈরি করে (সাইবারসিকিউরিটিতে জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব-জগতের উদাহরণ)। এটি মূলত “সিকিউরিটি কোডিং-এর জন্য নিবেদিত এক ধরনের ChatGPT,” যা একজন এআই ম্যালওয়্যার অ্যানালিস্ট হিসেবে কাজ করে এবং মানব অ্যানালিস্টদের থ্রেট বুঝতে সাহায্য করার জন্য ২৪/৭ কাজ করে (সাইবারসিকিউরিটিতে জেনারেটিভ এআই-এর ৬টি ব্যবহারের ক্ষেত্র [+ উদাহরণ] )। অপরিচিত স্ক্রিপ্ট বা বাইনারি কোড খুঁটিয়ে দেখার পরিবর্তে, নিরাপত্তা দলের একজন সদস্য এআই (AI) থেকে তাৎক্ষণিক ব্যাখ্যা পেতে পারেন – যেমন, “এই স্ক্রিপ্টটি XYZ সার্ভার থেকে একটি ফাইল ডাউনলোড করার চেষ্টা করে এবং তারপর সিস্টেম সেটিংস পরিবর্তন করে, যা ম্যালওয়্যারের আচরণের পরিচায়ক।” এটি ঘটনার প্রতিক্রিয়াকে নাটকীয়ভাবে ত্বরান্বিত করে, কারণ বিশ্লেষকরা আগের চেয়ে দ্রুত নতুন ম্যালওয়্যারকে শ্রেণিবিভাগ করতে এবং বুঝতে পারেন।

বিশাল ডেটাসেটের মধ্যে ম্যালওয়্যার শনাক্ত করতেও জেনারেটিভ এআই ব্যবহৃত হয় । প্রচলিত অ্যান্টিভাইরাস ইঞ্জিনগুলো পরিচিত সিগনেচারের জন্য ফাইল স্ক্যান করে, কিন্তু একটি জেনারেটিভ মডেল কোনো ফাইলের বৈশিষ্ট্য মূল্যায়ন করতে পারে এবং শেখা প্যাটার্নের উপর ভিত্তি করে সেটি ক্ষতিকারক কিনা তা ভবিষ্যদ্বাণীও করতে পারে। শত শত কোটি ফাইলের (ক্ষতিকারক এবং নিরীহ) বৈশিষ্ট্য বিশ্লেষণ করে, একটি এআই এমন জায়গায়ও ক্ষতিকারক উদ্দেশ্য ধরতে পারে যেখানে কোনো সুস্পষ্ট সিগনেচার নেই। উদাহরণস্বরূপ, একটি জেনারেটিভ মডেল কোনো এক্সিকিউটেবল ফাইলকে সন্দেহজনক হিসেবে চিহ্নিত করতে পারে, কারণ এর আচরণগত প্রোফাইলটি প্রশিক্ষণের সময় দেখা র‍্যানসমওয়্যারের সামান্য পরিবর্তিত রূপের মতো "দেখায়" , যদিও বাইনারিটি নতুন। এই আচরণ-ভিত্তিক শনাক্তকরণ নতুন বা জিরো-ডে ম্যালওয়্যার প্রতিরোধে সহায়তা করে। গুগলের থ্রেট ইন্টেলিজেন্স এআই (ক্রনিকল/ম্যান্ডিয়েন্টের একটি অংশ) তাদের জেনারেটিভ মডেল ব্যবহার করে সম্ভাব্য ক্ষতিকারক কোড বিশ্লেষণ করে এবং "নিরাপত্তা পেশাদারদের ম্যালওয়্যার ও অন্যান্য ধরনের হুমকি মোকাবেলায় আরও দক্ষতার সাথে ও কার্যকরভাবে সহায়তা করে" বলে জানা গেছে। ( সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব-জগতের উদাহরণ )।

অন্যদিকে, আমাদের স্বীকার করতেই হবে যে আক্রমণকারীরাও এখানে জেনারেটিভ এআই ব্যবহার করতে পারে – স্বয়ংক্রিয়ভাবে এমন ম্যালওয়্যার তৈরি করতে যা নিজেকে মানিয়ে নিতে পারে। বস্তুত, নিরাপত্তা বিশেষজ্ঞরা সতর্ক করেছেন যে জেনারেটিভ এআই সাইবার অপরাধীদের এমন ম্যালওয়্যার তৈরি করতে সাহায্য করতে পারে যা শনাক্ত করা আরও কঠিন (সাইবার নিরাপত্তায় জেনারেটিভ এআই কী? - পালো অল্টো নেটওয়ার্কস)। একটি এআই মডেলকে বারবার একটি ম্যালওয়্যারের রূপ পরিবর্তন করার নির্দেশ দেওয়া যেতে পারে (এর ফাইল কাঠামো, এনক্রিপশন পদ্ধতি ইত্যাদি পরিবর্তন করে) যতক্ষণ না এটি সমস্ত পরিচিত অ্যান্টিভাইরাস পরীক্ষা এড়িয়ে যায়। এই প্রতিপক্ষীয় ব্যবহার একটি ক্রমবর্ধমান উদ্বেগের কারণ (কখনও কখনও একে "এআই-চালিত ম্যালওয়্যার" বা পলিমরফিক ম্যালওয়্যার অ্যাজ এ সার্ভিস বলা হয়)। আমরা এই ধরনের ঝুঁকি নিয়ে পরে আলোচনা করব, কিন্তু এটি এটাই তুলে ধরে যে এই ইঁদুর-বিড়াল খেলায় জেনারেটিভ এআই হলো রক্ষাকারী এবং আক্রমণকারী উভয়ের দ্বারা ব্যবহৃত একটি হাতিয়ার।

সামগ্রিকভাবে, জেনারেটিভ এআই নিরাপত্তা দলগুলোকে আক্রমণকারীর মতো করে ভাবতে – যার মাধ্যমে তারা অভ্যন্তরীণভাবেই নতুন হুমকি ও সমাধান তৈরি করতে পারে। সনাক্তকরণের হার বাড়ানোর জন্য কৃত্রিম ম্যালওয়্যার তৈরি করা হোক বা নেটওয়ার্কে পাওয়া আসল ম্যালওয়্যারকে ব্যাখ্যা ও নিয়ন্ত্রণ করতে এআই ব্যবহার করা হোক, এই কৌশলগুলো বিভিন্ন শিল্পে প্রয়োগ করা যায়। একটি ব্যাংক স্প্রেডশিটে থাকা কোনো সন্দেহজনক ম্যাক্রো দ্রুত বিশ্লেষণ করার জন্য এআই-চালিত ম্যালওয়্যার বিশ্লেষণ ব্যবহার করতে পারে, অন্যদিকে একটি উৎপাদনকারী প্রতিষ্ঠান ইন্ডাস্ট্রিয়াল কন্ট্রোল সিস্টেমকে লক্ষ্য করে তৈরি ম্যালওয়্যার সনাক্ত করতে এআই-এর উপর নির্ভর করতে পারে। জেনারেটিভ এআই-এর মাধ্যমে প্রচলিত ম্যালওয়্যার বিশ্লেষণকে উন্নত করে প্রতিষ্ঠানগুলো আগের চেয়ে দ্রুত এবং আরও সক্রিয়ভাবে ম্যালওয়্যার আক্রমণের বিরুদ্ধে প্রতিক্রিয়া জানাতে পারে।

হুমকি গোয়েন্দা এবং স্বয়ংক্রিয় বিশ্লেষণ

প্রতিদিন প্রতিষ্ঠানগুলো বিপুল পরিমাণ থ্রেট ইন্টেলিজেন্স ডেটার সম্মুখীন হয় – যার মধ্যে থাকে নতুন আবিষ্কৃত ইন্ডিকেটর অফ কমপ্রোমাইজ (IOCs)-এর ফিড থেকে শুরু করে হ্যাকারদের উদীয়মান কৌশল সম্পর্কিত বিশ্লেষকদের প্রতিবেদন। নিরাপত্তা দলগুলোর জন্য চ্যালেঞ্জ হলো তথ্যের এই বিপুল প্রবাহ থেকে কার্যকরী অন্তর্দৃষ্টি বের করে আনা। থ্রেট ইন্টেলিজেন্স বিশ্লেষণ এবং এর ব্যবহারকে স্বয়ংক্রিয় করতে। বিশ্লেষকরা হাতে-কলমে কয়েক ডজন প্রতিবেদন বা ডেটাবেস এন্ট্রি পড়ার পরিবর্তে, মেশিনের গতিতে থ্রেট ইন্টেলিজেন্সের সারসংক্ষেপ তৈরি করতে এবং এর প্রাসঙ্গিকতা ব্যাখ্যা করতে এআই ব্যবহার করতে পারেন।

এর একটি বাস্তব উদাহরণ হলো গুগলের থ্রেট ইন্টেলিজেন্স স্যুট, যা জেনারেটিভ এআই (জেমিনি মডেল)-কে ম্যান্ডিয়েন্ট এবং ভাইরাসটোটাল থেকে প্রাপ্ত গুগলের বিপুল পরিমাণ থ্রেট ডেটার সাথে একীভূত করে। এই এআই “গুগলের থ্রেট ইন্টেলিজেন্সের বিশাল ভান্ডারে কথোপকথনমূলক অনুসন্ধান”, যা ব্যবহারকারীদের হুমকি সম্পর্কে স্বাভাবিক প্রশ্ন জিজ্ঞাসা করতে এবং সংক্ষিপ্ত উত্তর পেতে সাহায্য করে (সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব-জগতের উদাহরণ)। উদাহরণস্বরূপ, একজন বিশ্লেষক জিজ্ঞাসা করতে পারেন, “আমরা কি থ্রেট গ্রুপ X সম্পর্কিত এমন কোনো ম্যালওয়্যার দেখেছি যা আমাদের শিল্পকে লক্ষ্য করছে?” এবং এআই প্রাসঙ্গিক তথ্য খুঁজে বের করবে, হয়তো উল্লেখ করবে “হ্যাঁ, থ্রেট গ্রুপ X গত মাসে ম্যালওয়্যার Y ব্যবহার করে একটি ফিশিং ক্যাম্পেইনের সাথে যুক্ত ছিল”, সাথে সেই ম্যালওয়্যারের আচরণের একটি সারসংক্ষেপও দেবে। এর ফলে তথ্য সংগ্রহের সময় নাটকীয়ভাবে কমে যায়, যা অন্যথায় একাধিক টুল ব্যবহার করা বা দীর্ঘ প্রতিবেদন পড়ার প্রয়োজন হতো।

জেনারেটিভ এআই হুমকির প্রবণতাগুলোর মধ্যে সম্পর্ক স্থাপন এবং সেগুলোর সারসংক্ষেপ তৈরি। এটি হাজার হাজার নিরাপত্তা বিষয়ক ব্লগ পোস্ট, ডেটা লঙ্ঘনের খবর এবং ডার্ক ওয়েবের আলোচনা ঘেঁটে দেখতে পারে এবং তারপর একজন CISO-এর ব্রিফিংয়ের জন্য “এই সপ্তাহের শীর্ষ সাইবার হুমকি”-র একটি কার্যনির্বাহী সারসংক্ষেপ তৈরি করতে পারে। ঐতিহ্যগতভাবে, এই স্তরের বিশ্লেষণ এবং প্রতিবেদন তৈরিতে প্রচুর মানবিক প্রচেষ্টার প্রয়োজন হতো; এখন একটি সু-সমন্বিত মডেল কয়েক সেকেন্ডের মধ্যে এটি তৈরি করতে পারে, যেখানে মানুষ কেবল আউটপুটটিকে পরিমার্জন করে। ZeroFox-এর মতো কোম্পানিগুলো FoxGPT, যা একটি জেনারেটিভ এআই টুল এবং এটি বিশেষভাবে “বিশাল ডেটাসেট জুড়ে ইন্টেলিজেন্সের বিশ্লেষণ এবং সারসংক্ষেপকে ত্বরান্বিত করার জন্য” ডিজাইন করা হয়েছে, যার মধ্যে ক্ষতিকারক কন্টেন্ট এবং ফিশিং ডেটাও অন্তর্ভুক্ত (সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব-জগতের উদাহরণ)। ডেটা পড়া এবং ক্রস-রেফারেন্স করার মতো কঠিন কাজগুলো স্বয়ংক্রিয় করার মাধ্যমে, এআই থ্রেট ইন্টেল টিমগুলোকে সিদ্ধান্ত গ্রহণ এবং প্রতিক্রিয়ার উপর মনোযোগ দিতে সক্ষম করে।

এর আরেকটি ব্যবহার হলো কথোপকথনের মাধ্যমে হুমকি অনুসন্ধান। কল্পনা করুন, একজন নিরাপত্তা বিশ্লেষক একটি এআই সহকারীর সাথে কথা বলছেন: “গত ৪৮ ঘণ্টার মধ্যে ডেটা পাচারের কোনো চিহ্ন থাকলে আমাকে দেখাও” অথবা “এই সপ্তাহে আক্রমণকারীরা কোন নতুন দুর্বলতাগুলো সবচেয়ে বেশি কাজে লাগাচ্ছে?” এআই প্রশ্নটি বুঝতে পারে, অভ্যন্তরীণ লগ বা বাহ্যিক তথ্যের উৎস অনুসন্ধান করতে পারে এবং একটি স্পষ্ট উত্তর বা এমনকি প্রাসঙ্গিক ঘটনার একটি তালিকা দিয়ে প্রতিক্রিয়া জানাতে পারে। এটি কোনো অবাস্তব ধারণা নয় – আধুনিক সিকিউরিটি ইনফরমেশন অ্যান্ড ইভেন্ট ম্যানেজমেন্ট (SIEM) সিস্টেমগুলো স্বাভাবিক ভাষায় প্রশ্ন করার সুবিধা অন্তর্ভুক্ত করতে শুরু করেছে। উদাহরণস্বরূপ, IBM-এর QRadar নিরাপত্তা স্যুট ২০২৪ সালে জেনারেটিভ এআই বৈশিষ্ট্য যুক্ত করছে, যা বিশ্লেষকদের কোনো ঘটনার “ সংক্ষিপ্ত আক্রমণ পথ সম্পর্কে নির্দিষ্ট প্রশ্ন জিজ্ঞাসা” করতে এবং বিস্তারিত উত্তর পেতে সাহায্য করবে। এটি “অত্যন্ত প্রাসঙ্গিক হুমকি সংক্রান্ত তথ্য ব্যাখ্যা ও সংক্ষিপ্ত করতে” (সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব-জগতের উদাহরণ)। মূলত, জেনারেটিভ এআই বিপুল পরিমাণ প্রযুক্তিগত ডেটাকে চাহিদা অনুযায়ী চ্যাটের উপযোগী ছোট ছোট তথ্যে রূপান্তরিত করে।

বিভিন্ন শিল্পে এর ব্যাপক প্রভাব রয়েছে। একজন স্বাস্থ্যসেবা প্রদানকারী প্রতিষ্ঠান, সার্বক্ষণিক গবেষণার জন্য কোনো বিশ্লেষককে নিযুক্ত না করেই, হাসপাতালগুলোকে লক্ষ্য করে চালানো সর্বশেষ র‍্যানসমওয়্যার গ্রুপগুলো সম্পর্কে অবগত থাকতে এআই ব্যবহার করতে পারে। একটি রিটেইল কোম্পানির এসওসি (SOC) স্টোরের আইটি কর্মীদের ব্রিফিং দেওয়ার সময় নতুন পিওএস (POS) ম্যালওয়্যারের কৌশলগুলো দ্রুত সংক্ষিপ্ত আকারে তুলে ধরতে পারে। আর সরকারি ক্ষেত্রে, যেখানে বিভিন্ন সংস্থার হুমকি সংক্রান্ত ডেটা একত্রিত করতে হয়, সেখানে এআই মূল সতর্কবার্তাগুলো তুলে ধরে সমন্বিত প্রতিবেদন তৈরি করতে পারে। হুমকি সংক্রান্ত তথ্য সংগ্রহ ও ব্যাখ্যার প্রক্রিয়াকে স্বয়ংক্রিয় করার, জেনারেটিভ এআই প্রতিষ্ঠানগুলোকে উদীয়মান হুমকির বিরুদ্ধে দ্রুত প্রতিক্রিয়া জানাতে সাহায্য করে এবং অপ্রয়োজনীয় তথ্যের ভিড়ে লুকিয়ে থাকা গুরুত্বপূর্ণ সতর্কবার্তা এড়িয়ে যাওয়ার ঝুঁকি কমায়।

সিকিউরিটি অপারেশনস সেন্টার (SOC) অপ্টিমাইজেশন

নিরাপত্তা অপারেশন সেন্টারগুলি সতর্কতামূলক ক্লান্তি এবং প্রচুর পরিমাণে ডেটার জন্য কুখ্যাত। একজন সাধারণ SOC বিশ্লেষক প্রতিদিন হাজার হাজার সতর্কতা এবং ঘটনার মধ্য দিয়ে যেতে পারেন, সম্ভাব্য ঘটনাগুলি তদন্ত করতে পারেন। জেনারেটিভ AI রুটিন কাজ স্বয়ংক্রিয় করে, বুদ্ধিমান সারসংক্ষেপ প্রদান করে এবং এমনকি কিছু প্রতিক্রিয়া তৈরি করে SOC-তে একটি বল গুণক হিসেবে কাজ করছে। লক্ষ্য হল SOC কর্মপ্রবাহকে অপ্টিমাইজ করা যাতে মানব বিশ্লেষকরা সবচেয়ে গুরুত্বপূর্ণ বিষয়গুলিতে মনোনিবেশ করতে পারেন এবং AI সহ-পাইলট বাকিগুলি পরিচালনা করতে পারেন।.

এর একটি প্রধান প্রয়োগ হলো জেনারেটিভ এআই-কে “বিশ্লেষকের সহ-পাইলট”। পূর্বে উল্লিখিত মাইক্রোসফটের সিকিউরিটি কোপাইলট এর একটি উৎকৃষ্ট উদাহরণ: এটি “নিরাপত্তা বিশ্লেষকের কাজ প্রতিস্থাপন করার পরিবর্তে সহায়তা করার জন্য ডিজাইন করা হয়েছে,” যা ঘটনার তদন্ত এবং প্রতিবেদন তৈরিতে সাহায্য করে (মাইক্রোসফট সিকিউরিটি কোপাইলট হলো সাইবারসিকিউরিটির জন্য একটি নতুন GPT-4 এআই সহকারী | দ্য ভার্জ)। বাস্তবে, এর অর্থ হলো একজন বিশ্লেষক ফায়ারওয়াল লগ, একটি ঘটনার সময়রেখা বা একটি ঘটনার বিবরণের মতো কাঁচা ডেটা ইনপুট করতে পারেন এবং এআই-কে তা বিশ্লেষণ বা সংক্ষিপ্ত করতে বলতে পারেন। সহ-পাইলটটি হয়তো এমন একটি বিবরণ আউটপুট করতে পারে, “দেখা যাচ্ছে যে রাত ২:৩৫ মিনিটে, আইপি X থেকে সার্ভার Y-তে একটি সন্দেহজনক লগইন সফল হয়েছে, যার পরে অস্বাভাবিক ডেটা স্থানান্তর হয়েছে, যা ওই সার্ভারে একটি সম্ভাব্য লঙ্ঘনের ইঙ্গিত দেয়।” যখন সময় অত্যন্ত গুরুত্বপূর্ণ, তখন এই ধরনের তাৎক্ষণিক প্রেক্ষাপট তৈরি করা অমূল্য।

এআই কো-পাইলটরা লেভেল-১ ট্রায়েজের বোঝা কমাতেও সাহায্য করে। ইন্ডাস্ট্রির তথ্য অনুযায়ী, একটি নিরাপত্তা দল সপ্তাহে ১৫ ঘণ্টা শুধুমাত্র প্রায় ২২,০০০ অ্যালার্ট এবং ফলস পজিটিভ বাছাই করতে (সাইবারসিকিউরিটিতে জেনারেটিভ এআই-এর ৬টি ব্যবহারের ক্ষেত্র [+ উদাহরণ] )। জেনারেটিভ এআই-এর সাহায্যে, এই অ্যালার্টগুলোর অনেকগুলোই স্বয়ংক্রিয়ভাবে ট্রায়েজ করা যায় – এআই সেই অ্যালার্টগুলোকে বাতিল করে দিতে পারে যেগুলো স্পষ্টতই নিরীহ (কারণসহ) এবং যেগুলোর প্রতি সত্যিই মনোযোগ দেওয়া প্রয়োজন সেগুলোকে হাইলাইট করতে পারে, এমনকি কখনও কখনও অগ্রাধিকারের পরামর্শও দিতে পারে। প্রকৃতপক্ষে, প্রেক্ষাপট বোঝার ক্ষেত্রে জেনারেটিভ এআই-এর দক্ষতার অর্থ হলো, এটি এমন অ্যালার্টগুলোর মধ্যে পারস্পরিক সম্পর্ক স্থাপন করতে পারে যেগুলো বিচ্ছিন্নভাবে নিরীহ মনে হতে পারে কিন্তু একসাথে একটি বহু-পর্যায়ের আক্রমণের ইঙ্গিত দেয়। এটি “অ্যালার্ট ফ্যাটিগ”-এর কারণে কোনো আক্রমণ এড়িয়ে যাওয়ার সম্ভাবনা কমিয়ে দেয়।

SOC বিশ্লেষকরাও থ্রেট হান্টিং এবং তদন্তের গতি বাড়াতে AI-এর সাথে ন্যাচারাল ল্যাঙ্গুয়েজ ব্যবহার করছেন। উদাহরণস্বরূপ, SentinelOne-এর Purple AI প্ল্যাটফর্মটি একটি LLM-ভিত্তিক ইন্টারফেসকে রিয়েল-টাইম সিকিউরিটি ডেটার সাথে একত্রিত করে, যা বিশ্লেষকদের “সাধারণ ইংরেজিতে জটিল থ্রেট-হান্টিং প্রশ্ন জিজ্ঞাসা করতে এবং দ্রুত, নির্ভুল উত্তর পেতে” সাহায্য করে ( How Can Generative AI Be Used in Cybersecurity? 10 Real-World Examples )। একজন বিশ্লেষক টাইপ করতে পারেন, “Have any endpoints communicated with domain badguy123[.]com in the last month?” , এবং Purple AI উত্তর দেওয়ার জন্য লগগুলো অনুসন্ধান করবে। এটি বিশ্লেষককে ডাটাবেস কোয়েরি বা স্ক্রিপ্ট লেখার ঝামেলা থেকে বাঁচায় – AI নিজে থেকেই এই কাজটি করে। এর মানে হলো, জুনিয়র বিশ্লেষকরা এমন সব কাজ সামলাতে পারেন যা আগে কোয়েরি ল্যাঙ্গুয়েজে দক্ষ একজন অভিজ্ঞ ইঞ্জিনিয়ারের প্রয়োজন হতো, যা কার্যকরভাবে AI সহায়তার মাধ্যমে দলের দক্ষতা বৃদ্ধি করে । প্রকৃতপক্ষে, বিশ্লেষকরা জানাচ্ছেন যে জেনারেটিভ এআই-এর নির্দেশনা “তাদের দক্ষতা ও পারদর্শিতা বৃদ্ধি করে” , কারণ কনিষ্ঠ কর্মীরা এখন এআই-এর কাছ থেকে চাহিদা অনুযায়ী কোডিং সহায়তা বা বিশ্লেষণের পরামর্শ পেতে পারেন, যা সাহায্যের জন্য সবসময় দলের ঊর্ধ্বতন সদস্যদের উপর নির্ভরতা কমিয়ে দেয় ( সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর ৬টি ব্যবহারের ক্ষেত্র [+ উদাহরণ] )।

SOC অপটিমাইজেশনের আরেকটি দিক হলো স্বয়ংক্রিয়ভাবে ঘটনার সারসংক্ষেপ তৈরি এবং নথিভুক্তকরণ। কোনো ঘটনা সামাল দেওয়ার পর, কাউকে তার রিপোর্ট লিখতে হয় – এই কাজটি অনেকের কাছেই ক্লান্তিকর মনে হয়। জেনারেটিভ এআই ফরেনসিক ডেটা (সিস্টেম লগ, ম্যালওয়্যার বিশ্লেষণ, গৃহীত পদক্ষেপের সময়রেখা) ব্যবহার করে ঘটনার রিপোর্টের একটি প্রাথমিক খসড়া তৈরি করতে পারে। IBM তাদের QRadar-এ এই সক্ষমতা তৈরি করছে, যাতে “এক ক্লিকেই” ঘটনার সারসংক্ষেপ তৈরি করা যায় (সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব উদাহরণ)। এটি কেবল সময়ই বাঁচায় না, বরং রিপোর্টে কোনো কিছু বাদ না পড়াও নিশ্চিত করে, কারণ এআই ধারাবাহিকভাবে সমস্ত প্রাসঙ্গিক বিবরণ অন্তর্ভুক্ত করতে পারে। একইভাবে, কমপ্লায়েন্স এবং অডিটিংয়ের জন্য, এআই ঘটনার ডেটার উপর ভিত্তি করে ফর্ম বা এভিডেন্স টেবিল পূরণ করতে পারে।

বাস্তব জগতের ফলাফলগুলো বেশ আকর্ষণীয়। সুইমলেনের এআই-চালিত SOAR (সিকিউরিটি অর্কেস্ট্রেশন, অটোমেশন, এবং রেসপন্স)-এর প্রাথমিক ব্যবহারকারীরা উৎপাদনশীলতায় ব্যাপক উন্নতির কথা জানিয়েছেন – উদাহরণস্বরূপ, গ্লোবাল ডেটা সিস্টেমস দেখেছে যে তাদের SecOps টিম অনেক বেশি কেস সামলাতে পারছে; একজন পরিচালক বলেছেন, “ এআই-চালিত অটোমেশন ছাড়া, আমি আজ ৭ জন অ্যানালিস্ট দিয়ে যা করি, তা করতে সম্ভবত ২০ জন কর্মীর প্রয়োজন হতো” ( সাইবারসিকিউরিটিতে জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে )। অন্য কথায়, SOC-তে এআই সক্ষমতা বহুগুণে বাড়িয়ে তুলতে পারে । বিভিন্ন শিল্পে, তা সে ক্লাউড সিকিউরিটি অ্যালার্ট নিয়ে কাজ করা কোনো প্রযুক্তি সংস্থাই হোক বা OT সিস্টেম পর্যবেক্ষণকারী কোনো উৎপাদন কেন্দ্রই হোক, জেনারেটিভ এআই অ্যাসিস্ট্যান্ট গ্রহণ করার মাধ্যমে SOC টিমগুলো দ্রুততর শনাক্তকরণ ও প্রতিক্রিয়া, কম দুর্ঘটনা এড়িয়ে যাওয়া এবং আরও দক্ষ কার্যক্রম পরিচালনার সুবিধা পেতে পারে। এর মূল উদ্দেশ্য হলো আরও স্মার্টভাবে কাজ করা – পুনরাবৃত্তিমূলক এবং ডেটা-নির্ভর কাজগুলো মেশিনকে দিয়ে করানো, যাতে মানুষ তাদের স্বজ্ঞা এবং দক্ষতা সবচেয়ে গুরুত্বপূর্ণ ক্ষেত্রে প্রয়োগ করতে পারে।

দুর্বলতা ব্যবস্থাপনা এবং হুমকি সিমুলেশন

দুর্বলতা শনাক্ত করা এবং তার ব্যবস্থাপনা করা—অর্থাৎ সফটওয়্যার বা সিস্টেমের এমন দুর্বলতা যা আক্রমণকারীরা কাজে লাগাতে পারে—সাইবার নিরাপত্তার একটি মূল কাজ। জেনারেটিভ এআই দুর্বলতা দ্রুত শনাক্ত করে, প্যাচের অগ্রাধিকার নির্ধারণে সহায়তা করে এবং এমনকি প্রস্তুতি উন্নত করার জন্য সেই দুর্বলতাগুলোর ওপর আক্রমণের অনুকরণ করে দুর্বলতা ব্যবস্থাপনাকে আরও উন্নত করছে। সারকথা হলো, এআই প্রতিষ্ঠানগুলোকে তাদের সুরক্ষাব্যবস্থার দুর্বলতাগুলো আরও দ্রুত খুঁজে বের করে তা সারিয়ে তুলতে এবং আসল আক্রমণকারীদের আগেই সক্রিয়ভাবে প্রতিরক্ষা ব্যবস্থা পরীক্ষা করতে সাহায্য করছে।

এর একটি গুরুত্বপূর্ণ প্রয়োগ হলো স্বয়ংক্রিয় কোড পর্যালোচনা এবং দুর্বলতা আবিষ্কারের। বিশাল কোডবেসগুলোতে (বিশেষ করে লিগ্যাসি সিস্টেমগুলোতে) প্রায়শই এমন নিরাপত্তা ত্রুটি থাকে যা অলক্ষিত থেকে যায়। জেনারেটিভ এআই মডেলগুলোকে নিরাপদ কোডিং পদ্ধতি এবং সাধারণ বাগ প্যাটার্নের উপর প্রশিক্ষণ দেওয়া যেতে পারে, তারপর সম্ভাব্য দুর্বলতা খুঁজে বের করার জন্য সেগুলোকে সোর্স কোড বা কম্পাইল করা বাইনারির উপর প্রয়োগ করা হয়। উদাহরণস্বরূপ, এনভিডিয়ার গবেষকরা একটি জেনারেটিভ এআই পাইপলাইন তৈরি করেছেন যা লিগ্যাসি সফটওয়্যার কন্টেইনার বিশ্লেষণ করতে এবং "অত্যন্ত নির্ভুলভাবে — মানব বিশেষজ্ঞদের চেয়ে ৪ গুণ পর্যন্ত দ্রুত" দুর্বলতা শনাক্ত করতে পারে। (সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর ৬টি ব্যবহারের ক্ষেত্র [+ উদাহরণ] )। এআই মূলত শিখেছে যে অনিরাপদ কোড দেখতে কেমন হয় এবং কয়েক দশক পুরোনো সফটওয়্যার স্ক্যান করে ঝুঁকিপূর্ণ ফাংশন ও লাইব্রেরি চিহ্নিত করতে সক্ষম হয়েছে, যা সাধারণত ধীরগতির ম্যানুয়াল কোড অডিটিং প্রক্রিয়াকে ব্যাপকভাবে ত্বরান্বিত করেছে। এই ধরনের টুল অর্থায়ন বা সরকারের মতো শিল্পগুলোর জন্য একটি যুগান্তকারী পরিবর্তন আনতে পারে, যেগুলো বিশাল ও পুরোনো কোডবেসের উপর নির্ভরশীল – এআই এমন সব সমস্যা খুঁজে বের করে নিরাপত্তা ব্যবস্থাকে আধুনিক করতে সাহায্য করে, যা কর্মীদের খুঁজে পেতে মাস বা বছর লেগে যেতে পারে (যদি আদৌ খুঁজে পায়)।

জেনারেটিভ এআই ভালনারেবিলিটি স্ক্যানের ফলাফল প্রক্রিয়াকরণ এবং সেগুলোকে অগ্রাধিকার দেওয়ার মাধ্যমে ভালনারেবিলিটি ম্যানেজমেন্ট ওয়ার্কফ্লোতেও সহায়তা করে। Tenable-এর ExposureAI-এর মতো টুলগুলো জেনারেটিভ এআই ব্যবহার করে অ্যানালিস্টদেরকে সহজ ভাষায় ভালনারেবিলিটি ডেটা কোয়েরি করতে এবং তাৎক্ষণিক উত্তর পেতে সাহায্য করে ( সাইবারসিকিউরিটিতে জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব-জগতের উদাহরণ )। ExposureAI একটি নির্দিষ্ট গুরুতর ভালনারেবিলিটির জন্য "সম্পূর্ণ অ্যাটাক পাথকে একটি বর্ণনার মাধ্যমে সংক্ষিপ্ত করতে" পারে , যা ব্যাখ্যা করে যে কীভাবে একজন আক্রমণকারী একটি সিস্টেমকে ক্ষতিগ্রস্ত করার জন্য এটিকে অন্যান্য দুর্বলতার সাথে যুক্ত করতে পারে। এটি এমনকি প্রতিকারের জন্য পদক্ষেপের সুপারিশ করে এবং ঝুঁকি সম্পর্কে পরবর্তী প্রশ্নগুলোর উত্তর দেয়। এর মানে হলো, যখন একটি নতুন গুরুতর CVE (Common Vulnerabilities and Exposures) ঘোষণা করা হয়, তখন একজন অ্যানালিস্ট এআই-কে জিজ্ঞাসা করতে পারেন, "আমাদের কোনো সার্ভার কি এই CVE দ্বারা প্রভাবিত এবং আমরা যদি প্যাচ না করি তবে সবচেয়ে খারাপ পরিস্থিতি কী হতে পারে?" এবং প্রতিষ্ঠানের নিজস্ব স্ক্যান ডেটা থেকে প্রাপ্ত একটি স্পষ্ট মূল্যায়ন পেতে পারেন। দুর্বলতাগুলোকে তাদের প্রেক্ষাপট অনুযায়ী চিহ্নিত করার মাধ্যমে (যেমন, এটি ইন্টারনেটে উন্মুক্ত এবং একটি অত্যন্ত গুরুত্বপূর্ণ সার্ভারে অবস্থিত, তাই এটির অগ্রাধিকার সর্বোচ্চ), জেনারেটিভ এআই দলগুলোকে সীমিত সম্পদ ব্যবহার করে দক্ষতার সাথে প্যাচ তৈরি করতে সাহায্য করে।

পরিচিত দুর্বলতা খুঁজে বের করা এবং পরিচালনা করার পাশাপাশি, জেনারেটিভ এআই পেনিট্রেশন টেস্টিং এবং অ্যাটাক সিমুলেশনেও অবদান রাখে – মূলত অজানা দুর্বলতা আবিষ্কার করা বা নিরাপত্তা নিয়ন্ত্রণ পরীক্ষা করার মাধ্যমে। জেনারেটিভ অ্যাডভার্সারিয়াল নেটওয়ার্ক (GANs), যা এক ধরনের জেনারেটিভ এআই, বাস্তব নেটওয়ার্ক ট্র্যাফিক বা ব্যবহারকারীর আচরণের অনুকরণে সিন্থেটিক ডেটা তৈরি করতে ব্যবহৃত হয়েছে, যার মধ্যে লুকানো আক্রমণের ধরণও অন্তর্ভুক্ত থাকতে পারে। ২০২৩ সালের একটি গবেষণায় ইন্ট্রুশন ডিটেকশন সিস্টেমকে (IDS) প্রশিক্ষণ দেওয়ার জন্য বাস্তবসম্মত জিরো-ডে অ্যাটাক ট্র্যাফিক তৈরি করতে GANs ব্যবহারের পরামর্শ দেওয়া হয়েছে ( সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর ৬টি ব্যবহারের ক্ষেত্র [+ উদাহরণ] )। AI-নির্মিত আক্রমণের দৃশ্যকল্প (যেগুলোতে প্রোডাকশন নেটওয়ার্কে আসল ম্যালওয়্যার ব্যবহারের ঝুঁকি থাকে না) দিয়ে IDS-কে প্রশিক্ষণ দেওয়ার মাধ্যমে, সংস্থাগুলো বাস্তবে আক্রমণের শিকার হওয়ার অপেক্ষা না করেই নতুন হুমকি শনাক্ত করার জন্য তাদের প্রতিরক্ষা ব্যবস্থাকে প্রশিক্ষণ দিতে পারে। একইভাবে, AI একজন আক্রমণকারীর একটি সিস্টেম পরীক্ষা করার প্রক্রিয়াকে অনুকরণ করতে পারে – উদাহরণস্বরূপ, কোনোটি সফল হয় কিনা তা দেখার জন্য একটি নিরাপদ পরিবেশে স্বয়ংক্রিয়ভাবে বিভিন্ন এক্সপ্লয়েট কৌশল চেষ্টা করা। মার্কিন প্রতিরক্ষা উন্নত গবেষণা প্রকল্প সংস্থা (ডারপা) এখানে সম্ভাবনা দেখছে: তাদের ২০২৩ সালের এআই সাইবার চ্যালেঞ্জ প্রতিযোগিতার অংশ হিসেবে “ওপেন-সোর্স সফটওয়্যারের দুর্বলতা স্বয়ংক্রিয়ভাবে খুঁজে বের করতে ও সমাধান করতে” সুস্পষ্টভাবে জেনারেটিভ এআই (যেমন বৃহৎ ল্যাঙ্গুয়েজ মডেল) ব্যবহার করছে ( ডারপার লক্ষ্য যুদ্ধক্ষেত্রে বিশ্বাসযোগ্য এআই ও স্বয়ংক্রিয় অ্যাপ্লিকেশন তৈরি করা > মার্কিন প্রতিরক্ষা বিভাগ > প্রতিরক্ষা বিভাগের সংবাদ )। এই উদ্যোগটি এটাই তুলে ধরে যে, এআই শুধু পরিচিত দুর্বলতাগুলো সারাতেই সাহায্য করছে না; এটি সক্রিয়ভাবে নতুন দুর্বলতাও খুঁজে বের করছে এবং সমাধানের প্রস্তাব দিচ্ছে, যা ঐতিহ্যগতভাবে দক্ষ (এবং ব্যয়বহুল) নিরাপত্তা গবেষকদের মধ্যেই সীমাবদ্ধ ছিল।

জেনারেটিভ এআই প্রতিরক্ষার জন্য এমনকি ইন্টেলিজেন্ট হানিপট এবং ডিজিটাল টুইনও । স্টার্টআপগুলো এআই-চালিত ডিকয় সিস্টেম তৈরি করছে যা আসল সার্ভার বা ডিভাইসগুলোকে বিশ্বাসযোগ্যভাবে অনুকরণ করে। যেমন একজন সিইও ব্যাখ্যা করেছেন, জেনারেটিভ এআই “ডিজিটাল সিস্টেমগুলোকে ক্লোন করে আসল সিস্টেমের অনুকরণ করতে এবং হ্যাকারদের প্রলুব্ধ করতে পারে” (সাইবারসিকিউরিটিতে জেনারেটিভ এআই-এর ৬টি ব্যবহারের ক্ষেত্র [+ উদাহরণ] )। এই এআই-নির্মিত হানিপটগুলো আসল পরিবেশের মতোই আচরণ করে (যেমন, একটি নকল আইওটি ডিভাইস যা সাধারণ টেলিমেট্রি পাঠায়) কিন্তু এদের অস্তিত্বের একমাত্র উদ্দেশ্য হলো আক্রমণকারীদের আকর্ষণ করা। যখন কোনো আক্রমণকারী ডিকয়টিকে লক্ষ্যবস্তু করে, তখন এআই মূলত তাদের কৌশল প্রকাশ করতে প্ররোচিত করে, যা রক্ষাকারীরা তখন অধ্যয়ন করে আসল সিস্টেমগুলোকে শক্তিশালী করতে ব্যবহার করতে পারে। জেনারেটিভ মডেলিং দ্বারা চালিত এই ধারণাটি, আক্রমণকারীদের বিরুদ্ধে পাল্টা আঘাত হানার।

বিভিন্ন শিল্পে, দ্রুত এবং বুদ্ধিমান দুর্বলতা ব্যবস্থাপনার অর্থ কম লঙ্ঘন। উদাহরণস্বরূপ, স্বাস্থ্যসেবা তথ্যপ্রযুক্তিতে, AI একটি মেডিকেল ডিভাইসে একটি দুর্বল পুরানো লাইব্রেরি দ্রুত সনাক্ত করতে পারে এবং কোনও আক্রমণকারী এটি ব্যবহার করার আগে একটি ফার্মওয়্যার সংশোধন করতে পারে। ব্যাংকিংয়ে, AI একটি নতুন অ্যাপ্লিকেশনের উপর একটি অভ্যন্তরীণ আক্রমণের অনুকরণ করতে পারে যাতে গ্রাহকের ডেটা সমস্ত পরিস্থিতিতে নিরাপদ থাকে। এইভাবে জেনারেটিভ AI একটি মাইক্রোস্কোপ এবং প্রতিষ্ঠানের নিরাপত্তা অবস্থানের জন্য একটি স্ট্রেস-পরীক্ষক উভয়ই হিসাবে কাজ করে: এটি স্থিতিস্থাপকতা নিশ্চিত করার জন্য কল্পনাপ্রসূত উপায়ে লুকানো ত্রুটিগুলি আলোকিত করে এবং সিস্টেমগুলিকে চাপ দেয়।.

সিকিউর কোড জেনারেশন এবং সফটওয়্যার ডেভেলপমেন্ট

জেনারেটিভ এআই-এর দক্ষতা শুধু আক্রমণ শনাক্ত করার মধ্যেই সীমাবদ্ধ নয় – এটি শুরু থেকেই আরও সুরক্ষিত সিস্টেম তৈরি। সফটওয়্যার ডেভেলপমেন্টে, এআই কোড জেনারেটর (যেমন গিটহাব কপাইলট, ওপেনএআই কোডেক্স, ইত্যাদি) কোডের অংশবিশেষ বা এমনকি সম্পূর্ণ ফাংশন সাজেস্ট করে ডেভেলপারদের দ্রুত কোড লিখতে সাহায্য করতে পারে। সাইবারসিকিউরিটির দিকটি হলো, এআই-এর সাজেস্ট করা এই কোডের অংশগুলো সুরক্ষিত কিনা তা নিশ্চিত করা এবং কোডিং পদ্ধতি উন্নত করতে এআই ব্যবহার করা।

একদিকে, জেনারেটিভ এআই একটি কোডিং সহকারী হিসেবে কাজ করতে পারে যা নিরাপত্তার সর্বোত্তম অনুশীলনগুলোকে অন্তর্ভুক্ত করে। ডেভেলপাররা একটি এআই টুলকে নির্দেশ দিতে পারেন, “পাইথনে একটি পাসওয়ার্ড রিসেট ফাংশন তৈরি করো,” এবং আদর্শগতভাবে এমন কোড ফেরত পেতে পারেন যা কেবল কার্যকরীই নয়, বরং নিরাপদ নির্দেশিকাগুলোও অনুসরণ করে (যেমন সঠিক ইনপুট যাচাইকরণ, লগিং, তথ্য ফাঁস না করে ত্রুটি সামলানো, ইত্যাদি)। ব্যাপক নিরাপদ কোডের উদাহরণের উপর প্রশিক্ষিত এই ধরনের একটি সহকারী, দুর্বলতা সৃষ্টিকারী মানবিক ভুল কমাতে সাহায্য করতে পারে। উদাহরণস্বরূপ, যদি কোনো ডেভেলপার ব্যবহারকারীর ইনপুট স্যানিটাইজ করতে ভুলে যান (যা এসকিউএল ইনজেকশন বা অনুরূপ সমস্যার পথ খুলে দেয়), তবে একটি এআই হয় ডিফল্টরূপে তা অন্তর্ভুক্ত করতে পারে অথবা তাদের সতর্ক করতে পারে। কিছু এআই কোডিং টুলকে এখন ঠিক এই উদ্দেশ্য পূরণের জন্য নিরাপত্তা-কেন্দ্রিক ডেটা দিয়ে সূক্ষ্মভাবে টিউন করা হচ্ছে – মূলত, এটি হলো নিরাপত্তা-সচেতন এআই পেয়ার প্রোগ্রামিং।

তবে, এর একটি বিপরীত দিকও রয়েছে: জেনারেটিভ এআই যদি সঠিকভাবে পরিচালিত না হয়, তবে এটি খুব সহজেই দুর্বলতা তৈরি করতে পারে। সোফোস-এর নিরাপত্তা বিশেষজ্ঞ বেন ভার্সকারেন যেমন উল্লেখ করেছেন, কোডিংয়ের জন্য জেনারেটিভ এআই ব্যবহার করা “ছোট, যাচাইযোগ্য কোডের জন্য ঠিক আছে, কিন্তু যখন যাচাই না করা কোড প্রোডাকশন সিস্টেমে যুক্ত করা হয়, তখন এটি ঝুঁকিপূর্ণ হয়ে ওঠে।” ঝুঁকিটি হলো, একটি এআই এমন যৌক্তিকভাবে সঠিক কোড তৈরি করতে পারে যা এমনভাবে অনিরাপদ, যা একজন অনভিজ্ঞ ব্যক্তি হয়তো খেয়ালই করবেন না। অধিকন্তু, ক্ষতিকারক ব্যক্তিরা ইচ্ছাকৃতভাবে পাবলিক এআই মডেলগুলিতে দুর্বল কোড প্যাটার্ন ঢুকিয়ে দিয়ে (এক ধরনের ডেটা পয়জনিং) সেগুলোকে প্রভাবিত করতে পারে, যাতে এআই অনিরাপদ কোডের পরামর্শ দেয়। বেশিরভাগ ডেভেলপারই নিরাপত্তা বিশেষজ্ঞ নন, তাই যদি কোনো এআই একটি সুবিধাজনক সমাধানের পরামর্শ দেয়, তবে তারা এর ত্রুটি না বুঝেই অন্ধভাবে তা ব্যবহার করতে পারেন (সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর ৬টি ব্যবহারের ক্ষেত্র [+ উদাহরণ] )। এই উদ্বেগটি বাস্তব – প্রকৃতপক্ষে, এখন এলএলএম (লার্জ ল্যাঙ্গুয়েজ মডেল)-এর জন্য একটি OWASP টপ ১০ তালিকা রয়েছে, যা কোডিংয়ের জন্য এআই ব্যবহারের ক্ষেত্রে এই ধরনের সাধারণ ঝুঁকিগুলো তুলে ধরে।

এই সমস্যাগুলো মোকাবেলা করার জন্য, বিশেষজ্ঞরা “জেনারেটিভ এআই দিয়েই জেনারেটিভ এআই-এর মোকাবিলা করার” । বাস্তবে, এর অর্থ হলো কোড পর্যালোচনা ও পরীক্ষা করার । একটি এআই একজন মানব কোড পর্যালোচকের চেয়ে অনেক দ্রুত নতুন কোড কমিটগুলো স্ক্যান করতে পারে এবং সম্ভাব্য দুর্বলতা বা লজিকগত সমস্যা চিহ্নিত করতে পারে। আমরা ইতিমধ্যেই এমন সব টুলের আবির্ভাব দেখতে পাচ্ছি যা সফটওয়্যার ডেভেলপমেন্ট লাইফসাইকেলে একীভূত হয়ে যায়: কোড লেখা হয় (সম্ভবত এআই-এর সাহায্যে), তারপর নিরাপদ কোডের নীতিতে প্রশিক্ষিত একটি জেনারেটিভ মডেল তা পর্যালোচনা করে এবং যেকোনো উদ্বেগের (যেমন, ডেপ্রিকেটেড ফাংশনের ব্যবহার, অনুপস্থিত অথেনটিকেশন চেক ইত্যাদি) একটি প্রতিবেদন তৈরি করে। পূর্বে উল্লিখিত এনভিডিয়ার গবেষণা, যা কোডে ৪ গুণ দ্রুত দুর্বলতা শনাক্তকরণ অর্জন করেছে, তা নিরাপদ কোড বিশ্লেষণের জন্য এআই-কে কাজে লাগানোর একটি উদাহরণ (সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর ৬টি ব্যবহারের ক্ষেত্র [+ উদাহরণ] )।

এছাড়াও, জেনারেটিভ এআই সুরক্ষিত কনফিগারেশন এবং স্ক্রিপ্ট তৈরিতে সহায়তা করতে পারে । উদাহরণস্বরূপ, যদি কোনো কোম্পানির একটি সুরক্ষিত ক্লাউড পরিকাঠামো স্থাপন করার প্রয়োজন হয়, তবে একজন প্রকৌশলী একটি এআই-কে কনফিগারেশন স্ক্রিপ্ট (ইনফ্রাস্ট্রাকচার অ্যাজ কোড) তৈরি করতে বলতে পারেন, যেখানে নিরাপত্তা নিয়ন্ত্রণগুলো (যেমন সঠিক নেটওয়ার্ক বিভাজন, ন্যূনতম সুবিধাপ্রাপ্ত আইএএম রোল) অন্তর্ভুক্ত থাকবে। এই ধরনের হাজার হাজার কনফিগারেশনের উপর প্রশিক্ষিত হয়ে এআই একটি বেসলাইন তৈরি করতে পারে, যা প্রকৌশলী পরবর্তীতে সূক্ষ্মভাবে সমন্বয় করেন। এটি সিস্টেমের সুরক্ষিত সেটআপকে ত্বরান্বিত করে এবং ভুল কনফিগারেশনের ত্রুটি কমায় – যা ক্লাউড নিরাপত্তা সংক্রান্ত ঘটনার একটি সাধারণ উৎস।

কিছু সংস্থা নিরাপদ কোডিং প্যাটার্নের একটি জ্ঞানভান্ডার বজায় রাখতে জেনারেটিভ এআই ব্যবহার করছে। যদি কোনো ডেভেলপার নিশ্চিত না হন যে কীভাবে একটি নির্দিষ্ট ফিচার নিরাপদে প্রয়োগ করতে হবে, তবে তিনি একটি অভ্যন্তরীণ এআই-কে জিজ্ঞাসা করতে পারেন, যেটি কোম্পানির অতীতের প্রকল্প এবং নিরাপত্তা নির্দেশিকা থেকে শিখেছে। এআইটি একটি প্রস্তাবিত পদ্ধতি বা এমনকি একটি কোড স্নিপেটও ফেরত দিতে পারে, যা কার্যকরী প্রয়োজনীয়তা এবং কোম্পানির নিরাপত্তা মান উভয়ের সাথেই সামঞ্জস্যপূর্ণ। এই পদ্ধতিটি সিকিউরফ্রেমের কোয়েশ্চনেয়ার অটোমেশনের, যা সামঞ্জস্যপূর্ণ এবং সঠিক প্রতিক্রিয়া নিশ্চিত করতে (মূলত নিরাপদ ডকুমেন্টেশন তৈরি করতে) কোম্পানির নীতিমালা এবং অতীতের সমাধান থেকে উত্তর সংগ্রহ করে (সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব-জগতের উদাহরণ)। এই ধারণাটি কোডিং-এর ক্ষেত্রেও প্রযোজ্য: একটি এআই যা "মনে রাখে" আপনি আগে কীভাবে নিরাপদে কিছু প্রয়োগ করেছিলেন এবং আপনাকে আবার সেভাবেই কাজটি করতে নির্দেশনা দেয়।

সংক্ষেপে, জেনারেটিভ এআই নিরাপদ কোডিং সহায়তাকে আরও সহজলভ্য করে। প্রযুক্তি, অর্থায়ন, প্রতিরক্ষা ইত্যাদির মতো যে শিল্পগুলো প্রচুর পরিমাণে কাস্টম সফটওয়্যার তৈরি করে, তারা এমন এআই সহ-পাইলট থেকে উপকৃত হতে পারে, যা কেবল কোডিংয়ের গতিই বাড়ায় না, বরং একজন সদা-সতর্ক নিরাপত্তা পর্যালোচক হিসেবেও কাজ করে। সঠিকভাবে পরিচালিত হলে, এই এআই টুলগুলো নতুন দুর্বলতার প্রবেশ কমাতে পারে এবং উন্নয়নকারী দলগুলোকে সর্বোত্তম অনুশীলন মেনে চলতে সাহায্য করতে পারে, এমনকি যদি দলের প্রতিটি ধাপে কোনো নিরাপত্তা বিশেষজ্ঞ জড়িত নাও থাকেন। এর ফলস্বরূপ, সফটওয়্যারটি প্রথম দিন থেকেই আক্রমণের বিরুদ্ধে আরও বেশি শক্তিশালী হয়ে ওঠে।

ঘটনা প্রতিক্রিয়া সহায়তা

যখন কোনো সাইবার নিরাপত্তা সংক্রান্ত ঘটনা ঘটে – তা ম্যালওয়্যারের আক্রমণ, ডেটা লঙ্ঘন, বা কোনো আক্রমণের কারণে সিস্টেম অচল হয়ে যাওয়াই হোক না কেন – সময় অত্যন্ত গুরুত্বপূর্ণ। ইনসিডেন্ট রেসপন্স (IR) টিমগুলোকে আরও দ্রুত এবং হাতে থাকা অধিক তথ্যের সাহায্যে ঘটনা নিয়ন্ত্রণ ও প্রতিকারে সহায়তা করার জন্য জেনারেটিভ এআই-এর ব্যবহার ক্রমশ বাড়ছে। এর মূল ধারণাটি হলো, কোনো ঘটনার সময় এআই তদন্ত ও নথিভুক্তকরণের কিছু ভার নিজের কাঁধে তুলে নিতে পারে এবং এমনকি কিছু প্রতিক্রিয়ামূলক পদক্ষেপের পরামর্শ দিতে বা সেগুলোকে স্বয়ংক্রিয় করতে পারে।

ঘটনা প্রতিক্রিয়াতে (IR) AI-এর একটি প্রধান ভূমিকা হলো রিয়েল-টাইম ঘটনা বিশ্লেষণ এবং সারসংক্ষেপ তৈরি করা। কোনো ঘটনার মাঝে, প্রতিক্রিয়াকারীদের কিছু প্রশ্নের উত্তর প্রয়োজন হতে পারে, যেমন— “আক্রমণকারী কীভাবে প্রবেশ করল?”, “কোন সিস্টেমগুলো ক্ষতিগ্রস্ত হয়েছে?”, এবং “কোন ডেটা ঝুঁকির মুখে পড়তে পারে?”। জেনারেটিভ AI ক্ষতিগ্রস্ত সিস্টেমগুলো থেকে লগ, অ্যালার্ট এবং ফরেনসিক ডেটা বিশ্লেষণ করে দ্রুত গুরুত্বপূর্ণ তথ্য সরবরাহ করতে পারে। উদাহরণস্বরূপ, মাইক্রোসফট সিকিউরিটি কপাইলট একজন ঘটনা প্রতিক্রিয়াকারীকে বিভিন্ন ধরনের প্রমাণ (ফাইল, ইউআরএল, ইভেন্ট লগ) ইনপুট করার এবং একটি টাইমলাইন বা সারসংক্ষেপ চাওয়ার সুযোগ দেয় (মাইক্রোসফট সিকিউরিটি কপাইলট হলো সাইবারসিকিউরিটির জন্য একটি নতুন GPT-4 AI অ্যাসিস্ট্যান্ট | দ্য ভার্জ)। AI হয়তো এভাবে উত্তর দিতে পারে: “এই লঙ্ঘনটি সম্ভবত ১০:৫৩ GMT-তে জনডো নামের ব্যবহারকারীর কাছে পাঠানো ম্যালওয়্যার X সম্বলিত একটি ফিশিং ইমেলের মাধ্যমে শুরু হয়েছিল। একবার কার্যকর হওয়ার পর, ম্যালওয়্যারটি একটি ব্যাকডোর তৈরি করে, যা দুই দিন পরে ফিনান্স সার্ভারে পার্শ্বীয়ভাবে প্রবেশ করতে এবং ডেটা সংগ্রহ করতে ব্যবহৃত হয়েছিল।” ঘণ্টার পরিবর্তে মিনিটের মধ্যেই এই সুসংহত চিত্রটি হাতে পাওয়া গেলে, দলটি অনেক দ্রুত তথ্যভিত্তিক সিদ্ধান্ত (যেমন কোন সিস্টেমগুলোকে বিচ্ছিন্ন করতে হবে) নিতে পারে।

জেনারেটিভ এআই সংক্রমণ প্রতিরোধ এবং প্রতিকারমূলক পদক্ষেপের পরামর্শও দিতে। উদাহরণস্বরূপ, যদি কোনো এন্ডপয়েন্ট র‍্যানসমওয়্যার দ্বারা আক্রান্ত হয়, তবে একটি এআই টুল সেই মেশিনটিকে বিচ্ছিন্ন করতে, নির্দিষ্ট কিছু অ্যাকাউন্ট নিষ্ক্রিয় করতে এবং ফায়ারওয়ালে পরিচিত ক্ষতিকারক আইপি ব্লক করার জন্য একটি স্ক্রিপ্ট বা নির্দেশাবলীর সেট তৈরি করতে পারে – যা মূলত একটি প্লেবুক এক্সিকিউশন। পালো অল্টো নেটওয়ার্কস উল্লেখ করেছে যে জেনারেটিভ এআই “ঘটনার প্রকৃতির উপর ভিত্তি করে উপযুক্ত পদক্ষেপ বা স্ক্রিপ্ট তৈরি করতে”, যা প্রতিক্রিয়ার প্রাথমিক পদক্ষেপগুলোকে স্বয়ংক্রিয় করে তোলে (সাইবারসিকিউরিটিতে জেনারেটিভ এআই কী? - পালো অল্টো নেটওয়ার্কস)। এমন পরিস্থিতিতে যেখানে নিরাপত্তা দল হিমশিম খাচ্ছে (যেমন শত শত ডিভাইসে একটি ব্যাপক আক্রমণ), সেখানে এআই পূর্ব-অনুমোদিত শর্তাধীনে এই পদক্ষেপগুলোর কিছু সরাসরি সম্পাদনও করতে পারে, যা একজন জুনিয়র রেসপন্ডারের মতো অক্লান্তভাবে কাজ করে। উদাহরণস্বরূপ, একটি এআই এজেন্ট স্বয়ংক্রিয়ভাবে সেইসব ক্রেডেনশিয়াল রিসেট করতে পারে যা তার মতে আপোসকৃত হয়েছে, অথবা সেইসব হোস্টকে কোয়ারেন্টাইন করতে পারে যেগুলো ঘটনার প্রোফাইলের সাথে মিলে যাওয়া ক্ষতিকারক কার্যকলাপ প্রদর্শন করছে।

ঘটনা মোকাবেলার সময়, দলের অভ্যন্তরে এবং অংশীদারদের সাথে যোগাযোগ অত্যন্ত গুরুত্বপূর্ণ। জেনারেটিভ এআই তাৎক্ষণিকভাবে ঘটনার হালনাগাদ প্রতিবেদন বা সংক্ষিপ্ত বিবরণ তৈরি করে এক্ষেত্রে। কোনো প্রকৌশলীকে সমস্যা সমাধানের কাজ থামিয়ে ইমেল আপডেট লেখার পরিবর্তে, তিনি এআই-কে বলতে পারেন, “নির্বাহীদের জানানোর জন্য এই ঘটনায় এখন পর্যন্ত যা ঘটেছে তার একটি সারসংক্ষেপ তৈরি করো।” এআই, ঘটনার ডেটা গ্রহণ করে একটি সংক্ষিপ্ত সারসংক্ষেপ তৈরি করতে পারে: “বিকাল ৩টা পর্যন্ত, আক্রমণকারীরা ২টি ব্যবহারকারীর অ্যাকাউন্ট এবং ৫টি সার্ভারে প্রবেশ করেছে। ক্ষতিগ্রস্ত ডেটার মধ্যে ডেটাবেস X-এর ক্লায়েন্ট রেকর্ড অন্তর্ভুক্ত রয়েছে। নিয়ন্ত্রণমূলক ব্যবস্থা: ক্ষতিগ্রস্ত অ্যাকাউন্টগুলোর ভিপিএন অ্যাক্সেস বাতিল করা হয়েছে এবং সার্ভারগুলোকে বিচ্ছিন্ন করা হয়েছে। পরবর্তী পদক্ষেপ: কোনো স্থায়ী সুরক্ষা ব্যবস্থার জন্য স্ক্যান করা হচ্ছে।” এরপর প্রতিক্রিয়াকারী দ্রুত এটি যাচাই বা সংশোধন করে পাঠিয়ে দিতে পারেন, যা নিশ্চিত করে যে অংশীদাররা সঠিক এবং সর্বশেষ তথ্যের মাধ্যমে অবগত থাকছেন।

পরিস্থিতি শান্ত হয়ে গেলে, সাধারণত একটি বিশদ ঘটনা প্রতিবেদন প্রস্তুত করতে হয় এবং অর্জিত শিক্ষাগুলো সংকলন করতে হয়। এটি আরেকটি ক্ষেত্র যেখানে এআই-এর সহায়তা বিশেষভাবে কার্যকর। এটি ঘটনার সমস্ত ডেটা পর্যালোচনা করে মূল কারণ, ঘটনাক্রম, প্রভাব এবং সুপারিশসহ একটি ঘটনা-পরবর্তী প্রতিবেদন তৈরি করতে পারে । উদাহরণস্বরূপ, আইবিএম একটি বোতাম টিপেই “নিরাপত্তা সংক্রান্ত কেস এবং ঘটনার সহজ সারাংশ তৈরি করার জন্য জেনারেটিভ এআই ব্যবহার করছে, যা স্টেকহোল্ডারদের সাথে শেয়ার করা যেতে পারে” ( সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব-জগতের উদাহরণ )। ঘটনা-পরবর্তী রিপোর্টিং প্রক্রিয়াকে সহজ করার মাধ্যমে, সংস্থাগুলো দ্রুত উন্নতি বাস্তবায়ন করতে পারে এবং নিয়মকানুন মেনে চলার উদ্দেশ্যে আরও ভালো ডকুমেন্টেশনও তৈরি করতে পারে।

এর একটি উদ্ভাবনী ও দূরদর্শী ব্যবহার হলো এআই-চালিত ঘটনা সিমুলেশন। যেভাবে অগ্নি নির্বাপণ মহড়া চালানো হয়, ঠিক সেভাবেই কিছু কোম্পানি বিভিন্ন ‘কী হতে পারে’ ধরনের ঘটনার পরিস্থিতি পরীক্ষা করার জন্য জেনারেটিভ এআই ব্যবহার করছে। এআই হয়তো সিমুলেট করতে পারে যে, নেটওয়ার্ক বিন্যাসের ওপর ভিত্তি করে একটি র‍্যানসমওয়্যার কীভাবে ছড়াতে পারে, বা কোনো অভ্যন্তরীণ ব্যক্তি কীভাবে ডেটা পাচার করতে পারে, এবং তারপর বর্তমান প্রতিক্রিয়া পরিকল্পনাগুলোর কার্যকারিতা মূল্যায়ন করতে পারে। এটি দলগুলোকে কোনো প্রকৃত ঘটনা ঘটার আগেই প্লেবুক প্রস্তুত ও পরিমার্জন করতে সাহায্য করে। এটি অনেকটা এমন একজন ক্রমাগত উন্নত হতে থাকা ঘটনা প্রতিক্রিয়া উপদেষ্টার মতো, যিনি প্রতিনিয়ত আপনার প্রস্তুতি পরীক্ষা করেন।

অর্থায়ন বা স্বাস্থ্যসেবার মতো উচ্চ-ঝুঁকিপূর্ণ শিল্পগুলিতে, যেখানে কোনো ঘটনার কারণে সিস্টেম বন্ধ থাকা বা ডেটা নষ্ট হওয়া বিশেষভাবে ব্যয়বহুল, সেখানে এই এআই-চালিত ঘটনা প্রতিক্রিয়া (IR) সক্ষমতাগুলি খুবই আকর্ষণীয়। একটি সাইবার ঘটনার শিকার হওয়া হাসপাতাল দীর্ঘস্থায়ী সিস্টেম বিভ্রাট সহ্য করতে পারে না – এক্ষেত্রে দ্রুত পরিস্থিতি নিয়ন্ত্রণে সহায়তাকারী একটি এআই আক্ষরিক অর্থেই জীবন রক্ষাকারী হতে পারে। একইভাবে, একটি আর্থিক প্রতিষ্ঠান ভোর ৩টায় সন্দেহজনক জালিয়াতির প্রাথমিক বাছাইয়ের জন্য এআই ব্যবহার করতে পারে, যাতে অন-কল কর্মীরা অনলাইনে আসার আগেই অনেক প্রাথমিক কাজ (যেমন ক্ষতিগ্রস্ত অ্যাকাউন্ট লগ অফ করা, লেনদেন ব্লক করা ইত্যাদি) সম্পন্ন হয়ে যায়। জেনারেটিভ এআই দিয়ে ঘটনা প্রতিক্রিয়া দলগুলিকে শক্তিশালী করার, সংস্থাগুলি প্রতিক্রিয়ার সময় উল্লেখযোগ্যভাবে কমাতে এবং তাদের পরিচালনার পুঙ্খানুপুঙ্খতা উন্নত করতে পারে, যা শেষ পর্যন্ত সাইবার ঘটনা থেকে হওয়া ক্ষতি হ্রাস করে।

আচরণগত বিশ্লেষণ এবং অসঙ্গতি সনাক্তকরণ

অনেক সাইবার আক্রমণ শনাক্ত করা যায় যখন কোনো কিছু “স্বাভাবিক” আচরণ থেকে বিচ্যুত হয় – তা হতে পারে কোনো ব্যবহারকারীর অ্যাকাউন্ট থেকে অস্বাভাবিক পরিমাণে ডেটা ডাউনলোড করা, অথবা কোনো নেটওয়ার্ক ডিভাইসের হঠাৎ করে একটি অপরিচিত হোস্টের সাথে যোগাযোগ স্থাপন করা। জেনারেটিভ এআই আচরণগত বিশ্লেষণ এবং অসঙ্গতি শনাক্তকরণের, যা ব্যবহারকারী ও সিস্টেমের স্বাভাবিক প্যাটার্নগুলো শেখে এবং তারপর কোনো কিছু অস্বাভাবিক মনে হলে তা চিহ্নিত করে।

প্রচলিত অসঙ্গতি শনাক্তকরণে প্রায়শই পরিসংখ্যানগত থ্রেশহোল্ড বা নির্দিষ্ট মেট্রিকের (যেমন সিপিইউ ব্যবহারের আকস্মিক বৃদ্ধি, অসময়ে লগইন ইত্যাদি) উপর সাধারণ মেশিন লার্নিং ব্যবহার করা হয়। জেনারেটিভ এআই আচরণের আরও সূক্ষ্ম প্রোফাইল তৈরি করে এই পদ্ধতিকে আরও এক ধাপ এগিয়ে নিয়ে যেতে পারে। উদাহরণস্বরূপ, একটি এআই মডেল সময়ের সাথে সাথে একজন কর্মচারীর লগইন, ফাইল অ্যাক্সেসের ধরণ এবং ইমেল ব্যবহারের অভ্যাস বিশ্লেষণ করে সেই ব্যবহারকারীর "স্বাভাবিক" আচরণের একটি বহুমাত্রিক ধারণা তৈরি করতে পারে। যদি সেই অ্যাকাউন্টটি পরে তার স্বাভাবিক আচরণের বাইরে গিয়ে মারাত্মক কিছু করে (যেমন নতুন কোনো দেশ থেকে লগইন করে মাঝরাতে বিপুল পরিমাণ এইচআর ফাইল অ্যাক্সেস করা), তবে এআই শুধুমাত্র একটি মেট্রিকের বিচ্যুতিই শনাক্ত করবে না, বরং এটি ব্যবহারকারীর প্রোফাইলের সাথে মেলে না এমন একটি সামগ্রিক আচরণগত ধরণ হিসেবে চিহ্নিত হবে। প্রযুক্তিগতভাবে বলতে গেলে, জেনারেটিভ মডেল (যেমন অটোএনকোডার বা সিকোয়েন্স মডেল) "স্বাভাবিক" আচরণ কেমন তা মডেল করতে পারে এবং তারপর আচরণের একটি প্রত্যাশিত পরিসর তৈরি করতে পারে। যখন বাস্তবতা সেই পরিসরের বাইরে চলে যায়, তখন সেটিকে একটি অসঙ্গতি হিসেবে চিহ্নিত করা হয় (সাইবারসিকিউরিটিতে জেনারেটিভ এআই কী? - পালো অল্টো নেটওয়ার্কস)।

এর একটি বাস্তব প্রয়োগ হলো নেটওয়ার্ক ট্র্যাফিক পর্যবেক্ষণ। ২০২৪ সালের একটি সমীক্ষা অনুসারে, ৫৪% মার্কিন সংস্থা সাইবার নিরাপত্তায় এআই-এর অন্যতম প্রধান ব্যবহার হিসেবে নেটওয়ার্ক ট্র্যাফিক পর্যবেক্ষণকে উল্লেখ করেছে (উত্তর আমেরিকা: বিশ্বব্যাপী সাইবার নিরাপত্তায় এআই-এর প্রধান ব্যবহারসমূহ ২০২৪)। জেনারেটিভ এআই একটি প্রতিষ্ঠানের নেটওয়ার্কের স্বাভাবিক যোগাযোগের ধরণ শিখতে পারে – যেমন কোন সার্ভারগুলো সাধারণত একে অপরের সাথে যোগাযোগ করে, কর্মঘণ্টার সময় এবং রাতের বেলায় কী পরিমাণ ডেটা চলাচল করে, ইত্যাদি। যদি কোনো আক্রমণকারী কোনো সার্ভার থেকে ডেটা পাচার করা শুরু করে, এমনকি ধরা পড়া এড়ানোর জন্য ধীরে ধীরেও, একটি এআই-ভিত্তিক সিস্টেম হয়তো লক্ষ্য করতে পারে যে “সার্ভার ‘এ’ কখনও রাত ২টায় কোনো এক্সটার্নাল আইপি-তে ৫০০ মেগাবাইট ডেটা পাঠায় না” এবং একটি সতর্কবার্তা জারি করতে পারে। যেহেতু এআই শুধু স্থির নিয়ম ব্যবহার করে না, বরং নেটওয়ার্ক আচরণের একটি পরিবর্তনশীল মডেল ব্যবহার করে, তাই এটি এমন সূক্ষ্ম অসঙ্গতিগুলো ধরতে পারে যা স্থির নিয়ম (যেমন “ডেটা > X মেগাবাইট হলে সতর্কবার্তা দাও”) হয়তো ধরতে পারে না বা ভুলবশত চিহ্নিত করে। এই অভিযোজনশীল প্রকৃতিই এআই-চালিত অসঙ্গতি শনাক্তকরণকে ব্যাংকিং লেনদেন নেটওয়ার্ক, ক্লাউড পরিকাঠামো বা আইওটি ডিভাইস ফ্লিটের মতো পরিবেশে শক্তিশালী করে তোলে, যেখানে স্বাভাবিক ও অস্বাভাবিকের জন্য নির্দিষ্ট নিয়ম নির্ধারণ করা অত্যন্ত জটিল।

জেনারেটিভ এআই ব্যবহারকারীর আচরণ বিশ্লেষণ (ইউবিএ) -তেও সাহায্য করছে , যা অভ্যন্তরীণ হুমকি বা হ্যাক হওয়া অ্যাকাউন্ট শনাক্ত করার জন্য অত্যন্ত গুরুত্বপূর্ণ। প্রতিটি ব্যবহারকারী বা সত্তার একটি বেসলাইন তৈরি করার মাধ্যমে, এআই ক্রেডেনশিয়ালের অপব্যবহারের মতো বিষয়গুলো শনাক্ত করতে পারে। উদাহরণস্বরূপ, যদি অ্যাকাউন্টিং বিভাগের বব হঠাৎ করে গ্রাহক ডেটাবেস কোয়েরি করা শুরু করে (যা সে আগে কখনও করেনি), তবে ববের আচরণের জন্য তৈরি এআই মডেলটি এটিকে অস্বাভাবিক হিসেবে চিহ্নিত করবে। এটি ম্যালওয়্যার নাও হতে পারে – এমনও হতে পারে যে ববের ক্রেডেনশিয়াল চুরি হয়ে কোনো আক্রমণকারী তা ব্যবহার করছে, অথবা বব এমন জায়গায় অনুসন্ধান করছে যেখানে তার করা উচিত নয়। উভয় ক্ষেত্রেই, নিরাপত্তা দল তদন্ত করার জন্য একটি আগাম সংকেত পায়। এই ধরনের এআই-চালিত ইউবিএ সিস্টেম বিভিন্ন নিরাপত্তা পণ্যে বিদ্যমান, এবং জেনারেটিভ মডেলিং কৌশলগুলো পারিপার্শ্বিক পরিস্থিতি বিবেচনা করে (যেমন, বব হয়তো কোনো বিশেষ প্রকল্পে কাজ করছে, ইত্যাদি, যা এআই কখনও কখনও অন্যান্য ডেটা থেকে অনুমান করতে পারে) এগুলোর নির্ভুলতা বাড়াচ্ছে এবং ভুল সংকেতের সংখ্যা হ্রাস করছে।

পরিচয় ও অ্যাক্সেস ব্যবস্থাপনার ক্ষেত্রে, ডিপফেক শনাক্তকরণের প্রয়োজনীয়তা ক্রমশ বাড়ছে – জেনারেটিভ এআই এমন কৃত্রিম কণ্ঠস্বর ও ভিডিও তৈরি করতে পারে যা বায়োমেট্রিক নিরাপত্তাকে ধোঁকা দেয়। মজার বিষয় হলো, জেনারেটিভ এআই অডিও বা ভিডিওর মধ্যে থাকা এমন সূক্ষ্ম ত্রুটি বিশ্লেষণ করে এই ডিপফেকগুলো শনাক্ত করতেও সাহায্য করতে পারে, যা মানুষের পক্ষে সহজে চোখে পড়ে না। আমরা অ্যাকসেঞ্চারের ক্ষেত্রে এর একটি উদাহরণ দেখেছি, যারা শেখানোর । পাঁচ বছরেরও বেশি সময় ধরে, এই পদ্ধতিটি অ্যাকসেঞ্চারকে তার ৯০% সিস্টেমের জন্য পাসওয়ার্ড বাদ দিতে (বায়োমেট্রিক্স এবং অন্যান্য পদ্ধতির দিকে ঝুঁকে) এবং সাইবার আক্রমণের হার ৬০% কমাতে সাহায্য করেছে (সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর ৬টি ব্যবহারের ক্ষেত্র [+ উদাহরণ] )। মূলত, তারা বায়োমেট্রিক প্রমাণীকরণকে শক্তিশালী করতে জেনারেটিভ এআই ব্যবহার করেছিল, যা এটিকে জেনারেটিভ আক্রমণের বিরুদ্ধে স্থিতিস্থাপক করে তোলে (এআই-এর সাথে এআই-এর লড়াইয়ের একটি চমৎকার উদাহরণ)। এই ধরনের আচরণগত মডেলিং – এক্ষেত্রে একটি জীবন্ত মানুষের মুখ এবং এআই-সৃষ্ট মুখের মধ্যে পার্থক্য শনাক্ত করা – অত্যন্ত গুরুত্বপূর্ণ, কারণ আমরা প্রমাণীকরণের ক্ষেত্রে এআই-এর উপর আরও বেশি নির্ভরশীল হয়ে পড়ছি।

জেনারেটিভ এআই দ্বারা চালিত অসঙ্গতি শনাক্তকরণ বিভিন্ন শিল্পে প্রয়োগযোগ্য: স্বাস্থ্যসেবায়, হ্যাকিংয়ের লক্ষণ খুঁজে পেতে চিকিৎসা যন্ত্রের আচরণ পর্যবেক্ষণ করা; অর্থায়নে, জালিয়াতি বা অ্যালগরিদমিক কারসাজির ইঙ্গিত দিতে পারে এমন অস্বাভাবিক প্যাটার্নের জন্য ট্রেডিং সিস্টেম পর্যবেক্ষণ করা; এবং জ্বালানি/পরিষেবা খাতে, অনুপ্রবেশের লক্ষণ খুঁজে পেতে কন্ট্রোল সিস্টেমের সংকেত পর্যবেক্ষণ করা। জেনারেটিভ এআই-এর এই ব্যাপকতা (আচরণের সমস্ত দিক খতিয়ে দেখা) এবং গভীরতা (জটিল প্যাটার্ন বোঝা) এটিকে সাইবার ঘটনার দুর্লভ সূচকগুলো খুঁজে বের করার জন্য একটি শক্তিশালী হাতিয়ারে পরিণত করে। হুমকিগুলো যখন আরও বেশি গোপনীয় হয়ে স্বাভাবিক কার্যক্রমের মধ্যে লুকিয়ে থাকে, তখন "স্বাভাবিক" অবস্থাকে নির্ভুলভাবে চিহ্নিত করার এবং কোনো বিচ্যুতি ঘটলে সতর্ক করার এই ক্ষমতা অত্যাবশ্যক হয়ে ওঠে। জেনারেটিভ এআই এইভাবে এক অক্লান্ত প্রহরীর ভূমিকা পালন করে, যা পরিবেশের পরিবর্তনের সাথে তাল মিলিয়ে চলার জন্য সর্বদা শেখে ও স্বাভাবিকতার সংজ্ঞা হালনাগাদ করে এবং নিবিড় পর্যবেক্ষণের যোগ্য অসঙ্গতি সম্পর্কে নিরাপত্তা দলগুলোকে সতর্ক করে।

সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর সুযোগ এবং সুবিধা

সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর প্রয়োগ এই সরঞ্জামগুলি গ্রহণ করতে ইচ্ছুক সংস্থাগুলির জন্য অনেক সুযোগ এবং সুবিধা । নীচে, আমরা সাইবার নিরাপত্তা প্রোগ্রামগুলিতে জেনারেটিভ এআই-কে একটি আকর্ষণীয় সংযোজন করে তোলে এমন মূল সুবিধাগুলির সংক্ষিপ্তসার জানাচ্ছি:

• দ্রুত হুমকি সনাক্তকরণ এবং প্রতিক্রিয়া: জেনারেটিভ এআই সিস্টেমগুলি রিয়েল টাইমে বিপুল পরিমাণে ডেটা বিশ্লেষণ করতে পারে এবং ম্যানুয়াল মানব বিশ্লেষণের চেয়ে অনেক দ্রুত হুমকি সনাক্ত করতে পারে। এই গতির সুবিধার অর্থ হল আক্রমণের দ্রুত সনাক্তকরণ এবং দ্রুত ঘটনা নিয়ন্ত্রণ। বাস্তবে, এআই-চালিত সুরক্ষা পর্যবেক্ষণ এমন হুমকিগুলি ধরতে পারে যা মানুষের সাথে সম্পর্কিত হতে অনেক বেশি সময় নেয়। ঘটনাগুলির তাৎক্ষণিক প্রতিক্রিয়া (অথবা এমনকি স্বায়ত্তশাসিতভাবে প্রাথমিক প্রতিক্রিয়াগুলি কার্যকর করে), সংস্থাগুলি তাদের নেটওয়ার্কগুলিতে আক্রমণকারীদের থাকার সময় নাটকীয়ভাবে হ্রাস করতে পারে, ক্ষতি কমিয়ে আনতে পারে।

• উন্নত নির্ভুলতা এবং হুমকির পরিধি: যেহেতু জেনারেটিভ মডেলগুলো ক্রমাগত নতুন ডেটা থেকে শেখে, তাই তারা পরিবর্তিত হুমকির সাথে নিজেদের মানিয়ে নিতে পারে এবং ক্ষতিকারক কার্যকলাপের সূক্ষ্ম লক্ষণগুলোও ধরতে পারে। এর ফলে স্ট্যাটিক নিয়মের তুলনায় শনাক্তকরণের নির্ভুলতা বৃদ্ধি পায় (ফলস নেগেটিভ এবং ফলস পজিটিভের সংখ্যা কমে যায়)। উদাহরণস্বরূপ, একটি এআই যা ফিশিং ইমেল বা ম্যালওয়্যারের আচরণের মূল বৈশিষ্ট্যগুলো শিখেছে, সেটি এমন ভ্যারিয়েন্টও শনাক্ত করতে পারে যা আগে কখনও দেখা যায়নি। এর ফলস্বরূপ, নতুন ধরনের আক্রমণসহ বিভিন্ন ধরনের হুমকির পরিধি আরও বিস্তৃত হয়, যা সামগ্রিক নিরাপত্তা ব্যবস্থাকে শক্তিশালী করে। নিরাপত্তা দলগুলো এআই বিশ্লেষণ থেকে বিস্তারিত তথ্যও পায় (যেমন ম্যালওয়্যারের আচরণের ব্যাখ্যা), যা আরও সুনির্দিষ্ট এবং লক্ষ্যভিত্তিক প্রতিরক্ষা ব্যবস্থা গ্রহণে সক্ষম করে (সাইবার নিরাপত্তায় জেনারেটিভ এআই কী? - পালো অল্টো নেটওয়ার্কস)।

• পুনরাবৃত্তিমূলক কাজের স্বয়ংক্রিয়করণ: জেনারেটিভ এআই গতানুগতিক, শ্রম-নিবিড় নিরাপত্তা কাজগুলোকে স্বয়ংক্রিয় করতে পারদর্শী – যেমন লগ ঘেঁটে রিপোর্ট তৈরি করা থেকে শুরু করে ইনসিডেন্ট রেসপন্স স্ক্রিপ্ট লেখা পর্যন্ত। এই স্বয়ংক্রিয়করণ মানব বিশ্লেষকদের উপর কাজের চাপ কমায়, ফলে তারা উচ্চ-স্তরের কৌশল এবং জটিল সিদ্ধান্ত গ্রহণের উপর মনোযোগ দিতে পারেন (সাইবার নিরাপত্তায় জেনারেটিভ এআই কী? - পালো অল্টো নেটওয়ার্কস)। দুর্বলতা স্ক্যানিং, কনফিগারেশন অডিটিং, ব্যবহারকারীর কার্যকলাপ বিশ্লেষণ এবং কমপ্লায়েন্স রিপোর্টিং-এর মতো সাধারণ কিন্তু গুরুত্বপূর্ণ কাজগুলো এআই দ্বারা সম্পন্ন করা যেতে পারে (বা অন্তত প্রাথমিক খসড়া তৈরি করা যেতে পারে)। এই কাজগুলো মেশিনের গতিতে সম্পন্ন করার মাধ্যমে, এআই কেবল কার্যকারিতাই বাড়ায় না, বরং মানুষের ভুলও কমায় (যা নিরাপত্তা লঙ্ঘনের একটি গুরুত্বপূর্ণ কারণ)।

• সক্রিয় প্রতিরক্ষা ও সিমুলেশন: জেনারেটিভ এআই সংস্থাগুলোকে প্রতিক্রিয়াশীল থেকে সক্রিয় নিরাপত্তায় স্থানান্তরিত হতে সাহায্য করে। অ্যাটাক সিমুলেশন, সিন্থেটিক ডেটা জেনারেশন এবং সিনারিও-ভিত্তিক প্রশিক্ষণের মতো কৌশলের মাধ্যমে, প্রতিরক্ষাকারীরা বাস্তব জগতে হুমকিগুলো আগেই তা অনুমান করতে এবং তার জন্য প্রস্তুত হতে পারে। নিরাপত্তা দলগুলো তাদের প্রতিক্রিয়া পরীক্ষা করতে এবং যেকোনো দুর্বলতা দূর করতে নিরাপদ পরিবেশে সাইবার আক্রমণের (ফিশিং ক্যাম্পেইন, ম্যালওয়্যার প্রাদুর্ভাব, ডিডস ইত্যাদি) সিমুলেশন করতে পারে। এই ধারাবাহিক প্রশিক্ষণ, যা শুধুমাত্র মানুষের প্রচেষ্টায় পুঙ্খানুপুঙ্খভাবে করা প্রায়শই অসম্ভব, প্রতিরক্ষা ব্যবস্থাকে তীক্ষ্ণ এবং হালনাগাদ রাখে। এটি একটি সাইবার "ফায়ার ড্রিল"-এর মতো – এআই আপনার প্রতিরক্ষা ব্যবস্থার সামনে অনেক কাল্পনিক হুমকি তুলে ধরতে পারে, যাতে আপনি অনুশীলন করে উন্নতি করতে পারেন।

• মানব দক্ষতার পরিবর্ধন (শক্তি গুণক হিসেবে এআই): জেনারেটিভ এআই একাধারে একজন অক্লান্ত জুনিয়র বিশ্লেষক, উপদেষ্টা এবং সহকারী হিসেবে কাজ করে। এটি কম অভিজ্ঞ দলের সদস্যদের এমন নির্দেশনা এবং সুপারিশ প্রদান করতে পারে যা সাধারণত অভিজ্ঞ বিশেষজ্ঞদের কাছ থেকে প্রত্যাশিত, এবং এর মাধ্যমে কার্যকরভাবে পুরো দল জুড়ে দক্ষতার গণতান্ত্রিক বণ্টন নিশ্চিত করে ( সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর ৬টি ব্যবহার [+ উদাহরণ] )। সাইবার নিরাপত্তায় প্রতিভার ঘাটতির কারণে এটি বিশেষভাবে মূল্যবান – এআই ছোট দলগুলোকে কম জনবল দিয়ে বেশি কাজ করতে সাহায্য করে। অন্যদিকে, অভিজ্ঞ বিশ্লেষকরা এআই-এর মাধ্যমে গতানুগতিক কাজগুলো করিয়ে এবং সহজে চোখে না পড়া অন্তর্দৃষ্টি তুলে ধরে উপকৃত হন, যা তারা পরবর্তীতে যাচাই করে সে অনুযায়ী পদক্ষেপ নিতে পারেন। এর সামগ্রিক ফল হলো একটি নিরাপত্তা দল যা অনেক বেশি উৎপাদনশীল এবং সক্ষম, যেখানে এআই প্রতিটি মানব সদস্যের প্রভাবকে বহুগুণে বাড়িয়ে তোলে ( সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে )।

• উন্নত সিদ্ধান্ত সহায়তা এবং প্রতিবেদন: প্রযুক্তিগত তথ্যকে প্রাকৃতিক ভাষা অন্তর্দৃষ্টিতে রূপান্তরিত করে, জেনারেটিভ এআই যোগাযোগ এবং সিদ্ধান্ত গ্রহণকে উন্নত করে। নিরাপত্তা নেতারা এআই-উত্পাদিত সারাংশের মাধ্যমে বিষয়গুলিতে স্পষ্ট দৃশ্যমানতা পান এবং কাঁচা তথ্য বিশ্লেষণের প্রয়োজন ছাড়াই অবহিত কৌশলগত সিদ্ধান্ত নিতে পারেন। একইভাবে, যখন এআই নিরাপত্তা অবস্থান এবং ঘটনার সহজে বোধগম্য প্রতিবেদন তৈরি করে (সাইবারনিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? 10 বাস্তব-বিশ্বের উদাহরণ) তখন ক্রস-ফাংশনাল যোগাযোগ (এক্সিকিউটিভ, কমপ্লায়েন্স অফিসার ইত্যাদির সাথে) উন্নত হয়। এটি কেবল নেতৃত্ব স্তরে সুরক্ষা সংক্রান্ত বিষয়ে আস্থা এবং সারিবদ্ধতা তৈরি করে না বরং ঝুঁকি এবং এআই-আবিষ্কৃত ফাঁকগুলি স্পষ্টভাবে প্রকাশ করে বিনিয়োগ এবং পরিবর্তনগুলিকে ন্যায্যতা দিতেও সহায়তা করে।

সম্মিলিতভাবে, এই সুবিধাগুলোর অর্থ হলো, সাইবার নিরাপত্তায় জেনারেটিভ এআই ব্যবহারকারী সংস্থাগুলো সম্ভাব্য কম পরিচালন ব্যয়ে একটি শক্তিশালী নিরাপত্তা ব্যবস্থা অর্জন করতে পারে। তারা এমন সব হুমকির মোকাবিলা করতে পারে যা আগে অপ্রতিরোধ্য ছিল, নজরদারীবিহীন ফাঁকগুলো পূরণ করতে পারে এবং এআই-চালিত ফিডব্যাক লুপের মাধ্যমে ক্রমাগত উন্নতি করতে পারে। পরিশেষে, জেনারেটিভ এআই গতি, পরিধি এবং জটিলতার সাথে সমানভাবে অত্যাধুনিক প্রতিরক্ষা ব্যবস্থা মিলিয়ে প্রতিপক্ষকে ছাড়িয়ে যাওয়ার একটি সুযোগ করে দেয়। একটি সমীক্ষায় দেখা গেছে, অর্ধেকেরও বেশি ব্যবসায়িক এবং সাইবার নেতা জেনারেটিভ এআই ব্যবহারের মাধ্যমে দ্রুততর হুমকি শনাক্তকরণ এবং বর্ধিত নির্ভুলতার প্রত্যাশা করেন ([পিডিএফ] গ্লোবাল সাইবারসিকিউরিটি আউটলুক ২০২৫ | ওয়ার্ল্ড ইকোনমিক ফোরাম) (সাইবার নিরাপত্তায় জেনারেটিভ এআই: এলএলএম-এর একটি ব্যাপক পর্যালোচনা...) – যা এই প্রযুক্তিগুলোর সুবিধা নিয়ে আশাবাদের একটি প্রমাণ।

সাইবার নিরাপত্তায় জেনারেটিভ এআই ব্যবহারের ঝুঁকি এবং চ্যালেঞ্জ

যদিও সুযোগগুলি তাৎপর্যপূর্ণ, সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর সাথে যোগাযোগ করা অত্যন্ত গুরুত্বপূর্ণ, এর ঝুঁকি এবং চ্যালেঞ্জগুলির । এআই-কে অন্ধভাবে বিশ্বাস করা বা এর অপব্যবহার নতুন দুর্বলতা তৈরি করতে পারে। নীচে, আমরা প্রতিটির প্রেক্ষাপট সহ প্রধান উদ্বেগ এবং সমস্যাগুলি রূপরেখা দিচ্ছি:

• সাইবার অপরাধীদের দ্বারা প্রতিপক্ষীয় ব্যবহার: যে জেনারেটিভ ক্ষমতাগুলো রক্ষাকারীদের সাহায্য করে, সেগুলোই আক্রমণকারীদের শক্তিশালী করে তুলতে পারে। হুমকি সৃষ্টিকারীরা ইতিমধ্যেই জেনারেটিভ এআই ব্যবহার করছে আরও বিশ্বাসযোগ্য ফিশিং ইমেল তৈরি করতে, সোশ্যাল ইঞ্জিনিয়ারিংয়ের জন্য নকল পরিচয় ও ডিপফেক ভিডিও বানাতে, শনাক্তকরণ এড়ানোর জন্য ক্রমাগত পরিবর্তনশীল পলিমরফিক ম্যালওয়্যার তৈরি করতে, এবং এমনকি হ্যাকিংয়ের বিভিন্ন দিক স্বয়ংক্রিয় করতে (সাইবার নিরাপত্তায় জেনারেটিভ এআই কী? - পালো অল্টো নেটওয়ার্কস)। প্রায় অর্ধেক (৪৬%) সাইবার নিরাপত্তা বিশেষজ্ঞ উদ্বিগ্ন যে জেনারেটিভ এআই আরও উন্নত প্রতিপক্ষীয় আক্রমণের দিকে নিয়ে যাবে (জেনারেটিভ এআই নিরাপত্তা: প্রবণতা, হুমকি এবং প্রশমন কৌশল)। এই “এআই অস্ত্র প্রতিযোগিতা”-এর অর্থ হলো, রক্ষাকারীরা যখন এআই গ্রহণ করবে, আক্রমণকারীরাও খুব বেশি পিছিয়ে থাকবে না (প্রকৃতপক্ষে, তারা কিছু ক্ষেত্রে অনিয়ন্ত্রিত এআই টুল ব্যবহার করে এগিয়েও থাকতে পারে)। প্রতিষ্ঠানগুলোকে অবশ্যই এআই-বর্ধিত হুমকির জন্য প্রস্তুত থাকতে হবে, যা আরও ঘন ঘন, অত্যাধুনিক এবং যার উৎস খুঁজে বের করা কঠিন।

• এআই হ্যালুসিনেশন এবং অসঠিকতা: জেনারেটিভ এআই মডেলগুলো এমন আউটপুট তৈরি করতে পারে যা বিশ্বাসযোগ্য মনে হলেও ভুল বা বিভ্রান্তিকর হতে পারে – এই ঘটনাটি হ্যালুসিনেশন নামে পরিচিত। নিরাপত্তার প্রেক্ষাপটে, একটি এআই কোনো ঘটনা বিশ্লেষণ করে ভুলবশত এই সিদ্ধান্তে পৌঁছাতে পারে যে একটি নির্দিষ্ট দুর্বলতাই এর কারণ ছিল, অথবা এটি একটি ত্রুটিপূর্ণ প্রতিকার স্ক্রিপ্ট তৈরি করতে পারে যা কোনো আক্রমণকে প্রতিহত করতে ব্যর্থ হয়। এই ভুলগুলোকে সরাসরি বিশ্বাস করলে তা বিপজ্জনক হতে পারে। এনটিটি ডেটা যেমন সতর্ক করেছে, “জেনারেটিভ এআই বিশ্বাসযোগ্যভাবে অসত্য বিষয়বস্তু আউটপুট করতে পারে, এবং এই ঘটনাটিকে হ্যালুসিনেশন বলা হয়… বর্তমানে এগুলোকে সম্পূর্ণরূপে নির্মূল করা কঠিন” (Security Risks of Generative AI and Countermeasures, and Its Impact on Cybersecurity | NTT DATA Group)। যাচাই-বাছাই ছাড়া এআই-এর উপর অতিরিক্ত নির্ভরতা ভুল পথে চালিত প্রচেষ্টা বা নিরাপত্তার একটি মিথ্যা অনুভূতির জন্ম দিতে পারে। উদাহরণস্বরূপ, একটি এআই কোনো গুরুত্বপূর্ণ সিস্টেমকে নিরাপদ না হওয়া সত্ত্বেও ভুলভাবে নিরাপদ হিসেবে চিহ্নিত করতে পারে, অথবা এর বিপরীতে, এমন একটি লঙ্ঘন "শনাক্ত" করে আতঙ্ক সৃষ্টি করতে পারে যা কখনোই ঘটেনি। এই ঝুঁকি প্রশমিত করার জন্য এআই আউটপুটের কঠোর যাচাইকরণ এবং গুরুত্বপূর্ণ সিদ্ধান্ত গ্রহণে মানুষের সম্পৃক্ততা অপরিহার্য।

• ফলস পজিটিভ এবং নেগেটিভ: হ্যালুসিনেশনের সাথে সম্পর্কিত, যদি একটি এআই মডেলকে সঠিকভাবে প্রশিক্ষণ বা কনফিগার করা না হয়, তবে এটি নিরীহ কার্যকলাপকে ক্ষতিকর হিসেবে অতিরিক্ত রিপোর্ট করতে পারে (ফলস পজিটিভ) অথবা, আরও খারাপভাবে, আসল হুমকি শনাক্ত করতে ব্যর্থ হতে পারে (ফলস নেগেটিভ) (সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে)। অতিরিক্ত মিথ্যা সতর্কতা নিরাপত্তা দলগুলোকে অভিভূত করতে পারে এবং অ্যালার্ট ফ্যাটিগের দিকে নিয়ে যেতে পারে (যা এআই-এর প্রতিশ্রুত দক্ষতার উন্নতিকেই নষ্ট করে দেয়), অন্যদিকে শনাক্তকরণে ব্যর্থতা প্রতিষ্ঠানকে অরক্ষিত করে তোলে। সঠিক ভারসাম্যের জন্য জেনারেটিভ মডেলগুলোকে টিউন করা একটি চ্যালেঞ্জিং কাজ। প্রতিটি পরিবেশই অনন্য, এবং একটি এআই হয়তো ইনস্টল করার সাথে সাথেই সর্বোত্তম পারফর্ম নাও করতে পারে। ক্রমাগত শেখাও একটি দ্বিধারী তলোয়ারের মতো – যদি এআই পক্ষপাতদুষ্ট ফিডব্যাক থেকে বা পরিবর্তনশীল পরিবেশ থেকে শেখে, তবে এর নির্ভুলতা ওঠানামা করতে পারে। নিরাপত্তা দলগুলোকে অবশ্যই এআই-এর পারফরম্যান্স পর্যবেক্ষণ করতে হবে এবং থ্রেশহোল্ড সামঞ্জস্য করতে হবে বা মডেলগুলোকে সংশোধনমূলক ফিডব্যাক প্রদান করতে হবে। উচ্চ-ঝুঁকিপূর্ণ প্রেক্ষাপটে (যেমন গুরুত্বপূর্ণ অবকাঠামোর জন্য অনুপ্রবেশ শনাক্তকরণ), বিদ্যমান সিস্টেমগুলোর সাথে সমান্তরালভাবে কিছু সময়ের জন্য এআই-এর পরামর্শগুলো চালানো বিচক্ষণতার কাজ হতে পারে, যাতে সেগুলো পরস্পরবিরোধী না হয়ে বরং সামঞ্জস্যপূর্ণ ও পরিপূরক হয়।

• ডেটার গোপনীয়তা এবং ফাঁস: জেনারেটিভ এআই সিস্টেমগুলোর প্রশিক্ষণ এবং পরিচালনার জন্য প্রায়শই প্রচুর পরিমাণে ডেটার প্রয়োজন হয়। যদি এই মডেলগুলো ক্লাউড-ভিত্তিক হয় বা সঠিকভাবে পৃথকভাবে সংরক্ষিত না থাকে, তাহলে সংবেদনশীল তথ্য ফাঁস হওয়ার ঝুঁকি থাকে। ব্যবহারকারীরা অসাবধানতাবশত কোনো এআই সার্ভিসে মালিকানাধীন বা ব্যক্তিগত ডেটা দিয়ে দিতে পারেন (যেমন, ChatGPT-কে কোনো গোপনীয় ঘটনার রিপোর্টের সারসংক্ষেপ করতে বলা), এবং সেই ডেটা মডেলটির জ্ঞানের অংশ হয়ে যেতে পারে। প্রকৃতপক্ষে, একটি সাম্প্রতিক গবেষণায় দেখা গেছে যে জেনারেটিভ এআই টুলগুলোতে দেওয়া ৫৫% ইনপুটে সংবেদনশীল বা ব্যক্তিগতভাবে শনাক্তযোগ্য তথ্য ছিল, যা ডেটা ফাঁসের বিষয়ে গুরুতর উদ্বেগ সৃষ্টি করেছে (Generative AI Security: Trends, Threats & Mitigation Strategies)। এছাড়াও, যদি কোনো এআই-কে অভ্যন্তরীণ ডেটার উপর প্রশিক্ষণ দেওয়া হয় এবং নির্দিষ্ট কিছু উপায়ে সেটিকে কোয়েরি করা হয়, তবে এটি আউটপুট । প্রতিষ্ঠানগুলোকে অবশ্যই কঠোর ডেটা হ্যান্ডলিং নীতি প্রয়োগ করতে হবে (যেমন, সংবেদনশীল তথ্যের জন্য অন-প্রিমিস বা ব্যক্তিগত এআই ইনস্ট্যান্স ব্যবহার করা) এবং কর্মীদেরকে পাবলিক এআই টুলগুলোতে গোপনীয় তথ্য পেস্ট না করার বিষয়ে সচেতন করতে হবে। গোপনীয়তা সংক্রান্ত বিধিমালাও (জিডিপিআর, ইত্যাদি) এখানে প্রাসঙ্গিক হয়ে ওঠে – যথাযথ সম্মতি বা সুরক্ষা ছাড়া এআই প্রশিক্ষণের জন্য ব্যক্তিগত তথ্য ব্যবহার করা আইন লঙ্ঘন করতে পারে।

• মডেলের নিরাপত্তা এবং কারসাজি: জেনারেটিভ এআই মডেলগুলো নিজেরাই লক্ষ্যবস্তুতে পরিণত হতে পারে। প্রতিপক্ষরা মডেল পয়জনিং-এর, অর্থাৎ প্রশিক্ষণ বা পুনঃপ্রশিক্ষণ পর্যায়ে ক্ষতিকারক বা বিভ্রান্তিকর ডেটা প্রবেশ করিয়ে এআই-কে ভুল প্যাটার্ন শিখিয়ে দিতে পারে (সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে)। উদাহরণস্বরূপ, একজন আক্রমণকারী সূক্ষ্মভাবে থ্রেট ইন্টেল ডেটাকে বিষাক্ত করে দিতে পারে, যাতে এআই আক্রমণকারীর নিজের ম্যালওয়্যারকে ক্ষতিকারক হিসেবে চিনতে ব্যর্থ হয়। আরেকটি কৌশল হলো প্রম্পট ইনজেকশন বা আউটপুট ম্যানিপুলেশন, যেখানে একজন আক্রমণকারী এআই-কে এমন ইনপুট দেওয়ার উপায় খুঁজে বের করে যা এটিকে অনাকাঙ্ক্ষিত উপায়ে আচরণ করতে বাধ্য করে – সম্ভবত এর সুরক্ষা ব্যবস্থা উপেক্ষা করতে বা এমন তথ্য প্রকাশ করতে যা এর করা উচিত নয় (যেমন অভ্যন্তরীণ প্রম্পট বা ডেটা)। এছাড়াও, মডেল এভেশনের: আক্রমণকারীরা এআই-কে বোকা বানানোর জন্য বিশেষভাবে ইনপুট তৈরি করে। আমরা এটি অ্যাডভারসারিয়াল এক্সাম্পল-এ দেখতে পাই – সামান্য পরিবর্তিত ডেটা যা একজন মানুষ স্বাভাবিক হিসেবে দেখে কিন্তু এআই ভুলভাবে শ্রেণীবদ্ধ করে। এই টুলগুলো স্থাপন করার সময় এআই সাপ্লাই চেইনের নিরাপত্তা নিশ্চিত করা (ডেটা ইন্টিগ্রিটি, মডেল অ্যাক্সেস কন্ট্রোল, অ্যাডভারসারিয়াল রোবাস্টনেস টেস্টিং) সাইবারসিকিউরিটির একটি নতুন কিন্তু প্রয়োজনীয় অংশ (সাইবারসিকিউরিটিতে জেনারেটিভ এআই কী? - পালো অল্টো নেটওয়ার্কস)।

• অতিরিক্ত নির্ভরতা এবং দক্ষতার অবক্ষয়: একটি পরোক্ষ ঝুঁকি হলো, প্রতিষ্ঠানগুলো এআই-এর উপর অতিরিক্ত নির্ভরশীল হয়ে পড়তে পারে এবং মানুষের দক্ষতাকে অবক্ষয় হতে দিতে পারে। যদি নবীন বিশ্লেষকরা এআই-এর আউটপুটকে অন্ধভাবে বিশ্বাস করতে শুরু করে, তবে এআই অনুপলব্ধ বা ভুল হলে তার জন্য প্রয়োজনীয় সমালোচনামূলক চিন্তাভাবনা এবং স্বজ্ঞা তাদের মধ্যে গড়ে নাও উঠতে পারে। একটি পরিহারযোগ্য পরিস্থিতি হলো এমন একটি নিরাপত্তা দল, যাদের কাছে চমৎকার সরঞ্জাম আছে কিন্তু সেই সরঞ্জামগুলো অচল হয়ে গেলে কীভাবে কাজ করতে হবে সে সম্পর্কে কোনো ধারণা নেই (যেমন পাইলটরা অটোপাইলটের উপর অতিরিক্ত নির্ভর করে)। এআই-এর সহায়তা ছাড়া নিয়মিত প্রশিক্ষণ অনুশীলন এবং এই মানসিকতা গড়ে তোলা যে এআই একজন সহকারী, কোনো অভ্রান্ত দৈবজ্ঞ নয়—মানব বিশ্লেষকদের কর্মদক্ষতা ধরে রাখার জন্য গুরুত্বপূর্ণ। বিশেষ করে উচ্চ-প্রভাবশালী সিদ্ধান্তের ক্ষেত্রে, চূড়ান্ত সিদ্ধান্ত গ্রহণকারী হিসেবে মানুষকেই থাকতে হবে।

• নৈতিক এবং সম্মতিগত চ্যালেঞ্জ: সাইবার নিরাপত্তায় এআই-এর ব্যবহার নৈতিক প্রশ্ন উত্থাপন করে এবং নিয়ন্ত্রক সম্মতি সংক্রান্ত সমস্যা তৈরি করতে পারে। উদাহরণস্বরূপ, যদি একটি এআই সিস্টেম কোনো অস্বাভাবিকতার কারণে কোনো কর্মচারীকে ভুলবশত একজন বিদ্বেষী অভ্যন্তরীণ ব্যক্তি হিসেবে চিহ্নিত করে, তবে এটি অন্যায়ভাবে সেই ব্যক্তির সুনাম বা কর্মজীবনের ক্ষতি করতে পারে। এআই দ্বারা গৃহীত সিদ্ধান্তগুলো অস্বচ্ছ হতে পারে (যাকে “ব্ল্যাক বক্স” সমস্যা বলা হয়), যার ফলে নিরীক্ষক বা নিয়ন্ত্রকদের কাছে নির্দিষ্ট পদক্ষেপগুলো কেন নেওয়া হয়েছিল তা ব্যাখ্যা করা কঠিন হয়ে পড়ে। এআই-সৃষ্ট কন্টেন্টের ব্যবহার যত বাড়ছে, স্বচ্ছতা নিশ্চিত করা এবং জবাবদিহিতা বজায় রাখা ততই গুরুত্বপূর্ণ হয়ে উঠছে। নিয়ন্ত্রকরা এআই-কে পুঙ্খানুপুঙ্খভাবে পরীক্ষা করা শুরু করেছেন – উদাহরণস্বরূপ, ইইউ-এর এআই আইন “উচ্চ-ঝুঁকিপূর্ণ” এআই সিস্টেমগুলোর উপর বিভিন্ন শর্ত আরোপ করবে, এবং সাইবার নিরাপত্তার এআই সেই বিভাগের অন্তর্ভুক্ত হতে পারে। জেনারেটিভ এআই দায়িত্বের সাথে ব্যবহার করার জন্য কোম্পানিগুলোকে এই নিয়মকানুনগুলো মেনে চলতে হবে এবং সম্ভবত NIST AI Risk Management Framework-এর মতো মান অনুসরণ করতে হবে (সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব-জগতের উদাহরণ)। সম্মতির বিষয়টি লাইসেন্সিং পর্যন্তও বিস্তৃত: ওপেন-সোর্স বা তৃতীয় পক্ষের মডেল ব্যবহারের ক্ষেত্রে এমন শর্ত থাকতে পারে যা নির্দিষ্ট ব্যবহারকে সীমাবদ্ধ করে বা উন্নতির তথ্য শেয়ার করার প্রয়োজন হয়।

সংক্ষেপে, জেনারেটিভ এআই কোনো অব্যর্থ সমাধান নয় – যদি সতর্কতার সাথে প্রয়োগ করা না হয়, তবে এটি অন্যান্য দুর্বলতা সমাধান করার পাশাপাশি নতুন দুর্বলতাও তৈরি করতে পারে। ওয়ার্ল্ড ইকোনমিক ফোরামের ২০২৪ সালের একটি সমীক্ষায় দেখা গেছে যে, প্রায় ৪৭% সংস্থা আক্রমণকারীদের দ্বারা জেনারেটিভ এআই-এর অগ্রগতিকে একটি প্রধান উদ্বেগের বিষয় হিসেবে উল্লেখ করেছে, যা সাইবারসিকিউরিটিতে এটিকে “জেনারেটিভ এআই-এর সবচেয়ে উদ্বেগজনক প্রভাব” হিসেবে চিহ্নিত করেছে ( [পিডিএফ] গ্লোবাল সাইবারসিকিউরিটি আউটলুক ২০২৫ | ওয়ার্ল্ড ইকোনমিক ফোরাম ) ( সাইবারসিকিউরিটিতে জেনারেটিভ এআই: এলএলএম-এর একটি ব্যাপক পর্যালোচনা... )। তাই সংস্থাগুলোকে অবশ্যই একটি ভারসাম্যপূর্ণ পন্থা অবলম্বন করতে হবে: এআই-এর সুবিধাগুলোকে কাজে লাগানোর পাশাপাশি গভর্নেন্স, টেস্টিং এবং মানবিক তত্ত্বাবধানের মাধ্যমে এই ঝুঁকিগুলোকে কঠোরভাবে পরিচালনা করতে হবে। এরপর আমরা আলোচনা করব কীভাবে বাস্তবে সেই ভারসাম্য অর্জন করা যায়।

ভবিষ্যতের দৃষ্টিভঙ্গি: সাইবার নিরাপত্তায় জেনারেটিভ এআই-এর ক্রমবর্ধমান ভূমিকা

ভবিষ্যতে, জেনারেটিভ এআই সাইবার নিরাপত্তা কৌশলের একটি অবিচ্ছেদ্য অংশ হয়ে উঠতে চলেছে – এবং একইভাবে, এটি এমন একটি হাতিয়ার যা সাইবার প্রতিপক্ষরা কাজে লাগাতে থাকবে। এই ইঁদুর-বিড়াল খেলা আরও তীব্র হবে, যেখানে এআই উভয় পক্ষেই থাকবে। আগামী বছরগুলোতে জেনারেটিভ এআই কীভাবে সাইবার নিরাপত্তাকে রূপ দিতে পারে, সে সম্পর্কে এখানে কিছু দূরদর্শী ধারণা দেওয়া হলো:

• এআই-সমৃদ্ধ সাইবার প্রতিরক্ষা সাধারণ বিষয় হয়ে উঠছে: ২০২৫ সাল এবং তার পরেও, আমরা আশা করতে পারি যে বেশিরভাগ মাঝারি থেকে বড় সংস্থা তাদের নিরাপত্তা কার্যক্রমে এআই-চালিত সরঞ্জাম অন্তর্ভুক্ত করবে। ঠিক যেমন বর্তমানে অ্যান্টিভাইরাস এবং ফায়ারওয়াল সাধারণ বিষয়, তেমনি এআই কো-পাইলট এবং অ্যানোমালি ডিটেকশন সিস্টেমগুলো নিরাপত্তা কাঠামোর মূল উপাদান হয়ে উঠতে পারে। এই সরঞ্জামগুলো সম্ভবত আরও বিশেষায়িত হবে – উদাহরণস্বরূপ, ক্লাউড নিরাপত্তা, আইওটি ডিভাইস পর্যবেক্ষণ, অ্যাপ্লিকেশন কোড নিরাপত্তা ইত্যাদির জন্য বিশেষভাবে তৈরি স্বতন্ত্র এআই মডেলগুলো একসাথে কাজ করবে। একটি পূর্বাভাসে যেমন উল্লেখ করা হয়েছে, “২০২৫ সালে, জেনারেটিভ এআই সাইবার নিরাপত্তার অবিচ্ছেদ্য অংশ হবে, যা সংস্থাগুলোকে অত্যাধুনিক এবং ক্রমবর্ধমান হুমকির বিরুদ্ধে সক্রিয়ভাবে প্রতিরোধ করতে সক্ষম করবে” (সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে)। এআই রিয়েল-টাইম হুমকি শনাক্তকরণকে উন্নত করবে, অনেক প্রতিক্রিয়া কার্যক্রমকে স্বয়ংক্রিয় করবে এবং নিরাপত্তা দলগুলোকে ম্যানুয়ালি পরিচালনার চেয়ে অনেক বেশি পরিমাণে ডেটা পরিচালনা করতে সহায়তা করবে।

• নিরন্তর শিক্ষা ও অভিযোজন: সাইবার জগতের ভবিষ্যৎ জেনারেটিভ এআই সিস্টেমগুলো তাৎক্ষণিকভাবে শিখতে এবং প্রায়-রিয়েল-টাইমে তাদের জ্ঞানভান্ডার হালনাগাদ করবে। এর ফলে সত্যিকারের অভিযোজনযোগ্য প্রতিরক্ষা ব্যবস্থা গড়ে উঠতে পারে – এমন একটি এআই-এর কথা ভাবুন যা সকালে অন্য কোনো সংস্থাকে লক্ষ্য করে চালানো একটি নতুন ফিশিং ক্যাম্পেইন সম্পর্কে জানতে পারল এবং বিকেলের মধ্যেই তার প্রতিক্রিয়ায় আপনার সংস্থার ইমেল ফিল্টারগুলো পরিবর্তন করে ফেলল। ক্লাউড-ভিত্তিক এআই নিরাপত্তা পরিষেবাগুলো এই ধরনের সম্মিলিত শিক্ষাকে সহজতর করতে পারে, যেখানে একটি সংস্থা থেকে প্রাপ্ত পরিচয় গোপন রেখে পাওয়া তথ্য সকল গ্রাহকের উপকারে আসবে (যা অনেকটা হুমকি সংক্রান্ত তথ্য আদান-প্রদানের মতো, কিন্তু স্বয়ংক্রিয়)। তবে, সংবেদনশীল তথ্য আদান-প্রদান এড়াতে এবং আক্রমণকারীরা যাতে শেয়ার করা মডেলগুলোতে ভুল ডেটা প্রবেশ করাতে না পারে, তা নিশ্চিত করতে এর জন্য সতর্ক ব্যবস্থাপনার প্রয়োজন হবে।

• এআই এবং সাইবারসিকিউরিটি প্রতিভার সমন্বয়: সাইবারসিকিউরিটি পেশাদারদের দক্ষতা এমনভাবে বিকশিত হবে যাতে এআই এবং ডেটা সায়েন্সে পারদর্শিতা অন্তর্ভুক্ত হয়। ঠিক যেমন আজকের বিশ্লেষকরা কোয়েরি ল্যাঙ্গুয়েজ এবং স্ক্রিপ্টিং শেখেন, তেমনি আগামী দিনের বিশ্লেষকরা হয়তো নিয়মিতভাবে এআই মডেলগুলোকে সূক্ষ্মভাবে সমন্বয় করবেন অথবা এআই-এর কার্যকর করার জন্য "প্লেবুক" লিখবেন। আমরা হয়তো "এআই সিকিউরিটি ট্রেইনার" বা "সাইবারসিকিউরিটি এআই ইঞ্জিনিয়ার" – এমন ব্যক্তিরা যারা কোনো প্রতিষ্ঠানের প্রয়োজন অনুযায়ী এআই টুলগুলোকে মানিয়ে নিতে, সেগুলোর কার্যকারিতা যাচাই করতে এবং সেগুলোর নিরাপদ পরিচালনা নিশ্চিত করতে বিশেষজ্ঞ। অন্যদিকে, সাইবারসিকিউরিটির বিষয়গুলো ক্রমবর্ধমানভাবে এআই-এর উন্নয়নকে প্রভাবিত করবে। এআই সিস্টেমগুলো একেবারে গোড়া থেকেই নিরাপত্তা বৈশিষ্ট্যসহ তৈরি করা হবে (যেমন নিরাপদ আর্কিটেকচার, টেম্পার ডিটেকশন, এআই-এর সিদ্ধান্তের জন্য অডিট লগ ইত্যাদি), এবং বিশ্বাসযোগ্য এআই-এর (ন্যায্য, ব্যাখ্যাযোগ্য, শক্তিশালী এবং নিরাপদ) নিরাপত্তা-সংবেদনশীল প্রেক্ষাপটে এগুলোর প্রয়োগকে পথ দেখাবে।

• আরও অত্যাধুনিক এআই-চালিত আক্রমণ: দুর্ভাগ্যবশত, এআই-এর সাথে সাথে হুমকির পরিধিও পরিবর্তিত হবে। আমরা আশা করছি যে, জিরো-ডে ভালনারেবিলিটি খুঁজে বের করতে, অত্যন্ত সুনির্দিষ্ট স্পিয়ার ফিশিং কৌশল তৈরি করতে (যেমন, নিখুঁতভাবে তৈরি টোপ বানানোর জন্য এআই-এর সোশ্যাল মিডিয়া স্ক্র্যাপিং), এবং বায়োমেট্রিক প্রমাণীকরণ এড়াতে বা জালিয়াতি করার জন্য বিশ্বাসযোগ্য ডিপফেক ভয়েস বা ভিডিও তৈরি করতে এআই-এর ব্যবহার আরও ঘন ঘন হবে। এমন স্বয়ংক্রিয় হ্যাকিং এজেন্ট আবির্ভূত হতে পারে যা ন্যূনতম মানবিক তত্ত্বাবধানে স্বাধীনভাবে বহু-পর্যায়ের আক্রমণ (যেমন, তথ্য সংগ্রহ, শোষণ, পার্শ্বীয় চলাচল ইত্যাদি) চালাতে সক্ষম। এটি প্রতিরক্ষাকারীদের উপর এআই-এর উপর নির্ভর করার জন্য চাপ সৃষ্টি করবে – যা মূলত এক স্বয়ংক্রিয়তার বিরুদ্ধে আরেক স্বয়ংক্রিয়তা। কিছু আক্রমণ যন্ত্রের গতিতে ঘটতে পারে, যেমন এআই বট হাজারো ফিশিং ইমেলের সম্ভাব্য রূপ পরীক্ষা করে দেখবে কোনটি ফিল্টার অতিক্রম করতে পারে। এর সাথে তাল মিলিয়ে চলার জন্য সাইবার প্রতিরক্ষা ব্যবস্থাকেও একই গতি এবং নমনীয়তার সাথে কাজ করতে হবে (সাইবার নিরাপত্তায় জেনারেটিভ এআই কী? - পালো অল্টো নেটওয়ার্কস)।

• নিরাপত্তায় নিয়ন্ত্রণ ও নৈতিক এআই: সাইবার নিরাপত্তা কার্যক্রমে এআই গভীরভাবে অন্তর্ভুক্ত হওয়ার সাথে সাথে, এই এআই সিস্টেমগুলো দায়িত্বশীলভাবে ব্যবহৃত হচ্ছে কিনা তা নিশ্চিত করার জন্য আরও কঠোর নজরদারি এবং সম্ভবত নিয়ন্ত্রণ ব্যবস্থা থাকবে। আমরা নিরাপত্তায় এআই-এর জন্য নির্দিষ্ট কাঠামো এবং মান আশা করতে পারি। সরকার স্বচ্ছতার জন্য নির্দেশিকা নির্ধারণ করতে পারে – যেমন, এই শর্ত আরোপ করা যে, মানুষের পর্যালোচনা ছাড়া শুধুমাত্র এআই দ্বারা গুরুত্বপূর্ণ নিরাপত্তা সিদ্ধান্ত (যেমন সন্দেহভাজন ক্ষতিকারক কার্যকলাপের জন্য কোনো কর্মচারীর অ্যাক্সেস বন্ধ করে দেওয়া) নেওয়া যাবে না। এআই নিরাপত্তা পণ্যগুলোর জন্য সার্টিফিকেশনও থাকতে পারে, যা ক্রেতাদের এই আশ্বাস দেবে যে এআই-কে পক্ষপাত, দৃঢ়তা এবং নিরাপত্তার জন্য মূল্যায়ন করা হয়েছে। উপরন্তু, এআই-সম্পর্কিত সাইবার হুমকি মোকাবেলায় আন্তর্জাতিক সহযোগিতা বৃদ্ধি পেতে পারে; উদাহরণস্বরূপ, এআই-সৃষ্ট অপতথ্য মোকাবেলার চুক্তি বা নির্দিষ্ট এআই-চালিত সাইবার অস্ত্রের বিরুদ্ধে নিয়মকানুন।

• বৃহত্তর এআই এবং আইটি ইকোসিস্টেমের সাথে একীকরণ: সাইবারসিকিউরিটিতে জেনারেটিভ এআই সম্ভবত অন্যান্য এআই সিস্টেম এবং আইটি ম্যানেজমেন্ট টুলের সাথে একীভূত হবে। উদাহরণস্বরূপ, একটি এআই যা নেটওয়ার্ক অপটিমাইজেশন পরিচালনা করে, তা নিরাপত্তা এআই-এর সাথে কাজ করতে পারে যাতে কোনো পরিবর্তন কোনো দুর্বলতা তৈরি না করে। এআই-চালিত বিজনেস অ্যানালিটিক্স নিরাপত্তা এআই-এর সাথে ডেটা শেয়ার করতে পারে বিভিন্ন অসঙ্গতির মধ্যে সম্পর্ক স্থাপন করার জন্য (যেমন, কোনো আক্রমণের কারণে ওয়েবসাইটের সম্ভাব্য সমস্যার সাথে বিক্রয়ে হঠাৎ পতনের সম্পর্ক)। সারকথা হলো, এআই বিচ্ছিন্নভাবে থাকবে না – এটি একটি প্রতিষ্ঠানের কার্যক্রমের বৃহত্তর বুদ্ধিমান কাঠামোর অংশ হবে। এটি সামগ্রিক ঝুঁকি ব্যবস্থাপনার সুযোগ তৈরি করে, যেখানে অপারেশনাল ডেটা, থ্রেট ডেটা এবং এমনকি ফিজিক্যাল সিকিউরিটি ডেটাও এআই দ্বারা একত্রিত হয়ে প্রতিষ্ঠানের নিরাপত্তা পরিস্থিতির একটি ৩৬০-ডিগ্রি চিত্র প্রদান করতে পারে।

দীর্ঘমেয়াদে, আশা করা যায় যে জেনারেটিভ এআই প্রতিরক্ষাকারীদের অনুকূলে ভারসাম্য আনতে সাহায্য করবে। আধুনিক আইটি পরিবেশের ব্যাপকতা ও জটিলতা সামলানোর মাধ্যমে এআই সাইবারস্পেসকে আরও বেশি সুরক্ষিত করে তুলতে পারে। তবে, এটি একটি দীর্ঘ যাত্রা, এবং এই প্রযুক্তিগুলোকে পরিমার্জন করতে ও যথাযথভাবে বিশ্বাস করতে শেখার প্রক্রিয়ায় কিছু প্রাথমিক সমস্যাও থাকবে। যে সংস্থাগুলো অবগত থাকবে এবং দায়িত্বশীলভাবে এআই গ্রহণে , তারাই সম্ভবত ভবিষ্যতের হুমকিগুলো মোকাবিলা করার জন্য সবচেয়ে ভালো অবস্থানে থাকবে।

গার্টনারের সাম্প্রতিক সাইবারসিকিউরিটি ট্রেন্ডস রিপোর্টে যেমন উল্লেখ করা হয়েছে, “জেনারেটিভ এআই ব্যবহারের ক্ষেত্র (এবং ঝুঁকি)-এর উত্থান রূপান্তরের জন্য চাপ সৃষ্টি করছে” (সাইবারসিকিউরিটি ট্রেন্ডস: রেজিলিয়েন্স থ্রু ট্রান্সফরমেশন - গার্টনার)। যারা নিজেদের মানিয়ে নেবে, তারা এআই-কে এক শক্তিশালী মিত্র হিসেবে কাজে লাগাবে; আর যারা পিছিয়ে থাকবে, তারা হয়তো এআই-চালিত প্রতিপক্ষের কাছে পিছিয়ে পড়বে। আগামী কয়েক বছর একটি অত্যন্ত গুরুত্বপূর্ণ সময় হবে, যা নির্ধারণ করবে এআই কীভাবে সাইবার যুদ্ধক্ষেত্রকে নতুন রূপ দেবে।

সাইবার নিরাপত্তায় জেনারেটিভ এআই গ্রহণের জন্য ব্যবহারিক উপায়

সাইবার নিরাপত্তা কৌশলে জেনারেটিভ এআই কীভাবে কাজে লাগানো যায় তা মূল্যায়নকারী ব্যবসাগুলির জন্য, দায়িত্বশীল এবং কার্যকর গ্রহণের জন্য এখানে কিছু ব্যবহারিক পদক্ষেপ এবং সুপারিশ দেওয়া হল:

1. শিক্ষা এবং প্রশিক্ষণ দিয়ে শুরু করুন: নিশ্চিত করুন যে আপনার নিরাপত্তা দল (এবং বৃহত্তর আইটি কর্মীরা) জেনারেটিভ এআই কী করতে পারে এবং কী করতে পারে না তা বোঝে। এআই-চালিত সুরক্ষা সরঞ্জামগুলির মূল বিষয়গুলি সম্পর্কে প্রশিক্ষণ প্রদান করুন এবং এআই-সক্ষম হুমকিগুলি কভার করার জন্য সমস্ত কর্মীদের জন্য আপনার সুরক্ষা সচেতনতা প্রোগ্রামগুলি । উদাহরণস্বরূপ, কর্মীদের শেখান কিভাবে এআই খুব বিশ্বাসযোগ্য ফিশিং স্ক্যাম এবং ডিপফেক কল তৈরি করতে পারে। একই সাথে, কর্মীদের তাদের কাজে এআই সরঞ্জামগুলির নিরাপদ এবং অনুমোদিত ব্যবহার সম্পর্কে প্রশিক্ষণ দিন। সুপরিচিত ব্যবহারকারীরা এআইকে ভুলভাবে পরিচালনা করার বা এআই-বর্ধিত আক্রমণের শিকার হওয়ার সম্ভাবনা কম (সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? 10 বাস্তব-বিশ্বের উদাহরণ)।

2. এআই ব্যবহারের সুস্পষ্ট নীতিমালা নির্ধারণ করুন: জেনারেটিভ এআই-কে যেকোনো শক্তিশালী প্রযুক্তির মতোই বিবেচনা করুন – তবে এর জন্য সুশাসন প্রয়োজন। এমন নীতিমালা তৈরি করুন যেখানে উল্লেখ থাকবে কারা এআই টুল ব্যবহার করতে পারবে, কোন টুলগুলো অনুমোদিত এবং কী উদ্দেশ্যে ব্যবহার করা যাবে। তথ্য ফাঁস রোধ করতে সংবেদনশীল ডেটা ব্যবস্থাপনার জন্য নির্দেশিকা অন্তর্ভুক্ত করুন (যেমন, কোনো গোপনীয় ডেটা সরবরাহ করা যাবে না )। উদাহরণস্বরূপ, আপনি হয়তো শুধুমাত্র নিরাপত্তা দলের সদস্যদের কোনো ঘটনার প্রতিক্রিয়া জানানোর জন্য একটি অভ্যন্তরীণ এআই অ্যাসিস্ট্যান্ট ব্যবহার করার অনুমতি দিতে পারেন, এবং মার্কেটিং বিভাগ কন্টেন্টের জন্য একটি যাচাইকৃত এআই ব্যবহার করতে পারবে – বাকি সবার জন্য এটি সীমাবদ্ধ থাকবে। অনেক সংস্থাই এখন তাদের আইটি নীতিমালায় জেনারেটিভ এআই-কে স্পষ্টভাবে অন্তর্ভুক্ত করছে, এবং শীর্ষস্থানীয় মান নির্ধারণকারী সংস্থাগুলো সরাসরি নিষেধাজ্ঞার পরিবর্তে নিরাপদ ব্যবহারের নীতিমালাকেই উৎসাহিত করছে (সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব-জগতের উদাহরণ)। এই নিয়মগুলো এবং এর পেছনের যুক্তি সকল কর্মচারীর কাছে স্পষ্টভাবে জানিয়ে দিন।

3. “শ্যাডো এআই” প্রশমিত করুন এবং এর ব্যবহার পর্যবেক্ষণ করুন: শ্যাডো আইটি-র মতোই, “শ্যাডো এআই”-এর উদ্ভব ঘটে যখন কর্মীরা আইটি বিভাগের অজান্তে এআই টুল বা পরিষেবা ব্যবহার করা শুরু করে (যেমন, কোনো ডেভেলপার একটি অননুমোদিত এআই কোড অ্যাসিস্ট্যান্ট ব্যবহার করলে)। এটি অদৃশ্য ঝুঁকি তৈরি করতে পারে। অননুমোদিত এআই ব্যবহার শনাক্ত ও নিয়ন্ত্রণ করার। নেটওয়ার্ক মনিটরিং জনপ্রিয় এআই এপিআই-এর সাথে সংযোগ চিহ্নিত করতে পারে, এবং সমীক্ষা বা টুল অডিটের মাধ্যমে কর্মীরা কী ব্যবহার করছে তা উদ্ঘাটন করা যায়। অনুমোদিত বিকল্পের ব্যবস্থা রাখুন যাতে সৎ উদ্দেশ্যপ্রণোদিত কর্মীরা নিয়ম ভঙ্গ করতে প্রলুব্ধ না হয় (উদাহরণস্বরূপ, যদি কর্মীরা এটিকে দরকারী মনে করে তবে একটি অফিসিয়াল ChatGPT এন্টারপ্রাইজ অ্যাকাউন্ট সরবরাহ করুন)। এআই-এর ব্যবহার প্রকাশ্যে আনার মাধ্যমে, নিরাপত্তা দলগুলো ঝুঁকি মূল্যায়ন ও পরিচালনা করতে পারে। পর্যবেক্ষণও অত্যন্ত গুরুত্বপূর্ণ – এআই টুলের কার্যকলাপ এবং আউটপুট যতটা সম্ভব লগ করুন, যাতে এআই দ্বারা প্রভাবিত সিদ্ধান্তগুলোর একটি অডিট ট্রেইল থাকে (সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব-জগতের উদাহরণ)।

4. প্রতিরক্ষামূলকভাবে এআই ব্যবহার করুন – পিছিয়ে পড়বেন না: এটা বুঝুন যে আক্রমণকারীরা এআই ব্যবহার করবে, তাই আপনার প্রতিরক্ষাও সেরকম হওয়া উচিত। এমন কয়েকটি গুরুত্বপূর্ণ ক্ষেত্র চিহ্নিত করুন যেখানে জেনারেটিভ এআই আপনার নিরাপত্তা কার্যক্রমে অবিলম্বে সহায়তা করতে পারে (যেমন অ্যালার্ট বাছাই বা স্বয়ংক্রিয় লগ বিশ্লেষণ) এবং পাইলট প্রকল্প চালান। দ্রুত পরিবর্তনশীল হুমকি মোকাবেলায় এআই-এর গতি এবং পরিধি দিয়ে আপনার প্রতিরক্ষা ব্যবস্থাকে আরও শক্তিশালী করুন ( সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব উদাহরণ )। এমনকি সাধারণ ইন্টিগ্রেশন, যেমন ম্যালওয়্যার রিপোর্ট সংক্ষিপ্ত করতে বা থ্রেট হান্টিং কোয়েরি তৈরি করতে এআই ব্যবহার করা, বিশ্লেষকদের ঘণ্টার পর ঘণ্টা সময় বাঁচাতে পারে। ছোট পরিসরে শুরু করুন, ফলাফল মূল্যায়ন করুন এবং পুনরাবৃত্তি করুন। সাফল্যগুলোই এআই-এর ব্যাপক ব্যবহারের পথ তৈরি করবে। লক্ষ্য হলো এআই-কে একটি শক্তি গুণক হিসেবে ব্যবহার করা – উদাহরণস্বরূপ, যদি ফিশিং আক্রমণ আপনার হেল্পডেস্ককে অভিভূত করে ফেলে, তবে সক্রিয়ভাবে সেই পরিমাণ কমাতে একটি এআই ইমেল ক্লাসিফায়ার স্থাপন করুন।

5. নিরাপদ এবং নৈতিক এআই অনুশীলনে বিনিয়োগ করুন: জেনারেটিভ এআই প্রয়োগ করার সময়, নিরাপদ উন্নয়ন এবং স্থাপন পদ্ধতি অনুসরণ করুন। ব্যক্তিগত বা সেলফ-হোস্টেড মডেল । যদি তৃতীয় পক্ষের এআই পরিষেবা ব্যবহার করেন, তবে তাদের নিরাপত্তা এবং গোপনীয়তার ব্যবস্থা (এনক্রিপশন, ডেটা ধরে রাখার নীতি ইত্যাদি) পর্যালোচনা করুন। আপনার এআই টুলগুলিতে পক্ষপাত, ব্যাখ্যাযোগ্যতা এবং দৃঢ়তার মতো বিষয়গুলিকে পদ্ধতিগতভাবে মোকাবেলা করার জন্য এআই ঝুঁকি ব্যবস্থাপনা কাঠামো (যেমন NIST-এর এআই ঝুঁকি ব্যবস্থাপনা কাঠামো বা ISO/IEC নির্দেশিকা) অন্তর্ভুক্ত করুন (সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে? ১০টি বাস্তব-জগতের উদাহরণ)। এছাড়াও রক্ষণাবেক্ষণের অংশ হিসাবে মডেল আপডেট/প্যাচের জন্য পরিকল্পনা করুন – এআই মডেলেরও "দুর্বলতা" থাকতে পারে (যেমন, মডেলটি লক্ষ্যচ্যুত হতে শুরু করলে বা মডেলের উপর নতুন ধরনের কোনো প্রতিকূল আক্রমণ আবিষ্কৃত হলে সেটিকে পুনরায় প্রশিক্ষণের প্রয়োজন হতে পারে)। আপনার এআই ব্যবহারে নিরাপত্তা এবং নৈতিকতাকে অন্তর্ভুক্ত করার মাধ্যমে, আপনি ফলাফলের উপর আস্থা তৈরি করেন এবং উদীয়মান নিয়মকানুনের সাথে সম্মতি নিশ্চিত করেন।

6. মানুষকে প্রক্রিয়ার অন্তর্ভুক্ত রাখুন: সাইবার নিরাপত্তায় মানুষের বিচারবুদ্ধিকে পুরোপুরি প্রতিস্থাপন না করে, বরং সহায়তা করার জন্য এআই ব্যবহার করুন। সিদ্ধান্ত গ্রহণের এমন পর্যায়গুলো নির্ধারণ করুন যেখানে মানুষের যাচাইকরণ প্রয়োজন (উদাহরণস্বরূপ, একটি এআই হয়তো কোনো ঘটনার প্রতিবেদন তৈরি করতে পারে, কিন্তু বিতরণের আগে একজন বিশ্লেষক তা পর্যালোচনা করেন; অথবা একটি এআই হয়তো কোনো ব্যবহারকারীর অ্যাকাউন্ট ব্লক করার পরামর্শ দেয়, কিন্তু একজন মানুষ সেই পদক্ষেপ অনুমোদন করেন)। এটি কেবল এআই-এর ভুলগুলোকে যাচাই না করে এড়িয়ে যাওয়াই রোধ করে না, বরং আপনার দলকে এআই থেকে শিখতে এবং এআই-কে আপনার দল থেকে শিখতেও সাহায্য করে। একটি সহযোগিতামূলক কর্মপ্রবাহকে উৎসাহিত করুন: বিশ্লেষকদের এআই-এর আউটপুট নিয়ে প্রশ্ন করতে এবং যৌক্তিকতা যাচাই করতে স্বাচ্ছন্দ্য বোধ করা উচিত। সময়ের সাথে সাথে, এই আলোচনা এআই (প্রতিক্রিয়ার মাধ্যমে) এবং বিশ্লেষক উভয়ের দক্ষতাই উন্নত করতে পারে। মূলত, আপনার প্রক্রিয়াগুলো এমনভাবে ডিজাইন করুন যাতে এআই এবং মানুষের শক্তি একে অপরের পরিপূরক হয় – এআই কাজের পরিমাণ ও গতি সামলায়, আর মানুষ অস্পষ্টতা এবং চূড়ান্ত সিদ্ধান্ত গ্রহণ করে।

7. পরিমাপ করুন, পর্যবেক্ষণ করুন এবং সমন্বয় করুন: পরিশেষে, আপনার জেনারেটিভ এআই টুলগুলোকে আপনার নিরাপত্তা ইকোসিস্টেমের জীবন্ত উপাদান হিসেবে বিবেচনা করুন। ক্রমাগত তাদের পারফরম্যান্স পরিমাপ করুন – তারা কি ঘটনার প্রতিক্রিয়া সময় কমাচ্ছে? হুমকিগুলো কি আগেভাগে শনাক্ত করছে? ফলস পজিটিভ রেটের প্রবণতা কেমন? দলের কাছ থেকে মতামত নিন: এআই-এর সুপারিশগুলো কি কার্যকর, নাকি এটি অপ্রয়োজনীয় তথ্য তৈরি করছে? মডেলগুলোকে উন্নত করতে, ট্রেনিং ডেটা আপডেট করতে, বা এআই-এর ইন্টিগ্রেশন পদ্ধতি সমন্বয় করতে এই মেট্রিকগুলো ব্যবহার করুন। সাইবার হুমকি এবং ব্যবসায়িক চাহিদা সময়ের সাথে পরিবর্তিত হয়, এবং কার্যকর থাকার জন্য আপনার এআই মডেলগুলোকে পর্যায়ক্রমে আপডেট বা রিট্রেইন করা উচিত। মডেল পরিচালনার জন্য একটি পরিকল্পনা রাখুন, যার মধ্যে থাকবে এর রক্ষণাবেক্ষণের দায়িত্বে কে থাকবে এবং কত ঘন ঘন এটি পর্যালোচনা করা হবে। সক্রিয়ভাবে এআই-এর জীবনচক্র পরিচালনা করার মাধ্যমে, আপনি নিশ্চিত করেন যে এটি একটি সম্পদ হিসেবেই থাকবে, কোনো দায় হিসেবে নয়।

পরিশেষে, জেনারেটিভ এআই সাইবার নিরাপত্তা সক্ষমতা উল্লেখযোগ্যভাবে বৃদ্ধি করতে পারে, তবে সফলভাবে গ্রহণের জন্য চিন্তাশীল পরিকল্পনা এবং চলমান তদারকি প্রয়োজন। যেসব ব্যবসা তাদের কর্মীদের শিক্ষিত করে, স্পষ্ট নির্দেশিকা নির্ধারণ করে এবং ভারসাম্যপূর্ণ, নিরাপদ উপায়ে এআইকে একীভূত করে, তারা দ্রুত, বুদ্ধিমান হুমকি ব্যবস্থাপনার পুরষ্কার পাবে। এই পদক্ষেপগুলি একটি রোডম্যাপ প্রদান করে: এআই অটোমেশনের সাথে মানবিক দক্ষতা একত্রিত করা, শাসনব্যবস্থার মূল বিষয়গুলি অন্তর্ভুক্ত করা এবং এআই প্রযুক্তি এবং হুমকির ল্যান্ডস্কেপ অনিবার্যভাবে বিকশিত হওয়ার সাথে সাথে তত্পরতা বজায় রাখা।.

এই বাস্তব পদক্ষেপগুলো গ্রহণের মাধ্যমে, প্রতিষ্ঠানগুলো আত্মবিশ্বাসের সাথে “সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে?” — এই প্রশ্নের উত্তর দিতে পারে , শুধু তত্ত্বে নয়, বরং দৈনন্দিন অনুশীলনেও—এবং এর দ্বারা আমাদের ক্রমবর্ধমান ডিজিটাল ও এআই-চালিত বিশ্বে তাদের প্রতিরক্ষা ব্যবস্থা আরও শক্তিশালী করতে পারে। ( সাইবার নিরাপত্তায় জেনারেটিভ এআই কীভাবে ব্যবহার করা যেতে পারে )

এর পরে আপনি যে শ্বেতপত্রগুলি পড়তে পছন্দ করতে পারেন:

🔗 কোন চাকরিগুলো এআই প্রতিস্থাপন করতে পারবে না এবং কোন চাকরিগুলো এআই প্রতিস্থাপন করবে?
কোন পদগুলো অটোমেশন থেকে নিরাপদ এবং কোনগুলো নয়, সে বিষয়ে বৈশ্বিক দৃষ্টিভঙ্গি অন্বেষণ করুন।

🔗 এআই কি শেয়ার বাজারের পূর্বাভাস দিতে পারে?
বাজারের গতিবিধি পূর্বাভাসের ক্ষেত্রে এআই-এর সক্ষমতাকে ঘিরে থাকা সীমাবদ্ধতা, যুগান্তকারী সাফল্য এবং প্রচলিত ধারণাগুলোর একটি বিশদ পর্যালোচনা।

🔗 মানুষের হস্তক্ষেপ ছাড়াই জেনারেটিভ এআই কী কী করতে পারে?
বুঝুন কোথায় এআই স্বাধীনভাবে কাজ করতে পারে এবং কোথায় মানুষের তত্ত্বাবধান এখনও অপরিহার্য।