20 ноября 2026 / время чтения: 11 мин. / всего просмотров: 13

Как ИИ меняет баланс сил между атакующими и защитниками


Искусственный интеллект (ИИ) меняет сетевую безопасность прежде всего за счёт скорости. Злоумышленники с его помощью быстрее находят уязвимости, сканируют инфраструктуру для будущего нападения, масштабируют и адаптируют атаки.

Преимущество защитника — доступ к внутренней телеметрии и видимость всей сети. Однако если атакующему достаточно одной ошибки в обороне, то защитник обязан контролировать весь периметр. В промышленности эта проблема стоит ещё острее, поскольку ложное срабатывание может остановить производство со всеми вытекающими убытками и последствиями.

По оценке экспертно-аналитического центра ГК InfoWatch, тактическое преимущество пока удерживает ИИ-защита, но разрыв сокращается. Исследование ЭАЦ  InfoWatch «Искусственный интеллект в сетевой кибербезопасности» показывает, что исход борьбы решают не отдельные алгоритмы. Ключевую роль играют качество данных, архитектура систем защиты, выявление поведенческих аномалий и готовность компании действовать в условиях неопределённости.

 

Атакующий ИИ: опасность прежде всего в скорости

Известные уязвимости опаснее эффектных сценариев с Zero Day. При обсуждении эффективности ИИ в кибератаках внимание часто фокусируется на уязвимостях нулевого дня, автогенерации эксплойтов и автономных системах взлома. Эти угрозы реальны, но для большинства компаний главная опасность кроется в масштабировании уже известных угроз, так как ИИ автоматизирует рутинные операции, которые раньше требовали значительных временных и человеческих ресурсов. Недавно преступникам приходилось собирать бот-сети из заражённых компьютеров для масштабных атак. Сегодня ИИ сам ищет доступные сервисы, сверяет версии ПО с базами уязвимостей, находит слабые пароли и забытые учётные записи. Он также анализирует конфигурации и адаптирует инструменты под конкретную сеть.

ИИ ускоряет не только сканирование, но и переход злоумышленника от одного этапа атаки к следующему. Обнаружив сервис, агент быстро определяет его назначение, находит документацию, подбирает уязвимость и выбирает следующий шаг. Один хакер с таким инструментом заменяет целую команду. Автоматизация одновременно ускоряет и масштабирует атаку.

По данным аналитиков InfoWatch, за год трафик от вредоносных ИИ-ботов и разведчиков вырос на 187%. Активность автономных ИИ-агентов, сканирующих периметры, увеличилась почти в 80 раз. Это отражает сдвиг в ландшафте угроз, хотя и не означает кратного роста успешных взломов. Вывод для защитников очевиден: мало просто находить новые уязвимости. Нужно быстрее закрывать уже известные бреши и регулярно проверять состояние инфраструктуры. Ведь неучтённый сервер, забытая учётная запись, открытый удалённый доступ или тестовый интерфейс имеет большую ценность для хакера, чем дорогой эксплойт нулевого дня. Автоматизированная разведка находит такие цели мгновенно, оставляя минимум времени на реакцию.

ИИ помогает искать и новые уязвимости, но это не главный вектор массовых атак. Злоумышленникам проще эксплуатировать известные бреши с готовыми инструментами, чем создавать новое оружие.

Контекст становится частью атаки. Раньше промышленный трафик без контекста выглядел как набор адресов и байтов. Теперь ИИ-инструменты быстро связывают эти данные с назначением сервисов, документацией и логикой автоматизированных систем управления технологическими процессами (АСУ ТП). Это упрощает разведку в технологических сетях. Атакующий видит не только доступные устройства, но и их роль, связи и способы доступа к ним. Одинаковые технические аномалии несут разные риски для банка, завода или клиники. В офисной сети нетипичное соединение означает проверку для аналитика и возможный взлом. В промышленной сети это сигнал о попытке доступа к инженерной станции или контроллеру. Поэтому важно не просто зафиксировать отклонение, но и понять его роль в архитектуре компании.

Современные атаки стали гибридными. ИИ анализирует данные о сотрудниках и стиль общения в компании, после чего генерирует убедительные фишинговые письма. Получив доступ, хакеры развивают атаку через легитимные утилиты и штатные протоколы без запуска явного вредоносного ПО. Согласно исследованию, ИИ применяется в 86% фишинговых атак. Это ориентир по рынку, хотя доля зависит от конкретной отрасли и выборки инцидентов.

Опасность кроется в комбинации социальной инженерии, кражи учётных данных, разведки сети и эксплуатации штатных утилит. Узкий инструмент защиты не заметит угрозу по одному признаку. Для выявления атаки нужно связать события во времени и восстановить общий контекст.

 

ИИ на стороне защиты: преимущество в данных

От обнаружения сигнатуры к анализу поведения. Главный козырь защитного ИИ — доступ к данным внутри периметра. Система мониторинга видит сетевые связи, журналы событий, историю соединений и поведение устройств. При интеграции со смежными системами добавляется контекст учётных записей и действий пользователей. Это позволяет выявлять отклонения от нормы, а не только известные сигнатуры. Такой подход необходим для борьбы с атаками Living off the Land, где злоумышленник действует через легитимные программы и протоколы. Например, инженерная станция штатно общается с промышленным контроллером. Соединение разрешено. Но внезапно на станции появляется новый пользователь, вход идёт по нетипичному маршруту, а запрос к контроллеру отправляется ночью. По отдельности эти факты объяснимы, но вместе они требуют проверки. Поведенческий анализ оценивает событие целиком. Он проверяет инициатора, узел, время, режим работы оборудования и соответствие историческому профилю сети.

В промышленной сети для этого нужна инвентаризация активов и профили нормальных связей. Система должна знать роль устройства, его адрес, версию прошивки и разрешённые контакты с операторскими и инженерными станциями. Без такой базы алгоритм примет штатный процесс за атаку.

Аномалия в поведении ещё не доказывает взлом. Причиной может быть ремонт, пусконаладка, смена режима производства или работа подрядчика. Поэтому технический сигнал требует сверки с контекстом, а служба ИБ должна работать в связке с инженерами АСУ ТП.

Большая модель нужна не для каждой задачи. ИИ в безопасности часто сводят к большим языковым моделям, но это узкий взгляд. Многие задачи лучше решают специализированные модели машинного обучения: они точнее ищут сетевые аномалии, классифицируют события и выявляют отклонения. Статистические методы фиксируют аномалии в параметрах пакетов и сессий. Компактные ML-модели выявляют алгоритмически сгенерированные домены зловредов там, где не работают жёсткие правила. А поведенческий анализ вскрывает разведку и скрытую активность без сигнатур. Языковые модели полезны на другом уровне: они обобщают данные, объясняют причины тревоги, связывают события и помогают аналитику в расследовании. Но для быстрого поиска конкретных аномалий в трафике тяжёлая универсальная модель не оптимальна.

Выбор инструмента начинается с задачи, а не с числа параметров нейросети. Сначала нужно определить типы угроз, доступные данные, требования к скорости, лимиты ресурсов и допустимый порог ложных срабатываний. Лишь затем выбирают архитектуру модели.

 

Внедрение в  закрытом контуре: модель должна работать в реальной инфраструктуре

Локальная обработка без лишних капитальных затрат. Для промышленности место размещения ИИ не менее важно, чем его точность. Технологические сети обычно изолированы, а передача данных во внешнее облако неприемлема из-за требований конфиденциальности, надёжности и скорости реакции. Разумный выход — использовать предобученные модели вендора, работающие локально у заказчика. Ресурсоёмкое обучение проходит на мощностях разработчика, а анализ телеметрии идёт внутри закрытого контура. При этом алгоритму далеко не всегда нужен отдельный сервер с дорогими графическими ускорителями. Компактная специализированная модель эффективнее универсальной, если решает задачу с меньшими затратами ресурсов. Но даже при локальном запуске важно контролировать нагрузку на процессор и память, пропускную способность, задержки, совместимость со средствами защиты и устойчивость при пиках трафика.

Федеративное обучение тоже не избавляет от затрат на оборудование. Оно позволяет обучать модели без передачи сырых данных в центр, но требует вычислительных мощностей на местах и обмена обновлениями. Архитектуру нужно выбирать под реальные ограничения предприятия. До покупки нового оборудования систему стоит протестировать на имеющихся серверах и задать чёткие метрики успеха. Без фиксации точности детекта, допустимой задержки и лимитов ресурсов инвестиции в инфраструктуру не окупятся.

Ложные срабатывания — вопрос не только качества модели. Бизнес оценивает защиту не только по числу найденных угроз. Система, регулярно блокирующая легитимные операции, наносит не меньший ущерб, чем сама атака. Как мы уже говорили выше, на производстве цена такой ошибки критична. В офисной сети ложная тревога лишь нагружает аналитика. В АСУ ТП ошибочная блокировка обрывает управление оборудованием и останавливает производство. Поэтому защитный ИИ оценивают как по точности обнаружения, так и по цене ошибки.

Чтобы снизить риски, внедрение начинают с пассивного мониторинга. Модель анализирует копию трафика, строит профиль нормы и ищет аномалии без вмешательства в производственный процесс. Накопив данные, специалисты проверяют точность сигналов, учитывают ремонтные окна и смену режимов, после чего определяют границы автоматизации. В технологической сети ИИ должен объяснять причины тревоги. Указание на нарушение профиля связей, новую учётную запись и ночное время доступа даёт аналитику больше пользы, чем бездоказательная метка об атаке. Критические действия в промышленной сети всегда должен подтверждать человек. Сортировку оповещений, корреляцию и сбор контекста можно поручить алгоритму. Но отключение узла или разрыв технологической связи должны выполняться только после проверки контекста и согласования с ответственными специалистами.

 

Экспертиза вендора:  от внутренних моделей до испытаний продукта

Проверять нужно не эффектность, а практическую пользу. Разработка средств сетевой защиты требует строгого контроля кода, тестирования и выполнения норм регуляторов. В ГК InfoWatch ИИ уже помогает в создании продуктов. Модели проверяют изменения кода на соответствие стандартам качества и предварительно размечают отчёты статического анализатора, отсеивая ложные срабатывания. Здесь ИИ не заменяет инженеров, а снимает с них рутину. Финальный контроль остаётся за человеком, но разработчики могут сосредоточиться на архитектуре и устранении реальных уязвимостей. Тот же принцип работает в сетевой защите. Мало встроить машинное обучение (ML-модель) в продукт — нужно доказать, какие угрозы она ловит, как повышает точность и сколько ресурсов потребляет.

Вендор обязан тестировать модели на реалистичном трафике, включая штатный обмен, редкие легитимные операции и техники обхода защиты. Параллельно замеряются задержки и нагрузка на оборудование при активных функциях защиты. При этом работа в реальной сети заказчика важнее лабораторных тестов. Дообучение модели должно опираться на практику эксплуатации. Если целевые показатели не достигнуты, сначала ищут причину: нехватку данных, неверную постановку задачи, сбитые пороги или ограничения архитектуры. Только затем модель дообучают или меняют при обязательном участии технологов заказчика, знающих нюансы своего производства.

Как развивается подход InfoWatch ARMA к ИИ в сетевой защите. В линейке продуктов промышленной безопасности InfoWatch ARMA готовится внедрение ИИ-технологий. Детали будущих релизов пока не раскроем, но базовый принцип неизменен: в технологических сетях ИИ должен помогать человеку принимать решения, а не действовать вместо него с риском остановить производство. Модель выступит в роли интеллектуального помощника, который собирает контекст и поясняет суть аномалии. Пакет может быть подозрительным не из-за содержимого, а из-за нарушения профиля связей, нетипичного времени или чужой учётной записи. Такое обогащение данными помогает аналитику быстрее оценить инцидент и увидеть общую картину.

Это отвечает логике поэтапного внедрения ИИ на критических объектах. Сначала нужно обеспечить стабильное качество детекта, исключить перегрузку сети и ложные тревоги и лишь затем расширять автоматизацию. Главная цель — измеримое усиление защиты без ущерба для инфраструктуры.

 

Кто побеждает: ИИ атакующий или ИИ защищающийся?

Это извечный вопрос противостояния «снаряда» и «брони». Однозначного ответа на него для всех сценариев нет. По тактическим показателям пока что выигрывает ИИ-защитник: он владеет внутренними данными, непрерывно мониторит сеть, коррелирует события из разных источников и применяет киберобман. Ловушки и ложные узлы эффективно запутывают автоматизированную разведку хакеров.

Однако стратегическая асимметрия сохраняется. Защитник обязан прикрывать весь периметр, а хакеру достаточно одной лазейки. ИИ ускоряет её поиск и маскирует атаку под штатную активность. Уязвимым местом остаются и цепочки поставок: крупная компания может выстроить мощную оборону, но пострадать через слабо защищённого подрядчика.

В промышленности баланс ещё сложнее из-за приоритета непрерывности производства. Защитник не может безоглядно блокировать подозрительный трафик. Даже когда система видит аномалию, перед реакцией нужно проверить контекст, согласовать действия с технологами и оценить риски. ИБ-специалисты далеко не всегда находят безусловное понимание у своих коллег, отвечающих за работу АСУ ТП. Понятно, что злоумышленник такими регламентами не связан.

Тем не менее ИИ не делает любую атаку успешной и не отменяет базовую гигиену безопасности. Инвентаризация активов, сегментация сети, минимизация привилегий, патчинг и контроль доступа по-прежнему сужают поверхность атаки. ИИ не заменяет этот фундамент, а помогает быстрее находить бреши и связывать события. Выиграют те компании, которые встроят ИИ в системную защиту, а не купят его как модную опцию. Это требует выбора моделей под конкретные задачи, контроля их качества, интеграции с мониторингом и осторожной автоматизации с учётом цены ошибки.

Вопрос уже не в том, чей алгоритм умнее. Важно, кто быстрее превращает данные в точные решения без вреда для бизнеса. Атакующий ИИ ускоряет поиск уязвимостей, а защитный должен ускорять их обнаружение и устранение. Победит не тот, кто первым запустит нейросеть, а тот, кто встроит её в управляемую и устойчивую систему безопасности.

 

Исследование ЭАЦ ГК InfoWatch «Искусственный интеллект в сетевой кибербезопасности», сентябрь 2026: https://www.infowatch.ru/sites/default/files/analytics/files/analiticheskii-otche-t-ii-v-setevkiberbeze.pdf

 

Реклама. АО «Инфовотч», ИНН: 7713515534, Erid: 2Vfnxxwe86Z

Похожие статьи

Статья

Как проверить достоверность испытаний средств защиты ИИ

Статья

Как проверить ИИ-агента, которому выдали почту, CRM и доступ к файлам

Статья

AI/LLM Firewall как техническая точка контроля корпоративного использования GenAI

Статья

Вайб-кодинг в банке. Кто отвечает за код, который написал не человек?

  1. 05 Доверенный ИИ: от научной проблемы к промышленной платформе
  2. 06 Искусственный интеллект в ИБ. Как не внедрить хаос
  3. 07 Искусственный интеллект: земные проблемы на фоне эволюции Вселенной
  4. 08 «Искусственный интеллект — это прежде всего инструмент в руках человека»
  5. 09 Чем заменить зарубежный балансировщик: риски и ориентиры выбора
  6. 10 ZTNA через ADKAR
ИИ-ассистент BISонлайн
Привет! Я помогу разобраться в материалах журнала. Хотите, перескажу текущую статью за 20 секунд?
Рекомендую прочитать
«Как построить SOC в 2026»