مفهوم یک مرکز عملیات امنیت کاملاً خودکار (Security Operations Center - SOC) — جایی که جمع‌آوری داده‌ها، تحلیل رخدادهای مشکوک، بررسی حوادث و پاسخ به آن‌ها بدون دخالت انسان انجام می‌شود — بسیار جذاب است.

این موضوع به‌خصوص برای سازمان‌هایی اهمیت دارد که با کمبود نیروی متخصص امنیت سایبری و رشد سریع و پیچیده تهدیدات مواجه هستند. چنین سازمان‌هایی به‌دنبال رویکردی هستند که بتواند با اتوماسیون، بار کاری تحلیل‌گران را کاهش دهد، زمان بررسی هشدارها را کوتاه کند و در نهایت صف طولانی هشدارهای بررسی‌نشده را از بین ببرد؛ صفی که بر اساس برخی برآوردها، حدود 67٪ از کل رخدادهای امنیتی در SOCهای سازمانی را شامل می‌شود.

اگرچه بسیاری از فروشندگان راهکارهای این حوزه را تبلیغ می‌کنند، اما پیاده‌سازی واقعی آن در عمل همچنان بسیار دشوار است. تجربه‌ها نشان می‌دهد که این ابزارها در زمینه غنی‌سازی هشدارها و فیلتر کردن نویزهای کم‌اهمیت یا false positiveها موفق هستند؛ اما در حوزه تصمیم‌گیری و پاسخ‌گویی کاملاً خودکار، تعداد کمی از سازمان‌ها به بازگشت سرمایه قابل‌توجهی دست یافته‌اند.

موانع بنیادین SOC خودکار: فراتر از هوش مصنوعی

اگرچه استفاده از AI برای تحلیل داده‌ها و تصمیم‌گیری در نگاه اول ساده به نظر می‌رسد، اما در عمل همان مشکلات قدیمی SIEM، XDR و SOAR را تشدید می‌کند:

کیفیت داده‌های ورودی
مشکلاتی مانند پوشش ناقص داده‌ها، کیفیت پایین enrichment، برچسب‌گذاری و نرمال‌سازی داده‌ها — که تیم‌های detection engineering هر روز با آن درگیرند — در حضور AI شدیدتر می‌شوند. عامل‌های هوش مصنوعی نسبت به خلأهای داده‌ای حساس‌تر از تحلیل‌گران انسانی هستند، بنابراین داده ناقص می‌تواند خطاها را تشدید کند.

تجمیع داده و یکپارچه‌سازی ابزارها
مشکلی که SIEM برای حل آن طراحی شده بود، همچنان برای بسیاری از سازمان‌ها باقی مانده است. در حالی که برخی راهکارهای AI ادعا می‌کنند «SIEM دیگر لازم نیست چون Agentها مستقیماً از EDR داده می‌گیرند»، در واقعیت حتی در بهترین حالت، SIEM حذف نمی‌شود بلکه صرفاً به زیرساخت پشت‌صحنه منتقل می‌گردد.

اعتماد تحلیل‌گران
حتی زمانی که AI فقط برای جمع‌آوری داده یا ارائه پیشنهاد استفاده می‌شود، بسیاری از تحلیل‌گران به خروجی آن اعتماد نمی‌کنند و دوباره داده‌ها را بررسی می‌کنند. مشکلات رایج شامل مدیریت ضعیف وضعیت‌های خاکستری (مشکوک اما نه قطعی)، نبود مسیرهای امن برای escalation، و عدم یادگیری از اصلاحات انسانی است.

کمبود زمینه (Context)
تیم‌های SOC برای تحلیل دقیق رخدادها به اطلاعات غیرساختاریافته مثل دانش سازمانی و تجربه عملی تکیه می‌کنند. وارد کردن این سطح از دانش به یک سیستم AI به‌صورت ساختاریافته بسیار دشوار است.

چالش‌های اختصاصی AI در SOC

علاوه بر مشکلات عملیاتی، SOCهای کاملاً خودکار با محدودیت‌های ذاتی مدل‌های زبانی و Agentهای هوش مصنوعی نیز روبه‌رو هستند:

هالوسینیشن و Prompt Injection
در محیط SOC، حتی یک فیلد لاگ دستکاری‌شده می‌تواند به نقطه نفوذ برای حمله به Agent تبدیل شود. در سیستم‌های نیمه‌خودکار، خطای AI فقط باعث کاهش اعتماد می‌شود؛ اما در SOC کاملاً خودکار می‌تواند اقدامات مخربی را در مقیاس وسیع روی صدها یا هزاران Endpoint اجرا کند. نمونه‌هایی نیز از رفتارهای خارج از کنترل Agentها در سازمان‌های بزرگ گزارش شده است.

نیاز به کنترل انسانی
برای جلوگیری از خطاهای AI معمولاً از مدل Human-in-the-loop استفاده می‌شود. اما این کار عملاً مزیت اصلی اتوماسیون یعنی سرعت پاسخ را کاهش می‌دهد.

انطباق، حسابرسی و مسئولیت‌پذیری
ماهیت غیرقطعی خروجی‌های LLM باعث می‌شود ثبت و بازتولید تصمیم‌ها دشوار باشد. در نتیجه، انطباق با استانداردهای حسابرسی و مقررات امنیتی برای SOCهای کاملاً خودکار چالش‌برانگیز است.

راهکارهای مقابله با چالش‌های SOC خودکار

برای رفع این مشکلات، چارچوب‌های تخصصی در حال ظهور هستند که بر محدودسازی و کنترل رفتار AI تمرکز دارند:

مهندسی دقیق Context
با ارائه داده‌های ساختاریافته مانند اطلاعات هشدار، حساب‌های کاربری و داده‌های دارایی‌ها، می‌توان احتمال خطا را کاهش داد و کیفیت تصمیم‌گیری را افزایش داد.

محدود کردن دامنه وظایف
Agentها زمانی عملکرد بهتری دارند که در وظایف محدود و تکراری استفاده شوند؛ مانند جمع‌آوری اطلاعات تکمیلی از یک Host، به‌جای «شکار تهدیدات به‌صورت کامل».

اعتبارسنجی نوروسمبولیک و گاردریل‌ها
با استفاده از pipelineهای کنترلی، داده‌های غیرقابل اعتماد پاک‌سازی شده و تصمیم‌های AI با سیاست‌های IAM و CMDB تطبیق داده می‌شوند. همچنین محدودیت‌هایی برای سطح دسترسی Agentها تعریف می‌شود.

سطوح تدریجی خودکارسازی
به‌جای مدل صفر و صدی، سطح استقلال AI به‌صورت مرحله‌ای تعریف می‌شود. عملیات کم‌ریسک مانند enrichment کاملاً خودکار هستند، اما اقدامات حساس نیاز به تأیید انسانی دارند.

معماری مبتنی بر حاکمیت (Governance-first)
برخی چارچوب‌ها مانند LanG ساختاری سلسله‌مراتبی از Governance تا Agent ایجاد می‌کنند تا با استانداردهای امنیتی مانند NIST SP 800-61 سازگار باشند.

اجرای قطعی برای اقدامات پرریسک
وظایف تحلیلی می‌توانند توسط AI انجام شوند، اما اقدامات حساس مانند ایزوله‌سازی Host باید توسط کدهای قطعی و قابل پیش‌بینی اجرا شوند.

کنترل پذیرش وضعیت (Stateful Admission Control)
با بررسی رفتار Agentها در طول زمان می‌توان فعالیت‌های مشکوک را حتی در صورت انجام اقدامات ظاهراً بی‌خطر شناسایی کرد.

جمع‌بندی و نکات کلیدی

در حال حاضر می‌توان گفت SOC کاملاً خودکار برای سازمان‌هایی که مشکلات زیرساختی در داده، فرآیند یا استانداردسازی دارند، واقع‌بینانه نیست.

AI می‌تواند فرآیند تحلیل را تسهیل کند، اما جایگزین کامل تحلیل‌گران انسانی نمی‌شود. به همین دلیل پیش‌بینی‌هایی مانند Gartner مبنی بر عدم تحقق SOC کاملاً خودکار تا سال 2026 همچنان معتبر هستند.

در عمل، استفاده از AI در SOC بیشتر به معنای تغییر تمرکز از تحلیل دستی به مهندسی سیستم‌های پیچیده است؛ شامل مدیریت playbookها، جریان داده و سیاست‌های تصمیم‌گیری.

برای SOCهای بالغ، SOC خودکار بیشتر یک جهت حرکت است تا یک مقصد نهایی. موفقیت در این مسیر وابسته به استفاده کنترل‌شده از AI، همراه با گاردریل‌های امنیتی و نظارت انسانی است.