Yapay Zeka Destekli Spam Filtreleri 'Text Salting' Tekniği ile Kandırılıyor

Siber güvenlik dünyası, LLM (Büyük Dil Modelleri) ve makine öğrenimi ile güçlendirilmiş savunma sistemlerinin kusursuz olduğunu varsayarken, saldırganlar şaşırtıcı derecede eski bir yöntemle bu koruma kalkanlarını aşmayı başarıyor. Barracuda’nın raporuna göre, saldırganlar e-posta içeriklerine rastgele ve anlamsız kelimeler ekleyerek yapay zekanın mesajın niyetini yanlış yorumlamasına neden olan "text salting" tekniğini aktif olarak kullanıyor. Nisan ayından beri tespit edilen bir milyonu aşkın perakende odaklı kimlik avı saldırısı, bu yöntemin modern güvenlik filtreleri için ne kadar ciddi bir zafiyet oluşturduğunu gözler önüne seriyor.

Saldırganlar, "tuzlama" (salting) olarak adlandırılan bu yöntemde üç temel gizleme tekniği kullanarak, mesajın son kullanıcı için anlamlı görünmesini, ancak makine algoritmaları için ise karmaşık ve zararsız görünmesini sağlıyor:

• CSS Kırpma (CSS Cropping): Görünür alanı daraltarak gizli metnin insan gözüyle fark edilmesini engeller.
• Metin Manipülasyonu: "Salty" (tuzlu) kopya olarak tanımlanan metni, ekranın görünen kısmının dışına iterek insan okuyucudan saklar.
• Sıfır Yazı Tipi (Zero Font Techniques): Görünürdeki kimlik avı içerikleri arasına, insan tarafından görülmeyen ancak makine tarafından okunan anlamsız kelimeler serpiştirir.

Bu yöntemlerin temel amacı, yapay zekayı mesajın bir bütün olarak "gürültü" veya "anlamsız veri" olduğuna ikna etmektir. Barracuda uzmanları, modern LLM tabanlı güvenlik sistemlerinin metni düz bir şekilde işlemek üzere tasarlandığını ve metnin kullanıcıya gösterilip gösterilmediğini ayırt edemediğini vurguluyor. Bu durum, yapay zeka modellerinin içeriğin bağlamını değil, yalnızca mevcut karakter dizilerini analiz etmesine yol açarak hatalı sınıflandırma kararları almasına neden oluyor.

Kurumsal şirketlerin bu tür saldırılardan korunması için yalnızca anahtar kelime odaklı bir filtreleme yeterli değil. Barracuda, işletmelere daha katmanlı bir güvenlik stratejisi benimsemelerini öneriyor. Bu öneriler arasında;

1. Gönderen itibarının (sender reputation) sıkı denetimi,
2. Kimlik doğrulama sonuçlarının (authentication results) kontrolü,
3. E-posta içindeki gömülü URL'lerin analizi,
4. HTML oluşturma (rendering) tekniklerinin incelenmesi,
5. Kullanıcının gördüğü içerik ile makinenin okuduğu gizli içerik arasındaki farkların denetlenmesi yer alıyor.

Günümüzün ileri teknoloji savunma sistemleri, e-posta içeriğindeki gizli katmanları temizleme ve anomalileri tespit etme konusunda gelişmiş olsa da, yapay zeka modelleri bu karmaşık manipülasyonları henüz tam olarak çözümleyemiyor. Uzmanlar, yapay zeka tabanlı koruma sistemlerinin mevcut haliyle, 2000'lerin başındaki geleneksel e-posta ağ geçitlerinin (SEG) düştüğü hataları tekrar ettiğine dikkat çekiyor.