معرفی مقاله و اهمیت آن

در دنیای دیجیتال امروز، امنیت سایبری به یکی از مهم‌ترین چالش‌ها برای سازمان‌ها، دولت‌ها و حتی کاربران عادی تبدیل شده است. هر روزه تعداد بی‌شماری آسیب‌پذیری جدید در سیستم‌های نرم‌افزاری و سخت‌افزاری کشف و افشا می‌شوند. این آسیب‌پذیری‌ها می‌توانند راه را برای حملات سایبری مخرب هموار کرده و خسارات جبران‌ناپذیری به بار آورند. از این رو، ارزیابی دقیق و سریع شدت این آسیب‌پذیری‌ها برای اولویت‌بندی اقدامات امنیتی و تخصیص منابع بسیار حیاتی است.

سیستم نمره‌دهی مشترک آسیب‌پذیری (CVSS – Common Vulnerability Scoring System) یک استاندارد صنعتی و عمومی برای ارزیابی شدت آسیب‌پذیری‌های امنیتی است. این سیستم با استفاده از مجموعه‌ای از معیارهای کمی، یک نمره عددی بین 0 تا 10 را به هر آسیب‌پذیری اختصاص می‌دهد که نشان‌دهنده میزان ریسک و تأثیر آن است. با این حال، فرآیند دستی محاسبه CVSS برای هر آسیب‌پذیری، کاری بسیار زمان‌بر و نیازمند نیروی انسانی متخصص است. با توجه به سرعت بالای کشف آسیب‌پذیری‌های جدید، اغلب چندین روز طول می‌کشد تا یک آسیب‌پذیری توسط کارشناسان انسانی تجزیه و تحلیل و نمره‌گذاری شود، که این تأخیر می‌تواند سازمان‌ها را در معرض خطر جدی قرار دهد.

مقاله “CVSS-BERT: پردازش زبان طبیعی قابل توضیح برای تعیین شدت آسیب‌پذیری امنیتی کامپیوتر از توضیحات آن” با هدف حل این چالش مطرح شده است. این تحقیق با بهره‌گیری از پیشرفت‌های اخیر در زمینه پردازش زبان طبیعی (NLP) و مدل‌های یادگیری عمیق، به ویژه مدل BERT، یک رویکرد نوین برای تعیین خودکار و قابل توضیح بردار CVSS و نمره شدت مربوط به یک آسیب‌پذیری از توضیحات متنی آن ارائه می‌دهد. اهمیت این پژوهش در توانایی آن برای تسریع فرآیند ارزیابی آسیب‌پذیری‌ها، کاهش بار کاری کارشناسان امنیتی و در نهایت، بهبود چشمگیر پاسخگویی به تهدیدات سایبری نهفته است.

نویسندگان و زمینه تحقیق

این مقاله توسط دو پژوهشگر برجسته به نام‌های Mustafizur Shahid و Hervé Debar به رشته تحریر درآمده است. تخصص و سابقه این نویسندگان در حوزه‌های هوش مصنوعی، یادگیری ماشین و امنیت سایبری، زمینه را برای یک پژوهش میان‌رشته‌ای قدرتمند فراهم آورده است.

زمینه‌های تحقیق اصلی که این مقاله در آن‌ها طبقه‌بندی می‌شود عبارتند از:

• محاسبات و زبان (Computation and Language): این حوزه بر تعامل بین زبان طبیعی انسان و کامپیوترها تمرکز دارد و شامل زیرشاخه‌هایی مانند پردازش زبان طبیعی (NLP) است. این مقاله به طور مستقیم از تکنیک‌های NLP برای تجزیه و تحلیل متون توصیف‌کننده آسیب‌پذیری‌ها استفاده می‌کند.
• هوش مصنوعی (Artificial Intelligence): هدف هوش مصنوعی، ایجاد سیستم‌هایی است که می‌توانند کارهایی را انجام دهند که معمولاً به هوش انسانی نیاز دارند. در این پژوهش، هوش مصنوعی در قالب مدل‌های یادگیری ماشین برای تشخیص الگوها و پیش‌بینی مقادیر CVSS به کار گرفته شده است.
• یادگیری ماشین (Machine Learning): زیرمجموعه‌ای از هوش مصنوعی است که به سیستم‌ها امکان یادگیری از داده‌ها را بدون برنامه‌ریزی صریح می‌دهد. مدل BERT که هسته اصلی این پژوهش را تشکیل می‌دهد، یک مدل یادگیری ماشین پیشرفته است که برای کارهای پردازش زبان طبیعی آموزش دیده است.

این مقاله نمونه‌ای بارز از هم‌افزایی این رشته‌ها برای حل یک مشکل مهم و عملی در دنیای واقعی است. با ترکیب دانش عمیق در NLP و یادگیری ماشین با نیازهای مبرم امنیت سایبری، نویسندگان توانسته‌اند راه حلی نوآورانه و کارآمد ارائه دهند.

چکیده و خلاصه محتوا

هنگامی که یک آسیب‌پذیری امنیتی کامپیوتری جدید به صورت عمومی افشا می‌شود، تنها یک توضیح متنی از آن در دسترس قرار می‌گیرد. این توضیحات، جزئیاتی در مورد ماهیت آسیب‌پذیری، چگونگی بهره‌برداری از آن و تأثیرات احتمالی‌اش را ارائه می‌دهند. پس از افشا، کارشناسان امنیت سایبری شروع به تجزیه و تحلیل این توضیحات می‌کنند تا شدت آسیب‌پذیری را با استفاده از سیستم CVSS تعیین کنند. این فرآیند شامل خلاصه‌سازی ویژگی‌های مختلف آسیب‌پذیری در یک بردار (شامل مجموعه‌ای از معیارها) است که از آن یک نمره شدت محاسبه می‌شود.

چکیده مقاله به وضوح مشکل اصلی را مطرح می‌کند: به دلیل تعداد زیاد آسیب‌پذیری‌هایی که هر روز افشا می‌شوند، فرآیند دستی ارزیابی CVSS نیازمند نیروی انسانی فراوان است و ممکن است چندین روز طول بکشد تا یک آسیب‌پذیری تجزیه و تحلیل شود. این تأخیر می‌تواند عواقب جدی امنیتی داشته باشد.

راه حل پیشنهادی نویسندگان، استفاده از پیشرفت‌های اخیر در زمینه پردازش زبان طبیعی (NLP) برای تعیین بردار CVSS و نمره شدت مربوط به یک آسیب‌پذیری از توضیحات متنی آن، به شیوه‌ای قابل توضیح (explainable) است. برای این منظور، آن‌ها چندین طبقه‌بندی‌کننده BERT را آموزش داده‌اند، به طوری که هر طبقه‌بندی‌کننده مسئول پیش‌بینی یک معیار خاص از بردار CVSS است.

نتایج تجربی نشان می‌دهد که طبقه‌بندی‌کننده‌های آموزش‌دیده قادرند مقدار معیارهای بردار CVSS را با دقت بالا تعیین کنند. نمره شدت محاسبه‌شده از بردار CVSS پیش‌بینی‌شده نیز به نمره شدت واقعی که توسط کارشناسان انسانی اختصاص داده شده است، بسیار نزدیک است. برای جنبه قابلیت توضیح، از روش برجسته‌سازی ورودی مبتنی بر گرادیان (gradient-based input saliency method) استفاده شده است تا مرتبط‌ترین کلمات ورودی برای هر پیش‌بینی انجام شده توسط طبقه‌بندی‌کننده‌ها مشخص شود. اغلب، کلمات برجسته شده شامل اصطلاحاتی هستند که با منطق کارشناسان امنیت سایبری انسانی همخوانی دارند، و این امر توضیح را برای کاربران نهایی قابل فهم می‌کند. این ویژگی شفافیت و اعتماد را در سیستم افزایش می‌دهد، که برای پذیرش ابزارهای مبتنی بر هوش مصنوعی در حوزه‌های حساس مانند امنیت حیاتی است.

روش‌شناسی تحقیق

روش‌شناسی به کار گرفته شده در این پژوهش، بر پایه یادگیری ماشین و به طور خاص پردازش زبان طبیعی عمیق استوار است. هدف اصلی، خودکارسازی فرآیند پیچیده و زمان‌بر تعیین CVSS با استفاده از توصیفات متنی آسیب‌پذیری‌هاست.

۱. جمع‌آوری و آماده‌سازی داده‌ها:

اساس هر مدل یادگیری ماشین، داده‌های با کیفیت است. در این پژوهش، داده‌ها شامل توضیحات متنی آسیب‌پذیری‌های امنیتی هستند که به صورت عمومی افشا شده‌اند. این توضیحات از منابع معتبر مانند پایگاه‌های داده آسیب‌پذیری‌ها (مانند NVD) جمع‌آوری می‌شوند. نکته مهم این است که هر توضیح متنی باید با بردار CVSS و نمره شدت مربوطه که توسط کارشناسان انسانی تعیین شده، برچسب‌گذاری شده باشد تا مدل بتواند از آن‌ها یاد بگیرد.

۲. معماری مدل (CVSS-BERT):

قلب این روش‌شناسی، استفاده از مدل BERT (Bidirectional Encoder Representations from Transformers) است. BERT یک مدل زبان پیش‌آموزش‌دیده است که توانایی فوق‌العاده‌ای در درک و پردازش زبان طبیعی دارد. این مدل با در نظر گرفتن بافت کلمات در هر دو جهت (چپ به راست و راست به چپ) قادر است معنای دقیق‌تری از جملات را استخراج کند.

به جای آموزش یک مدل واحد برای پیش‌بینی کل بردار CVSS، نویسندگان رویکردی ماژولار را انتخاب کرده‌اند. آن‌ها چندین طبقه‌بندی‌کننده BERT را آموزش داده‌اند، به طوری که:

• هر طبقه‌بندی‌کننده مسئول پیش‌بینی مقدار یک معیار خاص از بردار CVSS است. به عنوان مثال، یک طبقه‌بندی‌کننده برای “بردار حمله” (Attack Vector)، دیگری برای “پیچیدگی حمله” (Attack Complexity)، و به همین ترتیب برای تمام معیارهای پایه CVSS (مانند امتیاز محرمانگی، یکپارچگی، در دسترس بودن و…).
• این رویکرد ماژولار باعث می‌شود که مدل‌ها متخصص‌تر شوند و بتوانند ویژگی‌های متنی مرتبط با هر معیار را بهتر شناسایی کنند.

۳. آموزش مدل‌ها:

طبقه‌بندی‌کننده‌های BERT با استفاده از یادگیری نظارت‌شده (Supervised Learning) آموزش داده می‌شوند. در این فرآیند، مدل‌ها با ورودی‌های متنی (توضیحات آسیب‌پذیری) و خروجی‌های مطلوب (مقادیر صحیح معیارهای CVSS) تغذیه می‌شوند. هدف آموزش، تنظیم وزن‌های داخلی مدل به گونه‌ای است که پیش‌بینی‌های آن تا حد ممکن به مقادیر واقعی نزدیک شوند.

۴. محاسبه نمره شدت CVSS:

پس از اینکه هر طبقه‌بندی‌کننده، مقدار مربوط به معیار خود را پیش‌بینی کرد، این مقادیر گردآوری شده و بردار CVSS کامل تشکیل می‌شود. سپس، با استفاده از فرمول استاندارد CVSS، نمره شدت نهایی آسیب‌پذیری محاسبه می‌شود.

۵. قابلیت توضیح (Explainability):

یکی از مهم‌ترین ویژگی‌های این پژوهش، تمرکز بر قابلیت توضیح است. برای درک اینکه چرا یک مدل پیش‌بینی خاصی را انجام داده است، از روش برجسته‌سازی ورودی مبتنی بر گرادیان (Gradient-based Input Saliency Method) استفاده شده است. این روش به مدل اجازه می‌دهد تا کلمات یا عباراتی را در متن ورودی شناسایی کند که بیشترین تأثیر را در تصمیم‌گیری و پیش‌بینی نهایی داشته‌اند. به عنوان مثال، اگر مدل کلمه “remote” را برای پیش‌بینی “بردار حمله: شبکه” برجسته کند، این امر به کارشناس نشان می‌دهد که مدل چگونه به نتیجه رسیده است. این قابلیت توضیح، اعتماد به سیستم‌های هوش مصنوعی را افزایش داده و به کارشناسان انسانی کمک می‌کند تا اعتبار پیش‌بینی‌ها را ارزیابی کنند و حتی از بینش‌های مدل برای درک عمیق‌تر آسیب‌پذیری‌ها بهره‌مند شوند.

یافته‌های کلیدی

نتایج تجربی حاصل از پیاده‌سازی و ارزیابی مدل CVSS-BERT نشان‌دهنده موفقیت قابل توجه آن در خودکارسازی فرآیند ارزیابی آسیب‌پذیری‌هاست. یافته‌های اصلی این تحقیق را می‌توان به شرح زیر خلاصه کرد:

۱. دقت بالای پیش‌بینی معیارهای CVSS:

مدل‌های طبقه‌بندی‌کننده BERT که به صورت جداگانه برای هر یک از معیارهای CVSS آموزش دیده‌اند، توانستند مقادیر این معیارها را با دقت بسیار بالا پیش‌بینی کنند. این بدان معناست که سیستم قادر است به درستی تشخیص دهد که آیا یک آسیب‌پذیری نیاز به تعامل کاربر دارد، چه سطح دسترسی را طلب می‌کند، یا چه تأثیری بر محرمانگی، یکپارچگی و در دسترس بودن داده‌ها دارد. این دقت در سطح معیارهای پایه، اساس یک پیش‌بینی دقیق برای نمره شدت کلی است.

۲. همخوانی چشمگیر با نمرات انسانی:

نمره شدت CVSS که از بردار CVSS پیش‌بینی شده توسط مدل CVSS-BERT محاسبه می‌شود، بسیار نزدیک به نمره شدت واقعی است که توسط کارشناسان انسانی امنیت سایبری اختصاص داده شده است. این همخوانی نشان می‌دهد که مدل نه تنها معیارهای جزئی را به درستی پیش‌بینی می‌کند، بلکه قادر است ترکیب آن‌ها را به گونه‌ای انجام دهد که نتیجه نهایی با ارزیابی متخصصان خبره مطابقت داشته باشد. این امر به معنای کارایی و اعتبار بالای سیستم پیشنهادی است.

۳. کارایی قابلیت توضیح (Explainability):

استفاده از روش برجسته‌سازی ورودی مبتنی بر گرادیان برای تعیین کلمات مرتبط در متن، نتایج بسیار قانع‌کننده‌ای به همراه داشت. اغلب، کلمات و عباراتی که توسط سیستم به عنوان مهم‌ترین عامل در یک پیش‌بینی خاص شناسایی شده بودند، دقیقاً با منطق و استدلال کارشناسان انسانی همخوانی داشتند. به عنوان مثال:

• برای پیش‌بینی “بردار حمله: شبکه” (Attack Vector: Network)، کلماتی مانند “remote”, “network access”, “over the internet” اغلب برجسته می‌شدند.
• برای پیش‌بینی “تأثیر محرمانگی: بالا” (Confidentiality Impact: High)، عباراتی مانند “data exfiltration”, “sensitive information disclosure”, “full access to confidential data” به عنوان عوامل کلیدی شناسایی می‌شدند.
• همچنین، کلماتی نظیر “privileges required”, “user interaction”, “authentication bypass” به ترتیب برای معیارهای “امتیازات مورد نیاز”, “تعامل کاربر” و “Scope” به درستی برجسته می‌شدند.

این همخوانی، نه تنها درک مدل را برای کاربران نهایی (حتی غیرمتخصص) آسان می‌کند، بلکه به کارشناسان امنیتی نیز کمک می‌کند تا به نتایج مدل اعتماد بیشتری کنند و حتی خطاهای احتمالی یا سوگیری‌ها را در عملکرد مدل شناسایی و برطرف کنند.

۴. کاهش زمان و نیروی انسانی:

اگرچه به صورت مستقیم به عنوان یک معیار عددی ارائه نشده، اما موفقیت در خودکارسازی ارزیابی CVSS به معنای کاهش چشمگیر زمان لازم برای تجزیه و تحلیل آسیب‌پذیری‌ها و کاهش نیاز به نیروی انسانی متخصص برای انجام کارهای تکراری و زمان‌بر است. این امر به سازمان‌ها امکان می‌دهد تا به سرعت بیشتری به آسیب‌پذیری‌های جدید واکنش نشان دهند.

در مجموع، یافته‌های کلیدی این پژوهش نشان می‌دهند که مدل CVSS-BERT یک گام مهم در جهت هوشمندسازی و خودکارسازی ارزیابی امنیت سایبری است، با تأکید ویژه‌ای بر شفافیت و قابلیت توضیح که برای حوزه‌های حساس بسیار ارزشمند است.

کاربردها و دستاوردها

مدل CVSS-BERT و رویکرد نوآورانه آن در ارزیابی خودکار آسیب‌پذیری‌های امنیتی، دستاوردها و کاربردهای عملی متعددی را در حوزه امنیت سایبری به همراه دارد:

۱. ارزیابی خودکار و سریع آسیب‌پذیری‌ها:

مهمترین دستاورد، توانایی ارزیابی خودکار شدت آسیب‌پذیری‌ها بلافاصله پس از افشای عمومی آن‌ها است. این بدان معناست که سازمان‌ها می‌توانند به جای انتظار چندین روزه برای ارزیابی دستی، در عرض چند دقیقه یا حتی ثانیه، نمره CVSS یک آسیب‌پذیری جدید را به دست آورند. این سرعت، واکنش‌پذیری را به شدت افزایش می‌دهد.

۲. اولویت‌بندی هوشمندانه اقدامات امنیتی:

با ارزیابی سریع و دقیق شدت آسیب‌پذیری‌ها، سازمان‌ها می‌توانند به اولویت‌بندی مؤثرتر وصله‌ها و اقدامات ترمیمی بپردازند. به جای تلاش برای رفع همه آسیب‌پذیری‌ها به یکباره، منابع محدود می‌توانند بر روی آسیب‌پذیری‌هایی با بالاترین نمره CVSS (و در نتیجه بالاترین ریسک) متمرکز شوند. این امر به بهینه‌سازی استراتژی‌های مدیریت ریسک کمک می‌کند.

۳. افزایش بهره‌وری تیم‌های امنیتی:

کارشناسان امنیت سایبری می‌توانند از انجام کارهای تکراری و زمان‌بر ارزیابی دستی CVSS رها شوند. این امر به آن‌ها اجازه می‌دهد تا زمان و انرژی خود را بر روی مسائل پیچیده‌تر، تحقیقات عمیق‌تر و توسعه راهکارهای پیشگیرانه متمرکز کنند. CVSS-BERT می‌تواند به عنوان یک ابزار کمکی قدرتمند برای تیم‌های عملیات امنیتی (SOC) عمل کند.

۴. بهبود سیستم‌های هوش تهدید (Threat Intelligence):

سیستم‌های هوش تهدید می‌توانند با استفاده از CVSS-BERT، حجم عظیمی از توضیحات آسیب‌پذیری را به سرعت تجزیه و تحلیل کرده و اطلاعات ساختاریافته (مانند نمرات CVSS) را استخراج کنند. این قابلیت، غنی‌سازی داده‌های هوش تهدید را تسهیل کرده و به تحلیلگران کمک می‌کند تا دید جامع‌تری از چشم‌انداز تهدیدات داشته باشند.

۵. قابلیت توضیح، شفافیت و اعتماد:

ویژگی قابلیت توضیح، یک دستاورد کلیدی است. در حوزه‌ای مانند امنیت سایبری که تصمیمات پیامدهای جدی دارند، اعتماد به ابزارهای خودکار حیاتی است. با نشان دادن اینکه چرا یک مدل به یک نتیجه خاص رسیده است (با برجسته کردن کلمات تأثیرگذار)، CVSS-BERT نه تنها شفافیت را فراهم می‌کند، بلکه به کارشناسان انسانی اجازه می‌دهد تا منطق مدل را درک کرده و در صورت نیاز، اعتبار آن را بسنجند. این امر پذیرش و استقرار ابزارهای هوش مصنوعی را در محیط‌های حساس تسهیل می‌کند.

۶. کاهش خطا و ثبات در ارزیابی:

برخلاف ارزیابی‌های انسانی که ممکن است تحت تأثیر خستگی، تجربه متفاوت یا سوگیری‌های شناختی قرار گیرند، یک سیستم خودکار مانند CVSS-BERT، ثبات و کاهش خطا را در ارزیابی‌ها تضمین می‌کند. این امر به سازمان‌ها کمک می‌کند تا یک استاندارد یکنواخت برای ارزیزی شدت آسیب‌پذیری‌ها داشته باشند.

۷. زمینه برای تحقیقات آتی:

این پژوهش، راه را برای توسعه نسل‌های بعدی ابزارهای امنیت سایبری مبتنی بر هوش مصنوعی هموار می‌کند. می‌توان از این رویکرد برای پیش‌بینی جنبه‌های دیگر آسیب‌پذیری (مانند بهره‌برداری‌پذیری یا تأثیر تجاری) استفاده کرد یا آن را با منابع داده‌ای دیگر (مانند گزارش‌های کد) ترکیب نمود.

به طور خلاصه، CVSS-BERT یک ابزار قدرتمند است که می‌تواند فرآیند مدیریت آسیب‌پذیری را متحول کند، امنیت را بهبود بخشد و به سازمان‌ها کمک کند تا در برابر تهدیدات سایبری همیشه در حال تکامل، یک گام جلوتر باشند.

نتیجه‌گیری

مقاله “CVSS-BERT: پردازش زبان طبیعی قابل توضیح برای تعیین شدت آسیب‌پذیری امنیتی کامپیوتر از توضیحات آن” یک گام مهم و نوآورانه در تقاطع حوزه‌های امنیت سایبری، پردازش زبان طبیعی و هوش مصنوعی است. این پژوهش به طور موفقیت‌آمیزی یک چالش دیرینه در مدیریت آسیب‌پذیری‌ها را با استفاده از فناوری‌های پیشرفته یادگیری ماشین حل می‌کند.

خلاصه دستاوردهای اصلی این مقاله را می‌توان در سه محور کلیدی زیر بیان کرد:

1. دقت و کارایی: با آموزش چندین طبقه‌بندی‌کننده BERT برای هر یک از معیارهای CVSS، این سیستم توانایی خود را در پیش‌بینی دقیق مقادیر معیارها و نمره شدت کلی آسیب‌پذیری، بسیار نزدیک به ارزیابی کارشناسان انسانی، اثبات کرده است. این دقت بالا، امکان ارزیابی سریع و قابل اعتماد آسیب‌پذیری‌های جدید را فراهم می‌آورد و بار سنگین فرآیندهای دستی را به طور چشمگیری کاهش می‌دهد.
2. قابلیت توضیح (Explainability): برجسته‌ترین ویژگی این مدل، توانایی آن در ارائه توضیحات قابل فهم برای پیش‌بینی‌های خود است. با استفاده از روش برجسته‌سازی ورودی مبتنی بر گرادیان، سیستم می‌تواند کلمات و عبارات کلیدی در متن توضیحات آسیب‌پذیری را که بیشترین تأثیر را در تصمیم‌گیری مدل داشته‌اند، شناسایی کند. این شفافیت، نه تنها به کارشناسان انسانی کمک می‌کند تا به نتایج مدل اعتماد کنند، بلکه به آن‌ها بینش عمیق‌تری نسبت به ماهیت آسیب‌پذیری و نحوه تفکر مدل می‌دهد. این جنبه، برای پذیرش ابزارهای هوش مصنوعی در حوزه‌های حساس مانند امنیت سایبری حیاتی است.
3. تحول در مدیریت آسیب‌پذیری: پیامد عملی این تحقیق، توان بالقوه آن در متحول کردن نحوه مدیریت آسیب‌پذیری‌ها در سازمان‌ها است. از ارزیابی سریع‌تر و اولویت‌بندی دقیق‌تر تا افزایش بهره‌وری تیم‌های امنیتی و بهبود هوش تهدید، CVSS-BERT ابزاری قدرتمند برای تقویت دفاع سایبری ارائه می‌دهد.

در نهایت، CVSS-BERT نه تنها یک مدل کارآمد برای تعیین شدت آسیب‌پذیری‌هاست، بلکه یک نمونه درخشان از چگونگی ادغام هوش مصنوعی با قابلیت توضیح در سیستم‌های امنیتی حیاتی است. این پژوهش نشان می‌دهد که با ترکیب قدرت پردازش زبان طبیعی و شفافیت هوش مصنوعی، می‌توانیم قدم‌های بزرگی در ساختن یک دنیای دیجیتال امن‌تر برداریم. این دستاورد، راه را برای تحقیقات و توسعه‌های آتی در زمینه هوشمندسازی امنیت سایبری هموار می‌کند و آینده‌ای را نوید می‌دهد که در آن ماشین‌ها می‌توانند به شیوه‌ای مکمل و قابل اعتماد، از ما در برابر تهدیدات سایبری محافظت کنند.