تحقق قبل الإصلاح: آلية تنفيذ موثوقة لتحليل الأكواد عبر اللغات

تواجه نظم التعلم الذاتي المستخدمة في pipelines agentic مشكلة جوهرية تتعلق بالموثوقية. تتمثل المشكلة في أن التنبؤات ليست استنتاجات مؤكدة، بل مجرد تفسيرات احتمالية، والعمل بناءً عليها دون الاعتماد على أدلة قابلة للقياس يمكن أن يؤدي إلى فشل متزايد في المراحل اللاحقة. وتنطبق هذه القضية بشكل خاص على تحليل ثغرات البرمجيات حيث أن العواقب الكمالية يمكن قياسها بوضوح.

لذا، تمثل الدراسة الحالية خطوة متقدمة من خلال تقديم إطار عمل موحد لتحليل الثغرات عبر اللغات المختلفة، يعتمد على ثلاث مراحل من التفكير مدفوعة بنماذج لغوية ضخمة (Large Language Models). والتي تتضمن اكتشاف هجين تركيبي-دلالي، والتحقق من صحة التنفيذ، وإصلاحات متكررة مدفوعة بالتحقق، تحت قاعدة صارمة تُنص على أنه لا يُجرى أي إجراء إصلاح بدون تأكيد على القابلية للاستغلال بناءً على التنفيذ الفعلي.

تشمل الطريقة استخدام شجرة بناء جملة مجردة عالمية (Universal Abstract Syntax Tree - uAST) لتوحيد اللغات البرمجية مثل Java و Python و C++، إلى مخطط هيكلي مشترك. كما يتم دمج ذلك مع تقنيات متقدمة مثل GraphSAGE و Qwen2.5-Coder-1.5B، مما يُحسن من الأداء من خلال التعلم الثنائي الاتجاه.

نتائج الإطار تبرز دقة اكتشاف بين اللغات تصل إلى 92.02%، مع نسبة نجاح تبلغ 69.74% في معالجة الثغرات. كما تؤكد النماذج على أهمية قاعدة تنفيذ موثوقة، مما يدفع نحو استخدام الذكاء الاصطناعي بطريقة أكثر جدوى وموثوقية في عالم تحليل البرمجيات.