ثورة في تحليل الشيفرات: كيف تغير نماذج الذكاء الاصطناعي قواعد اللعبة في تقييم التفسيرية

في خطوة مبتكرة نحو تحسين الأمن السيبراني، تم استخدام نماذج اللغة الضخمة (Large Language Models) لإعادة فك الشيفرات البرمجية (Decompilation) بشكل أكثر كفاءة. هذا التطور يعد محوريًا في مجالات مثل اكتشاف الثغرات وتحليل البرمجيات الخبيثة.
تقليديًا، كانت أدوات فك الشيفرات مثل Ghidra وHex-Rays تعاني من مشاكل في إنتاج شيفرات نظيفة وقابلة للتنفيذ. بعد وقت طويل من العمل، غالبًا ما كانت تصدر شيفرات غير قابلة للتنفيذ لديها مشاكل واضحة. بينما تتميز نماذج الذكاء الاصطناعي الحديثة بإنتاج شيفرات C نظيفة وعملية، إلا أن هذا الأمر قد يؤدي إلى مكافأة خيارات خاطئة عند تقييم القابلية لإعادة الترجمة.
لقد أظهر بحث حديث أن الوظائف القابلة لإعادة الترجمة قد تعيد بناء كل اختبار مرسل، ومع ذلك تفشل في تلبية متطلبات إدخال أخرى مشروعة. الحل المقترح الذي أطلق عليه Decompile-Diverge يعمل على إجراء مقارنة سلوكية بين الشيفرات، مكونًا محركات اختبار مخصصة للكشف عن أي تغييرات ستحدث في السلوك.
أظهرت النتائج من تسع تكوينات متعددة أن نحو 4.9% من الأنظمة قد أظهرت تباينًا غير مقبول في الأداء. على سبيل المثال، في حالة بعض المكتبات على GitHub، أظهرت أدوات تقليدية معدل بناء بنسبة 75%، بينما لم تحقق نماذج الذكاء الاصطناعي القائم على مقاربة جديدة سوى 90%، ولكنها فقدت توافقها السلوكي بمعدل 62%؛ مما يعني أن الفروق الكبيرة قد تهدد أمان التطبيقات المستخدمة.
في النهاية، يسلط هذا البحث الضوء على أهمية اعتماد تقنيات حديثة لفك الشيفرات في مجالات الأمن والبرمجيات، مما يدفعنا للتساؤل عن مستقبل أدوات السلامة السيبرانية وكيف ستتفاعل مع التحديات الجديدة.