في عالم الذكاء الاصطناعي المتسارع، تدور النقاشات حول أمان الشيفرات وكيفية حمايتها من الهجمات. تظهر دراسات جديدة لتقييم بيئات الرموز (AI Sandboxes) حيث يستعرض الباحثون ستة قياسات أمنية رئيسية تشمل:

1. **سطح الهجوم (Attack Surface)** الخاص بالاستضافة.
2. **تسرب المعلومات (Information Leakage)**.
3. **قابلية الدفاع متعددة الطبقات (Defense-in-Depth Stackability)**.
4. **تاريخ الثغرات العامة (Public CVE History)**.
5. **وتيرة تصحيح الثغرات (Patch Cadence)**.
6. **السلوكيات المتعلقة بالتشويش (Fuzzing Posture)**.

من خلال تحليل هذه العوامل، تحدد الدراسة كيفية عزل الشيفرات الضيفية عن نواة النظام في خمس منتجات مختلفة. وقد أظهرت النتائج الأولية ما يلي:

- تصنف أنواع المحركات (Engine Classes) مثل **microVM و Kernel المستخدم و OCI Containers** بشكل واضح على جميع المحاور المعمارية، ومع ذلك، لا تتشابه المنتجات داخل نفس الفئة.
- سياسة تثبيت المنتجات (Product Pin Policy) تعد عاملاً رئيسياً بالنسبة للمشغلين، حيث يتراوح تأخير التصحيح من 0 يوم إلى حدود غير معروفة تمتد حتى 471 يومًا.
- ويشير توزيع استثمارات التشويش (Fuzzing Investment) إلى ثلاث فئات، حيث يتبين أن أفضل تركيبة، وهي **microVM مع فاحص عام مستمر (Continuous Public Fuzzer)**، لا توجد في هذه المجموعة، مما يترك فجوة تمثل منطقة عدم قياس واضحة.

تقدم هذه النتائج تصنيفات مفصلة لكل محور، وتوصيفات لكل منتج، ومصفوفة لمؤهلات نماذج التهديدات، دون تقديم ترتيب شامل للاستنتاجات. يمكن الاطلاع على المستودع المصاحب للدراسة بما في ذلك الكود من هنا تحت رخصة CC BY 4.0.

ما رأيكم في هذه الدراسة؟ هل ترون أن بيئات الذكاء الاصطناعي كافية للحماية من التهديدات الأمنية؟ شاركونا آرائكم في التعليقات!