في عالم البرمجة، يمثل اكتشاف الثغرات الأمنية في المكتبات البرمجية مهمة غاية في الأهمية، حيث يمكن أن تؤثر ثغرة واحدة فقط في مكتبة مستخدمة على ملايين التطبيقات المرتبطة بها. ورغم ذلك، فإن أكثر من نصف بيانات الثغرات تحتوي على معلومات ناقصة أو غير صحيحة حول المكتبات المتأثرة.

في هذا السياق، تقدم أداة Athena، وهي الأداة الأولى التي تعتمد على الرسوم البيانية، حلاً مبتكرًا لتحسين عملية تحديد المكتبات المتأثرة بالثغرات. يتمثل المفهوم الأساسي لهذه الأداة في تحويل قواعد بيانات الثغرات إلى رسم بياني للمعرفة (Knowledge Graph)، حيث تُعيد صياغة مشكلة التعرف على الثغرات على أنها مشكلة استكمال الرسم البياني للمعرفة (Knowledge Graph Completion - KGC).

تتكون Athena من ثلاثة وحدات رئيسية:
1. **وحدة النمذجة (Modeling Module)**: التي تقوم بإنشاء رسم بياني للمعرفة الأمنية، يجمع بين النقاط الضعيفة (CVEs) والمكتبات وأنواع الضعف (CWE) ومنتجات CPE وبيئات البرمجيات.
2. **وحدة الاستكمال (Completion Module)**: والتي تستخدم هيكل KGC للتنبؤ بالمكتبات المفقودة المتأثرة برابط ضعيف معين عبر تقنية التنبؤ بالروابط.
3. **وحدة إعادة التصنيف (Re-ranking Module)**: تقوم باسترجاع المرشحين من KGC وإعادة ترتيبهم باستخدام نموذج لغوي كبير معدّل يعتمد على تمثيلات الرسم البياني للمعرفة، مما يعزز استخدام المعلومات الهيكلية والنصية معًا.

أثبتت التجارب على مجموعة بيانات VulLib أن Athena تتفوق بشكل ملحوظ على أربع أدوات رائدة أخرى، حيث حققت تحسينًا بمعدل 32% في معدل F1 مقارنةً بأفضل نموذج أساسي سابق (VulLibGen). والأهم من ذلك، أن هيكل KGC الخاص بنا والذي يحتوي على 110 مليون معلمة يتجاوز بالفعل تكوين VulLibGen الأفضل الذي يحتوي على 7 مليار معلمة، مما يدل على فعالية نمذجة الرسوم البيانية.

مع تزايد أهمية الأمن السيبراني، تُعتبر أداة Athena خطوة محورية لتمكين المطورين من تحديد المكتبات المتأثرة بالثغرات بشكل أسرع وأكثر دقة. هل تعتقد أن هذه الأداة ستكون بديلاً فعالًا للحلول الحالية؟ شاركونا آرائكم في التعليقات!