تُعَد أنظمة مراجعة الشيفرات الأمنية الآلية (Automated Code Review - ACR) المدعومة بنماذج اللغة الكبيرة (Large Language Models - LLMs) أحد التطورات التقنية الرائدة في مجال تطوير البرمجيات. ومع تزايد اعتماد المطورين على هذه التكنولوجيا، تنشأ تساؤلات حول كيفية تأثر عملية الكشف عن الثغرات الأمنية بعوامل نفسية مثل تأثير الإطار.

**تأثير الإطار: ماذا يعني ذلك؟** تأثير الإطار هو مظهر من مظاهر الإدراك النفسي، حيث يمكن أن يؤدي عرض المعلومات بطرق معينة إلى تغيير القرارات والأحكام. في هذا السياق، درس بحث جديد كيف يمكن لمهاجمين استغلال هذا التحيز من خلال صياغة بيانات السحب (PR metadata) لتوجيه الأحكام الأمنية في مراجعات الشيفرات نحو مصلحتهم، مما يجعلها سلاحاً محتملاً في هجمات سلاسل الإمداد.

قامت الدراسة بتحليل تأثير الإطار عبر ستة نماذج كبيرة تحت خمسة ظروف مختلفة، وأسفرت عن استنتاج أن تأثير الإطار هو ظاهرة منتشرة تؤثر بشكل كبير في اكتشاف الثغرات.

**استراتيجيات الهجوم واكتشاف الثغرات**
من خلال إجراء تجارب على 17 ثغرة شائعة (CVE) في 10 مشاريع حقيقية، تم استخدام استراتيجيتين للهجوم. بينما كان الهجوم القائم على القوالب غير فعال وقد يؤدي إلى ردود فعل عكسية، فإن الهجوم التدريجي المدعوم بالنماذج الكبيرة حقق نجاحاً بنسبة 100%. وهذا يعود إلى عدم التماثل الأساسي، حيث يمكن للمهاجمين تحسين هجماتهم تدريجياً بينما يمتلك المدافعون فرصة واحدة فقط لاكتشافها.

**الدروس المستخلصة**
تؤكد نتائج هذه الدراسة على أهمية عدم الاعتماد الكامل على أنظمة المراجعة الآلية، حيث ينبغي أن يلعب الإشراف البشري والثقة في المساهمين دورًا محوريًا في عملية تطوير البرمجيات. لذا من الهام أن يكون هناك دور أكبر للبشر في التأكد من سلامة وأمان البرمجيات المنجزة آلياً.

كيف يمكن أن تعزز هذه النتائج الوعي حول المخاطر المحتملة في استخدام الذكاء الاصطناعي لمراجعة الكود؟ شاركونا آراءكم في التعليقات.