في عالم الأمن السيبراني، يعتبر نموذج مسارات الهجوم (AP) أمراً أساسياً لفهم كيفية استغلال الثغرات والتقدم في الهجمات. هنا يأتي دور لغة تحديد مجالات التخطيط (PDDL) التي تم اعتمادها على نطاق واسع لتشفير هذه المسارات في تمثيلات رسمية وقابلة للمعالجة الآلية. ومع ذلك، كانت الطرق الحالية لبناء نماذج AP تعتمد بشكل أساسي على الأساليب اليدوية المدفوعة بالخبراء، مما يحد من قدرتها على التوسع والتكيف مع التهديدات السيبرانية المتزايدة بسرعة.

لكن الآن، تتخطى الأشياء الحدود التقليدية بفضل **CVE2AP**، وهي طريقة تعتمد على النماذج اللغوية الضخمة (LLMs) لتوليد مسارات الهجوم موثقة بلغة PDDL بشكل تلقائي. تعتمد CVE2AP على تقنيات موجهة بشكل هيكلي بالإضافة إلى آلية تغذية راجعة للأخطاء، مما يسمح بتحسين المسارات المولدة بشكل تدريجي اعتماداً على الأخطاء التركيبية وقابلة للحل التي أبلغ عنها المخطط.

أجريت دراسة تجريبية شاملة على عدة نماذج لغوية كبيرة، حيث تم تقييم جودة التوليد عبر عدة أبعاد منها التركيب والقابلية للحل والدلالة، بالإضافة إلى استهلاك التوكين ووقت التوليد. وقد أظهرت النتائج أن CVE2AP تولد مسارات هجوم موثوقة للغاية، حيث حققت حتى 86.9% من دقة التركيب و78.6% من قابلية الحل و93.1% من دقة المعاني تحت تقييم LLMs كخبراء، حيث قدم نموذج **GPT-5.5** أعلى جودة مع أفضل تناسب بين التكلفة والجودة، بينما أسفرت آلية التغذية الراجعة عن المزيد من التحسينات المستمرة في الجودة.

ما رأيكم في هذا التطور الذي قد يشكل منعطفاً حاسماً في مواجهة التهديدات السيبرانية؟ شاركونا آراءكم في التعليقات!