استكشاف نماذج اللغة المفتوحة لتعزيز أمان المركبات المستقلة: هل يمكن للذكاء الاصطناعي أن يحمي المستقبل؟

تعتبر المركبات المستقلة (Connected and Autonomous Vehicles - CAVs) من أكثر التقنيات تقدمًا في عالم السيارات، حيث تعتمد بشكل كبير على مجموعة معقدة من البرمجيات والأجهزة، بما في ذلك الحساسات ووحدات التحكم الإلكترونية. ومع ذلك، فإن هذه التقنيات ليست خالية من المخاطر؛ إذ قد تتعرض للثغرات الأمنية التي تهدد المستخدمين وعمليات السيارة. في هذا السياق، برزت الحاجة إلى المعلومات المهيكلة حول هذه الثغرات وأنواع الهشاشة وسلوكيات الهجوم لتحسين استراتيجيات الأمان.

اجتمع باحثون لإجراء تقييم شامل لنماذج اللغة المفتوحة (Large Language Models - LLMs) في إنتاج معلومات التهديد المنظم، باعتماد نمط معروف يُسمى "Structured Threat Information Expression (STIX)". ويهدف هذا النمط إلى تمثيل المعلومات المرتبطة بالتهديدات بطريقة سهلة الفهم والتحليل. وقام الباحثون بتطوير مجموعة بيانات جديدة تُسمى "CAV-STIXGen"، التي تربط أوصاف الثغرات في المركبات المستقلة بالعناصر الخاصة بنموذج STIX مثل الأشياء (SDO) والأشياء المرتبطة (SRO) وتقنيات MITRE ATT&CK.

من خلال هذه المجموعة، تمت دراسة 11 نموذجًا مفتوح الوزن، حيث حققت نماذج معينة نتائج مثيرة للاهتمام؛ فحصلت على درجات F1 تصل إلى 0.94 في تصنيف الأشياء، و0.63 في أنواع الهشاشة، و0.99 في الربط مع CWE. بينما لا تزال عمليات الربط مع MITRE ATT&CK تمثل تحديًا. وفي إعداد متعدد الوكلاء، سجلت نماذج مثل Gemma-4-31B وCodestral-22B درجات F1 تصل إلى 0.91 و0.43 على التوالي.

أخيرًا، قام الباحثون بتحليل تكرار التقنيات من CWE وMITRE ATT&CK لتحديد أنماط التهديد المتكررة في نطاق CAV، مما يظهر القدرة المثيرة للذكاء الاصطناعي في أتمتة تحويل الهشاشة إلى STIX، وبالتالي تعزيز أمان وسائل النقل. في ختام هذا البحث، يبقى السؤال: كيف يمكن لمثل هذه التطورات أن تعيد تشكيل مستقبل النقل المستقل؟