في عالم الحوسبة السحابية الحديثة، يُعتبر Kubernetes العمود الفقري لإدارة أحمال العمل المعبأة في حاويات. لكن مع تزايد الاعتماد على هذه التكنولوجيا، تبرز الحاجة الملحة لتحسين أمان التطبيقات التي تعمل بها. تقدم الأبحاث الأخيرة أدلة على أن نماذج اللغة الكبيرة (Large Language Models) يمكنها أتمتة عملية معالجة الأمان في تجمعات Kubernetes، حيث تُنتج تصحيحات تكوين بناءً على مخرجات إدارة سلامة الأمن في Kubernetes (KSPM) دون الحاجة إلى تدخل بشري.

ومع ذلك، تعتمد هذه الأنظمة على تقديم كل اكتشاف في عزلة عن الرسم البياني لخدمة المكالمات الحية، مما يُظهر افتراضًا غير دقيق بأن المعرفة العامة لتقنيات التقوية كافية. هذا الافتراض يمكن أن يكون ضارًا عندما يتطلب التصحيح الحفاظ على اعتمادية خدمة وقت التشغيل التي لا يمكن للنموذج رؤيتها. نتيجةً لذلك، قد تؤدي التحديثات المتوافقة إلى تأثير مدمر مكانية، مما يعطل المتصلين في النزول أو يُقطع الاتصالات عبر التجمع.

في هذه الدراسة، تم تقديم KuTIE (محرك الذكاء الطوبولوجي لـ Kubernetes) الذي يبني سياق تجمع حي من حواف المكالمات في Istio، ومخرجات KSPM من Trivy، والقيود على حساب الخدمة التي تقرأها أعباء العمل. وقد أُقيم هذا النظام على VulnCare، وهو تجمع صحي مصمم يحتوي على 36 نشرًا، بأربعة أسماء مساحات، مع 31 اكتشافًا قابلًا للإدخال عبر سبع فئات اعتمادية، تم تمييز كل منها حسب الاعتمادية الطوبولوجية على الحقيقة الأرضية للتجمع.

والمثير للاهتمام، أظهرت النتائج أن استخدام سياق الطوبولوجيا يحسن دقة التصحيح المعتمدة على الطوبولوجيا من 11.1% إلى 78.0%، وهو فارق يُظهر فعالية كبيرة عبر جميع النماذج ولست فئات من سبع. يُظهر هذا البحث أن توفير الرسم البياني لخدمة المكالمات المباشرة والقيود على حساب الخدمة المحيطة يحسن من معالجة الاكتشافات المعتمدة على الطوبولوجيا بشكل يتجاوز ما تقدمه فقط أدوات المسح.

إن مثل هذه الابتكارات تشير إلى مستقبل أكثر أمانًا ومرونة لتقنيات Kubernetes ويجب علينا جميعًا متابعة تطوراتها.