في عصر البرمجيات المفتوحة المصدر، أصبحت الحزم الخبيثة في بايثون تمثل تهديداً كبيراً للنظم البيئية لسلاسل توريد البرمجيات. ومع تزايد اعتماد مخازن البرمجيات مثل PyPI، تصاعدت حدة المخاطر التي تشكلها هذه الحزم. ورغم تقدم تقنيات الكشف القائمة على التعلم، إلا أن معظمها تعاني من صعوبة في تصوير التنظيم الهرمي والتفاعلات المختلفة بين الكيانات البرمجية.

وفي هذا السياق، قامت دراسة جديدة بنشر نموذج مبتكر يستخدم نماذج اللغات الضخمة (Large Language Models - LLMs) في إطار عمل شجري هجين للتعلم من الرسوم البيانية، مما يساهم في الكشف عن الحزم الضارة بشكل أكثر فعالية. يعتمد هذا الإطار على بناء رسم بياني شجري يصف بشكل دقيق الكيانات البرمجية المختلفة وأنواع الاعتماد الهيكلية.

عبر استخدام LLMs، يتمكن النموذج من استنتاج الأدوار الدلالية على مستوى الدوال، مما يضيف طبقة إضافية من التنوع الدلالي. يقدم هذا النموذج شبكة عصبية ذات الرسوم البيانية الهيكلية والهجينة، حيث تتم معالجة الرسائل بشكل واعٍ حسب نوع العقد والفئات، مما يسهم في نمذجة دقة سلوكيات الحزم الضارة.

كما يتضمن الإطار آلية لتحديد نسبة الفاعلية على مستوى الدالة، مما يساعد في التعرف تلقائياً على الوظائف المشبوهة وتحديد سلوكيات ضارة دقيقة دون الحاجة لتدخل الخبراء. أظهرت التجارب التي أجريت على مجموعات بيانات حقيقية أن هذا النموذج يتفوق باستمرار على أساليب التعلم الآلي التقليدية وكاشفات الرسوم البيانية، فضلاً عن تقديمه توضيحات دقيقة وقابلة للتفسير لسلوكيات البرمجيات الضارة.

في نهاية المطاف، يمثل هذا البحث خطوة مهمة نحو تحسين الأمان السيبراني للبرمجيات، حيث يجمع بين قوة التعلم العميق ونماذج اللغات الضخمة للتصدي للتحديات المتزايدة في عالم البرمجة.