في عالم الذكاء الاصطناعي والبرمجة، نجد أن الأمان يعد من أولويات المطورين، خصوصًا عند التعامل مع البيانات الحساسة. مؤخرًا، تم تقديم مشروع مبتكر يسمى MPC-Patch-Bench، والذي يهدف إلى تقديم معايير تقييم على مستوى المستودعات لإصلاح البرمجيات الخاصة بالحسابات متعددة الأطراف (MPC). على الرغم من أن النماذج العامة تفشل في بعض النقاط الأساسية عند نقلها إلى هذا المجال، فإن MPC-Patch-Bench يمثل خطوة متقدمة.

ما هي التحديات التي يواجهها إصلاح برمجيات MPC اليوم؟ أولاً، تهيمن البنية التحتية العامة بلغة بايثون على مستودعات MPC، وليس المنطق التشفيري، مما يجعل نقل معايير تقييم عامة غير فعال. ثانياً، الإصلاحات ذات القيمة العالية عادة ما تفتقر إلى الاختبارات الموحدة، وهو ما يجعل أنظمة استخراج البيانات الحالية عاجزة. وأخيرًا، التقييم التقليدي الذي يعتمد على النجاح والفشل لا يكفي، حيث يجب أن تكون الأكواد آمنة تشفيرياً أيضًا.

تمثل الحسابات متعددة الأطراف (MPC) حلاً متناميًا في مجالات مثل التعلم الآلي السري والتعاون في علوم الحياة وتحليلات البيانات الآمنة. لذا، تأتي MPC-Patch-Bench كحل مبتكر.

تتكون MPC-Patch-Bench من إطارين أساسيين:
1. إطار تنسيق البيانات: الذي يقوم بترشيح الطلبات الخام من خلال ثلاث طبقات تشفيرية، بالاعتماد على محرك إكمال مدعوم بالذكاء الاصطناعي ليحسن صياغة بيانات المشكلة واختبارات النجاح والفشل.
2. المُحقق الخاص بـ MPC: حيث يقدم فحوصات أمان دقيقة وموثوقية عددية تتضمن اختبار ديناميكي مقابل قواعد تحليل ثابتة تتعلق بمقياس MPC.

النتيجة المثيرة للاهتمام هي أن أفضل النماذج evaluated في MPC-Patch-Bench لم تتجاوز فقط 22.9% من المهام، وبتطبيق المُحقق، تراجعت النسبة إلى 17.1%. حيث يصل حتى إلى 40% من التصحيحات الناجحة عملياً إلى الرفض بسبب انتهاكات التشفير أو النزاهة العددية.

في عالم اليوم، يعد الأمان أمرًا محوريًا لأي تطوير برمجي. إن MPC-Patch-Bench يمثل إنجازًا كبيرًا نحو تعزيز الأمان في العمليات البرمجية الحساسة.