التنبؤ بشدة الضعف الأمني باستخدام التعلم السياقي: دراسة حالة صناعية مثيرة

في عصر تتزايد فيه قضايا الأمان في البرمجيات، يبرز السؤال الأكثر إلحاحًا: كيف يمكن تقدير شدة الضعف الأمني بفعالية وسرعة؟ تعتبر هذه المسألة واحدة من التحديات الكبرى التي تواجه محللي الأمان، حيث يتم عادةً الاعتماد على درجات نظام تقييم شدة الضعف (CVSS) مما يتطلب عملاً يدويًا، وهو ما لا يستطيع مواكبة العدد المتزايد من الثغرات المعلنة.

تقدم ورقة بحثية جديدة دراسة حالة صناعية مبتكرة تبرز كيفية استخدام تقنيات التعلم السياقي (In-Context Learning) باستخدام نماذج لغوية مفتوحة المصدر (Open-Source LLMs) لتقدير درجات CVSS مباشرةً من مقتطفات البرمجة الضعيفة بلغة C/C++. في هذه الدراسة، تم استعراض مقارنة بين بيانات خاصة ومجموعة بيانات Big-Vul التي تُظهر تحليلاً متناسقًا لدرجات CVSS، مما يجعل من Big-Vul مرجعًا موثوقًا عند بناء تجارب معتمدة على الأسئلة.

تمت عمليات التقييم عبر نماذج متعددة مثل CodeLlama2-7B وMistral-7B، حيث أظهرت النتائج أن النماذج متوسطة الحجم مثل CodeLlama2-7B يمكن أن تصل إلى أداء مماثل لأفضل النماذج السحابية في تقدير CVSS عند توجيهها باستخدام أسئلة بسيطة.

هذا التوجه يقدم لبنة عملية محافظًا على الخصوصية في سياقات صناعية، مما يسمح بتحسين إجراءات تقييم شدة الضعف دون التضحية بالبيانات الحساسة.

ما رأيكم في استخدام الذكاء الاصطناعي في تحسين أمان البرمجيات؟ شاركونا آرائكم في التعليقات!