في عالم الأمن السيبراني، تعتبر القدرة على تحليل كميات ضخمة من البيانات بسرعة ودقة أمراً حيوياً. ومع تزايد حجم البيانات، يواجه المحللون في مراكز عمليات الأمن (Security Operations Centers) تحديات في استخدام لغة استعلام كوسط (Kusto Query Language - KQL) بسبب الحاجة إلى خبرة متخصصة. ولكن ماذا لو كان بإمكان نماذج اللغة الصغيرة (Small Language Models - SLMs) تقديم حلاً فعالاً لتسهيل هذه العملية؟

تتعمق الدراسة الأخيرة في قدرة نماذج اللغة الصغيرة على تحويل استعلامات اللغة الطبيعية (Natural Language Queries - NLQs) إلى استعلامات KQL بدقة وفعالية التكاليف. من خلال إطار عمل مبتكر يعتمد على ثلاثة محاور، يُمكن تحسين الكفاءة بشكل كبير.

الأول هو التكييف مع NL2KQL، باستخدام استرجاع خفيف وتعزيز الاستعلام بوعي الأخطاء، مما يستهدف الفشل الشائع لمحللات KQL. وهذا يتم عبر تقليل عدد الرموز المطلوبة مقارنة بالنموذج التقليدي، مما يؤدي إلى تحسن كبير في الأداء.

أثناء المرحلة الثانية، تم تطبيق تحسين LoRA مع تدرّج فكري لضمان منح كل زوج من NLQ وKQL تفاصيل منطقية موجزة لنقل استدلال المعلم. رغم أن النتائج أظهرت أن لا أي من المتغيرات تفوقت على التوجيه المستهدف، إلا أنها أكدت على أهمية تحسين التفكير في النموذج.

المعمارية الثنائية المقترحة والتي تجمع بين كاتب SLM وقاضي LLM منخفض التكلفة تعد أيضاً ابتكاراً مثيراً. أظهرت النتائج التي تم الحصول عليها من تسعة نماذج (خمسة SLMs وأربعة LLMs) على دقة القواعد النحوية والدقة الدلالية، بالإضافة إلى كفاءة الوقت وتكلفة الرموز، تفوق هذا النموذج الجديد على جميع المعايير المستخدمة.

على مجموعة بيانات NL2KQL Defender التابعة لمايكروسوفت، حققت هذه النموذج دقة 0.987 في القواعد النحوية و0.906 في الدقة الدلالية، مما يبرز مجموعة أدوات ممتازة للفرق الأمنية.

هل تعتقد أن نماذج اللغة الصغيرة ستحدث ثورة في مجال الأمن السيبراني؟ تابعونا لمزيد من النقاش حول هذا التطور المثير!