في عصر تتصاعد فيه استخدامات النماذج اللغوية الكبيرة (Large Language Models)، نجد أن الحاجة لتقييم أمان البرمجيات التي تولدها هذه النماذج تأخذ طابعاً مختلفاً. يعتمد تحليل الشيفرات الساكنة كنموذج آمن للتقييم، لكنه يظهر محدودية في فحص سلوكيات اختراق البرمجيات خلال وقت التشغيل.

يدعو البحث الجديد المُعنوَن بـ 'فجوة التحليل الساكن والفشل الديناميكي' (Static-Pass Dynamic-Fail) إلى إعادة التفكير في كيف نقيم الأمان في البرمجيات المعقدة، حيث تم تجربة 1355 عينة من شيفرات بايثون، وما أثبتته التجارب كان مدهشًا؛ منها 654 عينة لم تُظهر نتائج سلبية تحت بوابات التحليل، بينما كشفت مراحل أخرى عن 394 ثغرة محتملة.

التأكد الديناميكي من هذه الثغرات أظهر بدوره القابلية للاختراق في 95 ملفًا، مما يشير إلى أن نسبة 14.53% من العينات التي بدت نظيفة سطحيًا تمتلك ثغرات يمكن استغلالها. ورغم إدلال هذه النتائج على أهمية الطبقات المختلفة من ضمان الأمان البرمجي، إلا أن العديد من الثغرات الشهيرة لم يتم التعرف عليها من خلال التحليل الساكن.

هذه النتائج تعيد صياغة كيفية مناورة الذكاء الاصطناعي في تقييم الأكواد البرمجية الحساسة للأمان، وكيف يمكن تعزيز قدرتنا على اكتشاف التهديدات المحتملة في المستقبل.