3678 ورقة بحثية
تقيم هذه الورقة هجوم التنميط الأسلوبي العدائي "TraceTarnish" من خلال تحديد السمات اللغوية الرئيسية — وتحديداً ترددات الكلمات الوظيفية والكلمات المحتوية ونسبة النوع إلى الرمز — التي تعمل كدلالات على الاختراق للكشف عن تعمية التأليف، وكعناصر أساسية لتعزيز فعالية الهجوم.
تقترح الورقة البحثية إطار عمل TaCCS-DFA، وهو إطار عمل مبتكر يعالج أوجه القصور في الدمج متعدد الوسائط الساذج في اكتشاف الثغرات الأمنية باستخدام معلومات فيشر لتوجيه استراتيجية دمج تكيفية مشروطة بالمهمة تدمج الإشارات المتكاملة بشكل انتقائي، مما يحقق مكاسب كبيرة في الأداء مع حد أدنى من زمن التأخير الإضافي.
من خلال دراسة نوعية شملت 43 خبيراً في مجال الثقة والأمان، تكشف هذه الورقة أن الذكاء الاصطناعي التوليدي يخفض في الوقت ذاته الحواجز أمام المهاجمين لإنشاء محتوى ضار على نطاق واسع، بينما يوفر للمدافعين أدوات قوية للكشف والتحقيق والتخفيف، مما يقدم في نهاية المطاف إطاراً استراتيجياً للتنقل عبر هذا التأثير ذي الحدين على السلامة عبر الإنترنت.
تقدم هذه الورقة هجمات تنافسية وتقنيات إخفاء معلومات مطورة، وتحديداً وتضمين الحروف ذات العرض الصفري، لتعمية البصمات الأسلوبية للمؤلف بفعالية وحماية الخصوصية ضد التحليل الأسلوبي الخبيث.
تكشف هذه الورقة أن مجموعات بيانات سلامة الذكاء الاصطناعي المستخدمة على نطاق واسع معيبة لأنها تعتمد على "إشارات تحفيزية" صريحة بدلاً من السلوك العدائي الواقعي، مما يثبت أنه عند إزالة هذه الإشارات عبر تقنية تسمى "غسيل النوايا"، تفشل حتى النماذج رفيعة المستوى في منع المخرجات الضارة.
تقدم هذه الورقة البحثية CRED-1، وهي مجموعة بيانات مفتوحة المصدر وقابلة لإعادة الإنتاج تضم 2,672 نطاقاً مُعززة بدرجات مصداقية متعددة الإشارات، صُممت لتمكين التوعية الاستباقية (pre-bunking) للحفاظ على الخصوصية من جانب العميل ضد المعلومات المضللة عبر الإنترنت من خلال إضافات المتصفح على الأجهزة.
تحدد هذه الورقة وتُحدد كمياً ظاهرة "تباعد الأمان والاستدعاء" (Security-Recall Divergence)، وهي ظاهرة تفشل فيها وكلاء النماذج اللغوية الكبيرة بشكل متزايد في الالتزام بالقيود الأمنية القائمة على الحظر (السهو/الإغفال) مع زيادة طول المحادثة، بينما تحافظ في الوقت ذاته على الالتزام الصارم بالقيود القائمة على المتطلبات (الامتثال/التنفيذ)، وهو نمط فشل يظل غير مرئي للمراقبة القياسية ولكن يمكن التخفيف من حدته عن طريق إعادة حقن القيود قبل الوصول إلى "عمق الدور الآمن" الخاص بالنموذج.
تقدم هذه الورقة SDNGuardStack، وهو إطار عمل للتعلم التجميعي القابل للتفسير تم تدريبه على مجموعة بيانات InSDN، والذي يحقق دقة بنسبة 99.98% في اكتشاف اختراقات الشبكات المعرفة برمجياً (SDN) مع استخدام تقنية SHAP لتوفير رؤى شفافة وقابلة للتنفيذ لمحللي الأمن.
تقترح هذه الورقة تقنيات معالجة لاحقة، وتحديداً الاختيار العشوائي والتركيب الخطي، لتوليد نماذج تستوفي متطلبات الخصوصية التفاضلية التعسفية من مجموعة من النماذج المدربة مسبقاً دون تدريب إضافي، مع إثبات تفوق التركيب الخطي نظرياً والتحقق من صحة النهج عبر مجموعات بيانات متنوعة.
تقدم هذه الورقة البحثية "هجوم اختطاف الوظائف" (FHA) المبتكر الذي يتلاعب بقوة بالنماذج الذكية للذكاء الاصطناعي الوكيل لدفعها نحو تنفيذ وظائف يختارها المهاجم بغض النظر عن دلالات السياق، محققاً معدلات نجاح عالية عبر نماذج متنوعة ومبرهناً على الحاجة الماسة لتعزيز الضوابط الأمنية في أنظمة استدعاء الوظائف.