RuleForge: Automated Generation and Validation for Web Vulnerability Detection at Scale
يُعد RuleForge نظاماً داخلياً في AWS يعمل على أتمتة توليد والتحقق من قواعد اكتشاف ثغرات الويب من قوالب Nuclei باستخدام نظام ثقة مبتكر يعتمد على "النموذج اللغوي الكبير كحَكَم" (LLM-as-a-judge) واستراتيجية تحسين تكرارية، مما يقلل بشكل كبير من الإيجابيات الكاذبة مع معالجة حجم عمليات الكشف عن الثغرات الأمنية (CVE) الحديثة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك رئيس الأمن لمدينة ضخمة (الإنترنت). في كل يوم، يتم اكتشاف آلاف من "خطط الاقتحام الجديدة" (الثغرات الأمنية) من قبل الأشرار. في الماضي، كان لديك فريق من المحققين البشر الذين يقرأون كل خطة، ويكتشفون كيفية رصدها، ثم يكتبون قاعدة محددة للإيقاع بالمجرم.
المشكلة هي أنه في عام 2025، كانت هناك 48,000 خطة اقتحام جديدة. كان فريق المحققين البشريين لديك لا يستطيع كتابة قواعد إلا لجزء ضئيل جداً منها. كانت المدينة تتعرض للارتباك والضغط الشديد.
هنا يأتي دور RuleForge.
RuleForge هو بمثابة مساعد آلي فائق الذكاء ولا يكل، صممته شركة أمازون ويب سيرفيسز (AWS) لمساعدة محققيك. بدلاً من أن يقوم البشر بكتابة كل قاعدة من الصفر، يقوم RuleForge تلقائياً بكتابة "ملصقات المطلوبين" (قواعد الكشف) لهذه الخطط الاقتحامية.
إليك كيف يعمل، باستخدام بعض التشبيهات البسيطة:
1. كتاب الوصفات (نماذج Nuclei)
عادةً ما يكتب باحثو الأمن "وصفات" لخطط الاقتحام هذه في تنسيق مهيكل يسمى نماذج Nuclei. فكر في هذه النماذج ككتيبات تعليمات معيارية تقول: "إذا حاول شخص سيء القيام بـ س، فهذه جريمة".
- مهمة RuleForge: يقرأ هذه الكتيبات ويكتب فوراً "ملصق المطلوب" المحدد (قاعدة JSON) الذي يمكن لكاميرات المراقبة في المدينة فهمه.
2. استراتيجية "5x5" (فن المحاولة مرة أخرى)
إذا طلبت من روبوت كتابة قاعدة لمرة واحدة، فقد يخطئ. لذا، يستخدم RuleForge استراتيجية تسمى 5x5.
- التشبيه: تخيل أنك توظف طباخاً لطهي طبق معين. بدلاً من أن تطلب من طباخ واحد أن يطبخه مرة واحدة، تطلب من خمسة طباخين مختلفين أن يطبخوا نفس الطبق في نفس الوقت.
- التحول: إذا لم تكن الدفعة الأولى من الأطباق مثالية، فأنت لا تتخلص منها فحسب، بل تقدم ملاحظات ("مالحة جداً"، "تحتاج المزيد من التوابل") وتطلب منهم المحاولة مرة أخرى، حتى خمس مرات.
- النتيجة: من بين كل تلك المحاولات، أنت تضمن تقريباً العثور على طبق واحد مثالي على الأقل. هذا يضمن أن النظام سيجد أفضل قاعدة ممكنة لكل ثغرة أمنية.
3. الروبوت "القاضي" (النموذج اللغوي الكبير كقاضٍ - LLM-as-a-Judge)
هذا هو الابتكار الأكبر في الورقة البحثية. كيف تعرف ما إذا كانت قاعدة الروبوت جيدة؟
- الطريقة القديمة: تقوم باختبار القاعدة باستخدام مجرمين وهميين وأشخاص طيبين وهميين. إذا أمسكت بالمجرمين وتجاهلت الطيبين، فإنها تنجح. لكن هذا يشبه إجراء اختبار بأسئلة سهلة؛ فهو لا يخبرك لماذا قد تفشل القاعدة في العالم الحقيقي.
- الطريقة الجديدة (القاضي): يستخدم RuleForge ذكاءً اصطناعياً ثانياً فائق الذكاء (الـ "قاضي") للنظر في القاعدة وطرح سؤالين حاسمين:
- "هل هناك احتمال أن تفوت هذه القاعدة مجرماً حقيقياً؟" (الحساسية - Sensitivity)
- "هل هناك احتمال أن تتهم هذه القاعدة شخصاً بريئاً ظلماً؟" (الخصوصية/الدقة - Specificity)
- التشبيه: فكر في الذكاء الاصطناعي الأول كـ طالب يؤدي اختباراً، والذكاء الاصطناعي الثاني كـ معلم صارم يصحح الاختبار. المعلم لا يكتفي بإعطاء "ناجح/راسب" فقط؛ بل يكتب تعليقاً يشرح لماذا كانت الإجابة ضعيفة.
- السحر: يقرأ "الطالب" الآلي تعليقات "المعلم"، ويتعلم منها، ثم يحاول كتابة قاعدة أفضل. هذه الحلقة تحدث تلقائياً، مما يجعل القواعد أكثر ذكاءً ودقة مع كل محاولة.
4. اختبار الضغط في العالم الحقيقي (التحقق من عنوان IP)
قبل أن تصبح القاعدة قيد التشغيل، يجب أن تنجو من اختبار ضغط هائل.
- التشبيه: تخيل أن لديك جهاز كشف معادن جديد في المطار. أنت لا تختبره فقط بسكين مزيفة؛ بل تمرره عبر 5 مليارات مسافر حقيقي (حركة مرور ويب حقيقية).
- الهدف: تريد أن يصدر الجهاز صوتاً فقط عندما يمر مجرم حقيقي. إذا أصدر صوتاً لأشخاص أبرياء (إنذارات كاذبة)، فسيتعين عليك إخراجه من الخدمة لأنه سيسبب الفوضى.
- النتيجة: يساعد روبوت "القاضي" في تصفية القواعد السيئة قبل وصولها إلى هذا الاختبار المكلف، مما يوفر الوقت والمال.
5. ماذا تعلموا؟ (الدروس المستفادة)
تشارك الورقة البحثية بعض الدروس المضحكة والمهمة حول استخدام الذكاء الاصطناعي في الأمن:
- الذكاء الاصطناعي مفرط الثقة: إذا سألت الذكاء الاصطناعي، "هل أنت متأكد أن هذه القاعدة مثالية؟" سيقول "نعم، أنا متأكد بنسبة 90%!" حتى لو كان مخطئاً. إنه مثل طالب واثق من نفسه ولكنه مخطئ.
- الحل: بدلاً من سؤال "هل هذا صحيح؟"، تعلم الفريق أن يسألوا الذكاء الاصطناعي: "ما الخطأ في هذا؟". من خلال إجبار الذكاء الاصطناعي على لعب دور الناقد الذي يبحث عن العيوب، يصبح أكثر دقة بكثير.
- اللمسة البشرية لا تزال مطلوبة: حتى مع كل هذا الأتمتة، لا يزال هناك خبير أمني بشري يجب أن يعطي "الضوء الأخضر" النهائي قبل أن تصبح القاعدة قيد التشغيل. يقوم الذكاء الاصطناعي بالعمل الشاق، لكن الإنسان هو من يتخذ القرار النهائي.
الخلاصة
RuleForge هو نظام يحول المهمة المستحيلة المتمثلة في كتابة 48,000 قاعدة أمنية يدوياً إلى عملية مؤتمتة يمكن إدارتها. من خلال استخدام استراتيجية توليد "5x5" و"قاضي" ذكاء اصطناعي ينتقد عمله الخاص، تمكنوا من:
- خفض الإنذارات الكاذبة بنسبة 67% (حتى لا يتم استهداف الأبرياء).
- زيادة الإنتاجية بنسبة 336% (القيام بعمل ثلاثة فرق بشرية).
- الحفاظ على سلامة المدينة ضد فيض من التهديدات الجديدة التي لا يستطيع البشر وحدهم التعامل معها.
إنه مثال مثالي لاستخدام الذكاء الاصطناعي ليس لاستبدال البشر، ولكن لمنحهم قدرات خارقة حتى يتمكنوا من التعامل مع عالم يتغير بسرعة تفوق قدرة أي شخص على المواكبة بمفرده.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.