💻 computer science

Towards the Development of an LLM-Based Methodology for Automated Security Profiling in Compliance with Ukrainian Cybersecurity Regulations

تقترح هذه الورقة منهجية تستفيد من التوليد المعزز بالاسترجاع (RAG) مع النماذج اللغوية الكبيرة لأتمتة إنشاء الملفات التعريفية الأمنية، مما يضمن المواءمة بين الضوابط التقنية واللوائح الأوكرانية للأمن السيبراني مع دمج المعايير الدولية مثل ISO/IEC 27001 وNIST.

المؤلفون الأصليون: Daniil Shafranskyi, Iryna Stopochkina, Mykola Ilin

نُشر 2026-04-09

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Daniil Shafranskyi, Iryna Stopochkina, Mykola Ilin

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 قبطان سفينة (نظام الكمبيوتر الخاص بشركتك). يتعين عليك التأكد من أن سفينتك آمنة من القراصنة، والعواصف، والتسريبات. ولكن هناك عقبة: عليك اتباع كتاب قواعد ضخم ومعقد كتبته الحكومة (قوانين الأمن السيبراني في أوكرانيا) ويتم تحديثه باستمرار.

في الماضي، كان استئجار فريق من الملاحين الخبراء لقراءة كل صفحة من كتاب القواعد هذا، وتحديد القواعد التي تنطبق على سفينتك المحددة وكتابة خطة سلامة، يستغرق أسابيع، ويكلف ثروة، ويكون عرضة للخطأ البشري.

تقترح هذه الورقة البحثية مساعداً ذكياً مدعوماً بالذكاء الاصطناعي للقيام بالعمل الشاق نيابة عنك. إليك تفصيل فكرتهم بكلمات بسية:

1. المشكلة: "كتاب القواعد" كبير جداً

قامت أوكرانيا بتحديث قوانين الأمن السيبراني الخاصة بها لتكون أكثر حداثة وقائمة على المخاطر. بدلاً من نهج "مقاس واحد يناسب الجميع"، يقولون الآن: "إذا كنت تتعامل مع بيانات حساسة، فأنت بحاجة إلى حماية من المستوى (أ). إذا كنت تتعامل مع بيانات عامة، فأنت بحاجة إلى المستوى (ب)."

ومع ذلك، فإن ترجمة هذه القوانين المعقدة إلى خطة سلامة محددة لنظامك الفريد يشبه محاولة صنع درع مخصص عبر قراءة قاموس لأنواع المعادن. إنه أمر بطيء، ومربك، ومن السهل الخطأ فيه.

2. الحل: "أمين المكتبة الذكي" (RAG + LLM)

قام المؤلفون ببناء نظام باستخدام النماذج اللغوية الكبيرة (LLMs) — وهي نفس التقنية التي تقف وراء روبوتات الدردشة مثلي — ولكن مع لمسة خاصة تسمى التوليد المعزز بالاسترجاع (RAG).

فكر في الذكاء الاصطناعي القياسي كطالب حفظ كتاباً مدرسياً منذ سنوات. إذا تمت إضافة صفحات جديدة إلى الكتاب اليوم، فلن يعرف الطالب عنها وقد يعطيك نصيحة قديمة.

نظام الـ RAG يشبه أمين مكتبة فائق الذكاء:

المكتبة: يقومون بتغذية الذكاء الاصطناعي بمكتبة رقمية تحتوي على جميع قوانين ولوائح وأفضل ممارسات الأمن السيبراني الحالية في أوكرانيا.
العملية: عندما تسأل الذكاء الاصطناعي: "كيف أحمي نظام السحابة الجديد الخاص بي؟"، لا يقوم أمين المكتبة بالتخمين. بل يقوم فوراً بـ البحث في المكتبة، ويجد الصفحات الدقيقة المتعلقة بأمن السحابة، ثم يكتب الإجابة بناءً على تلك الصفحات فقط.
الفائدة: هذا يمنع الذكاء الاصطناعي من "الهلوسة" (اختلاق أشياء من خياله) ويضمن أن كل نصيحة مدعومة بقانون محدد.

3. كيف يعمل: وصفة "ملف السلامة"

تصف الورقة البحثية وصفة خطوة بخطوة لإنشاء ملف أمني مستهدف (خطة السلامة المخصصة لك):

المدخلات (جواز سفر النظام): تخبر الذكاء الاصطناعي عن سفينتك (نظامك). ما هي البيانات التي تحملها؟ من يستخدمها؟ هل هي على السحابة؟
الأساس (مجموعة الأدوات الأولية): ينظر الذك de الذكاء الاصطناعي إلى وصفك ويختار "ملفاً أساسياً". هذا يشبه مجموعة سلامة قياسية لقارب بهذا الحجم.
التخصيص (التفصيل): يقارن الذكاء الاصطناون نظامك المحدد مقابل كتاب القواعد.
- مثال: يقول كتاب القواعد: "غيّر كلمات المرور كل 90 يوماً".
- مهمة الذكاء الاصطناعي: ينظر إلى نظامك ويقول: "انتظر، هذا النظام يتعامل مع أسرار عالية القيمة. القانون يقول إننا بحاجة لتغييرها كل 30 يوماً للأنظمة عالية المخاطر".
المخرجات: يقوم بإنشاء مسودة خطة سلامة مع تعليمات محددة، مستشهداً بالضبط بالقانون الذي يتطلب كل خطوة.

4. "الإنسان في الحلقة" (القرار النهائي للقبطان)

هذا هو الجزء الأهم. الذكاء الاصطناعي ليس هو المدير. إنه رسام مسودات.

الذكاء الاصطناعي يكتب المسودة الأولى لخطة السلامة.
خبير بشري (القبطان) يراجعها.
يقول الإنسان: "نعم، هذا يبدو جيداً"، أو "لا، غير هذا الجزء".
لماذا؟ لأن الذكاء الاصطناعي بارع في قراءة القواعد، لكنه لا يستطيع الفهم الكامل لثقافة شركة معينة أو المخاطر الخفية فيها. الإنسان هو من يتخذ القرار النهائي لضمان المساءلة.

5. التجربة: هل نجح الأمر؟

اختبر الباحثون هذا النظام باستخدام ثلاثة نماذج مختلفة من الذكاء الاصطناعي (مثل Claude وGemini وChatGPT) باستخدام سيناريو شركة وهمية.

النتيجة: كان الذكاء الاصطناعي جيداً بشكل مفاجئ. لقد أصاب في حوالي 75% إلى 80% من القرارات مقارنة بالخبراء البشريين.
السرعة: لقد أنجز في دقائق ما كان سيستغرق من فريق بشري أياماً.
العقبة: إذا أعطيت الذكاء الاصطناعي معلومات غامضة (مثل خريطة ضبابية لسفينتك)، فإنه يرتكب المزيد من الأخطاء. وهذا يثبت أنك لا تزال بحاجة لتقديم تفاصيل جيدة ليعمل الذكاء الاصطناعي بشكل جيد.

الصورة الكبيرة

هذه الورقة البحثية ليست مجرد كتابة أكواد برمجية؛ إنها تتعلق بالبقاء في عالم خطير. مع حدوث الهجمات السيبرانية بسرعة أكبر من أي وقت مضى، تحتاج الشركات إلى تكييف دفاعاتها فوراً.

هذه المنهجية تشبه منح كل شركة مستشاراً قانونياً وأمنياً شخصياً وفورياً يعرف القانون الأوكراني عن ظهر قلب، مما يضمن امتثالهم، وسلامتهم، وجاهزيتهم لما سيأتي لاحقاً، دون الحاجة لتوظيف فريق مكون من 50 محامياً وخبيراً أمنياً.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "نحو تطوير منهجية قائمة على النماذج اللغوية الكبيرة (LLM) للتوصيف الأمني المؤتمت بما يتوافق مع لوائح الأمن السيبراني الأوكرانية."

1. بيان المشكلة

تتناول الورقة الفجوة الحرجة بين إطار العمل التنظيمي للأمن السيبراني في أوكرانيا، المتطور والموجه نحو المخاطر، وبين العمليات اليدوية العملية المستخدمة لتنفيذه.

السياق: اعتمدت أوكرانيا وثائق معيارية جديدة (تحديداً ND TPI 3.6-006-24) تتماشى مع المعايير الدولية مثل NIST SP 800-53 و ISO/IEC 27001. تتطلب هذه اللوائح من المؤسسات اشتقاق ملف أمني مستهدف (TSP) من ملف أمني أساسي إلزامي بناءً على مخاطر وسياقات محددة للنظام.
التحدي: إن الانتقال من خط أساس عام إلى ملف أمني مستهدف خاص بالنظام هو عملية معقدة، وتستغرق وقتاً طويلاً، وعرضة للخطأ البشري. كما تتطلب خبرة عميقة في كل من السجل التنظيمي وبنية المعلومات الخاصة بالنظام.
الفجوة: لا يوجد حالياً سير عمل مؤتمت، أو قابل للتكرار، أو قابل للتفسير لمساعدة خبراء الأمن في تخصيص هذه الملفات. غالباً ما تفتقر حلول الذكاء الاصطناعي الحالية إلى التتبع التنظيمي أو تكون مكلفة جداً من حيث الموارد (الأنظمة متعددة الوكلاء) بحيث يصعب اعتمادها على نطاق واسع.

2. المنهجية المقترحة

يقترح المؤلفون منهجية مهيكلة تستخدم النماذج اللغوية الكبيرة (LLMs) المعززة بـ التوليد المعزز بالاسترجاع (RAG) لأتمتة اشتقاق الملفات الأمنية المستهدفة.

البنية الأساسية

يعمل النظام وفق مبدأ "الإنسان في الحلقة" (Human-in-the-Loop)، حيث يعمل الذكاء الاصطناعي كأداة لدعم القرار، بينما يحتفظ الخبير البشري بسلطة الاعتماد النهائي.

المدخلات: "جواز سفر نظام" مهيكل (يصف البنية، فئات البيانات، أدوار المستخدمين، والمخاطر) والمتن التنظيمي (ND TPI 3.6-006-24).
محرك RAG:
- استيعاب البيانات: يتم تنظيف الوثائق التنظيمية، وتقسيمها (باستخدام تقسيم دلالي محسن)، وتضمينها، وتخزينها في قاعدة بيانات متجهة (Vector Database).
- الاسترجاع: عند إجراء استعلام، يسترجع النظام الضوابط التنظيمية ذات الصلة وإرشادات التنفيذ الخاصة بسياق النظام.
معالجة LLM: يتلقى النموذج سياق النظام + الأجزاء التنظيمية المسترجعة لإنشاء قرارات مسودة لكل ضابط أمني.

سير العمل الرسمي

يتم نمذجة عملية الاشتقاق كدالة دعم قرار مقيدة: $P(S, Q, B, R) \rightarrow T$ :

صياغة النظام: تحويل جواز سفر النظام إلى نموذج مهيكل ( $S$ ) يغطي البنية، والبيانات، والنشر.
اختيار خط الأساس: اختيار الملف الأساسي ( $B$ ) المناسب تلقائياً بناءً على فئة تأثير النظام (منخفض، متوسط، مرتفع).
التحليل السياقي: لكل ضابط في خط الأساس، يحسب النظام:
- درجة الملاءمة ( $\rho$ ): مدى قابلية تطبيق الضابط على هذا النظام تحديداً؟
- تقييم الكفاية ( $\alpha$ ): هل معايير خط الأساس كافية، أم غير كافية، أم غير معروفة؟
منطق القرار: يخصص الـ LLM قراراً لكل ضابط من مجموعة: الإبقاء (Keep)، التحسين (Refine)، التعزيز (Enhance)، الإضافة (Add)، أو التعويض (Compensate).
- التحسين (Refine): تعديل المعايير (مثل تغيير "نهاية اليوم" إلى "8 ساعات").
- التعزيز (Enhance): إضافة تعزيزات محددة من NIST (مثل متطلبات المصادقة متعددة العوامل MFA).
- التعويض (Compensate): اقتراح ضوابط بديلة إذا كان الضابط الأصلي غير قابل للتنفيذ.
توليد المخرجات: إنشاء مسودة مهيكلة لملف (TSP) تحتوي على معايير محددة، والمسوغات، والمسؤولين المعينين، والآثار القابلة للتحقق.
مراجعة الخبير: يقوم خبير بشري بالتحقق من المسودة، وتصحيح أي هلوسات أو فجوات منطقية قبل الاعتماد النهائي.

3. المساهمات الرئيسية

منهجية خاصة بالتنظيمات: سير عمل رسمي لاشتقاق الملفات الأمنية المستهدفة بما يتوافق تحديداً مع معيار ND TPI 3.6-006-24 الأوكراني، مما يسد الفجوة بين القانون الوطني ومعايير NIST الدولية.
بنية LLM معززة بـ RAG: بنية نموذج واحد (لتجنب مخاطر سلاسل التوريد المعقدة للأنظمة متعددة الوكلاء) تستخدم RAG لضمان التتبع. كل قرار يتم توليده يستند إلى نص تنظيمي مسترجع، مما يقلل من الهلوسة.
إطار قرار مهيكل: تقديم منطق قرار محدد (الإبقاء/التحسين/التعزيز/التعويض) الذي يحول الضوابط العامة إلى قواعد قابلة للتدقيق وذات معايير محددة.
التحقق التجريبي: تقييم مقارن لثلاثة نماذج رائدة (Claude Sonnet 4.6، و Gemini 3.1 Pro، و ChatGPT Thinking 5.4) في سيناريو امتثال واقعي.

4. النتائج التجريبية

اختبر المؤلفون المنهجية باستخدام مواصفات أنظمة اصطناعية ولكنها واقعية مقابل النماذج الثلاثة.

مقاييس الأداء:
- Claude Sonnet 4.6 Extended: قدم أفضل أداء. قام بتوليد تقرير شامل مكون من 60 صفحة في أقل من 4 دقائق.
  - 75% من القرارات تطابقت مع تقدير الخبراء مباشرة.
  - 15% فقط من الضوابط تطلبت تعديلات طفيفة.
  - 10% معدل الهلوسة عندما كانت بيانات النظام غير مكتملة.
- ChatGPT Thinking 5.4: أنتج تقريراً مفصلاً في حوالي 18 دقيقة ولكنه كان أكثر تحفظاً، حيث كان يضع علامات على الضوابط لطلب التوضيح بشكل متكرر.
  - 65% معدل تطابق مع الخبراء.
  - 25% معدل الهلوسة عند نقص البيانات.
- Gemini 3.1 Pro: قدم تحليلاً مجزأً (مقاطع من 9 إلى 11 ضابطاً) بدلاً من تقرير متماسك.
  - 60% معدل تطابق.
  - 43% معدل الهلوسة عند فقدان البيانات (الأعلى بين الثلاثة).
النتائج الرئيسية:
- جودة المخرجات ترتبط ارتباطاً مباشراً باكتمال "جواز سفر النظام". البيانات غير المكتملة تؤدي إلى ارتفاع معدلات الهلوسة.
- نجحت المنهجية في أتمتة العبء التحليلي، مما يسمح للخبراء بالتركيز على التحقق بدلاً من الصياغة اليدوية.
- لا يزال نمذجة التعويض (التعامل مع الضوابط غير القابلة للتنفيذ) مجالاً معقداً يتطلب مزيداً من التطوير.

5. الأهمية والأثر

الكفاءة التشغيلية: تحول هذه المنهجية عملية الامتثال اليدوية التي تستغرق أسابيع إلى عملية تستغرق ساعات، مما يقلل بشكل كبير من الوقت اللازم للوصول إلى الامتثال للمؤسسات الأوكرانية.
القابلية للتوسع: تمكن الشركات الصغيرة والمتوسطة من تنفيذ ملفات أمنية معقدة قائمة على المخاطر دون الحاجة إلى فرق كبيرة من مسؤولي الامتثال المتخصصين.
المرونة: من خلال دمج التوصيف المؤتمت في دورة حياة النظام، يمكن للمؤسسات التكيف ديناميكياً مع التهديدات الهجينة عالية الكثافة واللوائح المتطورة.
الثقة والسلامة: يضمن تصميم "الإنسان في الحلقة" أنه بينما يتولى الذكاء الاصطناعي معالجة البيانات، تظل المسؤولية القانونية والمساءلة النهائية بيد الخبراء البشر، مما يخفف من مخاطر الأخطاء المدفوعة بالذكاء الاصطناعي في البنية التحتية الحيوية.

في الختام، تثبت الورقة أن النماذج اللغوية الكبيرة المعززة بتقنية RAG هي أداة فعالة ودقيقة ومجدية لأتمتة الامتثال للأمن السيبراني في البيئات التنظيمية المعقدة، بشرط أن تكون البيانات المدخلة صارمة وأن يتم الحفاظ على الإشراف البشري.