💻 computer science

Towards Automated Pentesting with Large Language Models

تقدم هذه الورقة RedShell، وهو إطار عمل يحافظ على الخصوصية وفعال من حيث الأجهزة، والذي يستفيد من النماذج اللغوية الكبيرة المضبوطة بدقة لأتمتة توليد كود PowerShell هجومي صالح ومتوافق دلالياً لأغراض اختبار الاختراق الأخلاقي على أنظمة Microsoft Windows.

المؤلفون الأصليون: Ricardo Bessa, Rui Claro, João Trindade, João Lourenço

نُشر 2026-04-15

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ricardo Bessa, Rui Claro, João Trindade, João Lourenço

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 حارس أمن لقلعة ضخمة وعالية التقنية (شبكة كمبيوتر). مهمتك هي العثور على نقاط الضعف في الجدران قبل أن يجدها الأشرار. تسمى هذه الوظيفة اختبار الاختراق (أو "Penetration Testing").

عادةً، وللعثور على نقاط الضعف هذه، يتعين عليك كتابة "مفاتيح" (أكواد) معقدة وخطيرة يمكنها فتح أقفال محددة. كتابة هذه المفاتيح يدويًا أمر بطيء وصعب ويتطلب سنوات من التدريب.

الآن، تخيل أن شخصًا ما اخترع مساعدًا آليًا فائق الذكاء (نموذج لغوي كبير أو LLM) يمكنه كتابة هذه المفاتيح من أجلك. لكن هناك شرط: معظم هذه الروبوتات هي "مواطنة صالحة"، لديها قواعد صارمة تقول: "لا يمكنني كتابة مفتاح يفتح بابًا لخزنة بنك، حتى لو طلبت مني ذلك بلطف".

تقدم هذه الورقة البحثية RedShell، وهو روبوت خاص ومصمم خصيصًا لمساعدة حراس الأمن (المخترقين الأخلاقيين) على أداء وظائفهم بشكل أسرع وأفضل، دون كسر القواعد.

إليك قصة RedShell، مقسمة ببساطة:

1. المشكلة: الروبوتات "الصالحة" لن تساعد

لاحظ المؤلفون أنه بينما تعد الروبوتات "الصالحة" (مثل ChatGPT) رائعة في كتابة القصص أو رسائل البريد الإلكتروني، إلا أنها ترفض كتابة الأكواد الخطيرة المحددة اللازمة لاختبار الأمن. وفي الوقت نفسه، يستخدم الأشرار روبوتات "مظلمة" (مثل WolfGPT) لكتابة أكواد خبيثة لمهاجمة الناس.

احتاج خبراء الأمن إلى روبوت يمكنه كتابة هذه الأكواد "السيئة" عن قصد، ولكن داخل مختبر آمن ومسيطر عليه فقط لاختبار الدفاعات.

2. الحل: بناء RedShell

قام الفريق ببناء RedShell. فكر في RedShell ليس كروبوت جديد من الصفر، بل كـ معسكر تدريب متخصص لروبوت ذكي موجود بالفعل.

الطالب: اختاروا روبوتًا مفتوح المصدر وذكيًا جدًا (يُدعى Qwen2.5-Coder) يعرف بالفعل كيفية التحدث بلغات برمجة عديدة.
الكتاب المدرسي: أنشأوا كتابًا مدرسيًا خاصًا. احتوى على آلاف الأمثلة من أكواد PowerShell "السيئة" (وهي لغة تستخدمها أجهزة كمبيوتر ويندوز) مقترنة بتعليمات بسيطة مثل: "اكتب كودًا للتحقق من المستخدمين المسجلين حاليًا".
التدريب: بدلاً من تعليم الروبوت من البداية (وهو أمر يتطلب أجهزة كمبيوتر عملاقة وفواتير كهرباء ضخمة)، استخدموا تقنية تسمى الضبط الدقيق (Fine-Tuning).
- تشبيه: تخيل طباخًا ماهرًا يعرف بالفعل كيفية طهي كل شيء. بدلًا من تعليمه كيفية الإمساك بالسكين، أنت فقط تعطيه كتاب وصفات محدد للأطباق "الحارة" وتقول له: "الآن، تدرب على صنع هذه الأطباق الحارة المحددة". سيتعلم الطباخ الأسلوب المحدد بسرعة كبيرة دون الحاجة إلى مطبخ جديد.

3. لماذا RedShell مميز؟

تسلط الورقة الضوء على ثلاث قدرات خارقة لـ RedShell:

الخصوصية (المختبر السري): معظم الروبوتات الكبيرة تعيش في السحابة (Cloud). إذا طلبت منها اختبار أمن شركتك، فسيتعين عليك إرسال بياناتك السرية إلى خوادمهم. RedShell يعمل محليًا (Locally) على جهاز الكمبيوتر الخاص بك. إنه يشبه القيام بتدريبك في مرآبك الخاص؛ لا أحد غيرك يرى ملاحظاتك أو نتائج اختباراتك.
الكفاءة (الصندوق خفيف الوزن): تحتاج الروبوتات الأخرى إلى مستودع مليء ببطاقات الرسوميات (Graphics Cards) باهظة الثمن لتتعلم. تم تدريب RedShell على بطاقة رسوميات واحدة عادية (مثل تلك الموجودة في أجهزة الكمبيوتر المخصصة للألعاب عالية الأداء). إنه يشبه تدريب عداء ماراثون في حديقة صغيرة بدلاً من ملعب ضخم.
شخصية "الرجل السيئ": تم تعليم الروبوت كيف يتصرف كـ "هكر". عندما تسأله: "كيف أتجاوز جدار الحماية هذا؟" فإنه لا يقول: "لا يمكنني فعل ذلك"، بل يقول: "إليك الكود لاختبار جدار الحماية هذا".

4. هل نجح الأمر؟ (نتائج الامتحان)

وضع الفريق RedShell في سلسلة من الاختبارات لمعرفة مدى جودته.

فحص القواعد (Syntax): تحققوا مما إذا كان الكود الذي كتبه منطقيًا بالفعل. النتيجة: في 90% من الحالات، كان الكود مثاليًا. لم يكن يحتوي على أخطاء مطبعية قد تؤدي إلى تعطل الكمبيوتر.
فحص المعنى (Semantics): قارنوا كود RedShell بالكود الذي يكتبه الخبراء البشر. النتيجة: كان كود RedShell مشابهًا جدًا لكود الخبراء البشر (أكثر من 50% تشابه)، متفوقًا على روبوتات مشهورة أخرى تم تدريبها على مجموعات بيانات أكبر وأغلى ثمنًا.
الاختبار الحقيقي (الوظيفي): قاموا بالفعل بتشغيل الكود في بيئة وهمية وآمنة لمعرفة ما إذا كان يفعل ما يُفترض به فعله. النتيجة: نجح RedShell في تنفيذ "الهجمات" (مثل التحقق من الأبواب المفتوحة أو سرقة كلمات مرور وهمية) تمامًا كما يفعل الخبير البشري.

5. اللمسة الأخلاقية

المؤلفون حذرون للغاية هنا. فهم يعترفون بأن هذه التكنولوجيا خطيرة. إذا حصل شخص سيء على RedShell، فقد يستخدمه لاختراق أشخاص حقيقيين.

ومع ذلك، هم يجادلون بأنه يجب عليك معرفة كيف يفكر اللص لكي تمسك باللص. من خلال تزويد خبراء الأمن بأداة لمحاكاة الهجمات، يمكنهم العثور على الثغرات في جدرانهم الخاصة قبل أن يجدها الأشرار. كما تأكدوا من أن بيانات التدريب الخاصة بهم لم تتضمن تعليمات حول كيفية تدمير الأنظمة الحقيقية، مما يحافظ على التركيز على "الاختبار" بدلاً من "التدمير".

الصورة الكبيرة

تقول هذه الورقة البحثية في جوهرها: "الذكاء الاصطناعي أداة قوية. إذا أخفيناه أو منعناه، فسيظل الأشرار يجدونه. ولكن إذا بنينا نسخًا متخصصة وآمنة منه للأخيار، فيمكننا جعل قلاعنا الرقمية أقوى بكثير."

RedShell هو تلك الأداة المتخصصة: مساعد يركز على الخصوصية، وفعال، وعالي المهارة، يساعد خبراء الأمن على البقاء دائمًا متقدمين بخطوة على المخترقين.

إليك ملخص تقني مفصل لورقة البحث بعنوان "نحو اختبار اختراق مؤتمت باستخدام النماذج اللغوية الكبيرة":

1. بيان المشكلة

تتناول الورقة التحدي المتزايد في الأمن السيبراني الهجومي حيث يستخدم المهاجمون "النماذج اللغوية المظلمة" (Dark LLMs) (مثل WolfGPT و XXXGPT) لتوليد أكواد خبيثة بأقل تدخل بشري. وفي المقابل، يواجه المخترقون الأخلاقيون (المختبرون) عقبات كبيرة في اختبار الاختراق التقليدي:

الجهد اليدوي: يتطلب كتابة الأكواد الهجومية (تحديداً لغة PowerShell لنظام ويندوز) خبرة عالية، وقتاً، وجهداً كبيراً.
ندرة البيانات: هناك نقص في مجموعات البيانات عالية الجودة والمتاحة علناً لتدريب النماذج على الأكواد الهجومية، خاصة مقارنة باللغات العامة مثل Python أو Java.
قيود الخصوصية والموارد: تعتمد الحلول الحالية غالباً على نماذج لغوية كبيرة مملوكة ومغلقة المصدر (مثل ChatGPT)، مما يفرض مخاطر تتعية خصوصية البيانات (إرسال معلومات حساسة عن الهدف إلى خوادم خارجية) كما تمتلك هذه النماذج حواجز أخلاقية تمنع توليد الأكواد الخبيثة. علاوة على ذلك، فإن التدريب المسبق للنماذج الضخمة مكلف حوسبياً.

2. المنهجية

يقترح المؤلفون RedShell، وهو إطار عمل يحافظ على الخصوصية وفعال من حيث استهلاك الأجهزة، مصمم لأتمتة توليد أكواد PowerShell الهجومية لبيئات Microsoft Windows.

أ. بناء مجموعة البيانات (الحقيقة الأرضية - Ground Truth)

مجموعة البيانات المرجعية: بدأ المؤلفون بمجموعة بيانات موجودة تضم 1,127 مقطعاً برمجياً (snippet) خبيثاً بلغة PowerShell مقترنة بأوصاف باللغة الطبيعية (من Liguori et al).
مجموعة البيانات الموسعة: للتغلب على قيود الحجم والتنوع، قام المؤلفون بتنظيم وإضافة 1,135 عينة جديدة يدوياً، مما ضاعف حجم مجموعة البيانات.
- المصادر: تمت إضافة عينات من أطر عمل مثل Nishang و PowerUpSQL و MicroBurst و walkthroughs الخاصة بمسابقات CTF.
- التوسيم (Annotation): تم تصنيف العينات وفقاً لإطار عمل MITRE ATT&CK (تغطي 14 تكتيكاً)، مما حسن التغطية بشكل كبير في مجالات مثل Discovery (الاكتشاف)، و Defense Evasion (تجاوز الدفاع)، و Credential Access (الوصول إلى بيانات الاعتماد).
- التقسيم: تم تقسيم مجموعة البيانات النهائية بنسبة 90/10 للتدريب والاختبار.

ب. اختيار النموذج والضبط الدقيق (Fine-Tuning)

النماذج: تم اختيار ثلاثة نماذج مفتوحة الأوزان ومتطورة بناءً على كفاءة البرمجة وحجمها (أقل من 8 مليار بارامتر):
1. Qwen2.5-7B (عام الأغراض)
2. Qwen2.5-Coder-7B-Instruct (متخصص في الأكواد)
3. Llama3.1-8B
استراتيجية التدريب:
- الأجهزة: وحدة معالجة رسوميات واحدة من نوع NVIDIA GeForce RTX 4090 (بذاكرة 24 جيجابايت VRAM).
  - التقنية: تم استخدام تقنية LoRA (Low-Rank Adaptation) عبر إطار عمل Unsloth لتمكين الضبط الدقيق الفعال دون الحاجة لإعادة تدريب النموذج بالكامل.
- الإعدادات: حجم الدفعة (Batch size) هو 8، معدل التعلم $2 \times 10^{-4}$ ، مع "أمر نظام" (system prompt) محدد يوجه النموذج للعمل كمولد لـ "PowerShell خبيث" دون تقديم تفسيرات.
- الخصوصية: تتم جميع عمليات التدريب والاستدلال محلياً، مما يضمن عدم خروج أي بيانات حساسة لاختبار الاختراق من البيئة.

ج. إطار التقييم

تم تقييم إطار العمل عبر ثلاثة أبعاد:

الصلاحية النحوية (Syntactic Validity): باستخدام PSScriptAnalyzer للتحقق من أخطاء الإعراب (parse errors)، والتحذيرات، وانتهاكات القواعد الأمنية.
التشابه الدلالي (Semantic Similarity): مقارنة الأكواد المولدة مع المقاطع المرجعية باستخدام مقاييس: ROUGE-L، METEOR، BLEU، مسافة التعديل (Edit Distance - ED)، والمطابقة التامة (Exact Match - EM).
الموثوقية الوظيفية (Functional Reliability): محاكاة "فريق أحمر" (Red Team) محكومة تتضمن جهازي افتراضيين (المهاجم والهدف). كُلف النموذج بتوليد حمولات (payloads) لـ 10 مراحل هجومية محددة (مثل فحص المنافذ، سرقة بيانات الاعتماد، وتصعيد الصلاحيات) للتحقق مما إذا كان الكود ينفذ بالفعل السلوك الخبيث المنشود.

3. المساهمات الرئيسية

إطار عمل RedShell: إطار عمل معياري وخفيف الوزن لضبط النماذج اللغوية الكبيرة خصيصاً لتوليد PowerShell الهجومي، وهو قابل للتكيف مع لغات أخرى (مثل Assembly).
مجموعة بيانات محسنة: إنشاء مجموعة بيانات موسعة ومنظمة يدوياً تضم 2,262 عينة PowerShell خبيثة موسومة بتكتيكات MITRE ATT&CK، مما يعالج الفجوة الحرجة في البيانات.
تدريب فعال من حيث الأجهزة: إثبات أنه يمكن تحقيق توليد أكواد هجومية عالية الجودة باستخدام وحدة معالجة رسوميات واحدة من فئة المستهلكين وتقنية LoRA، مما يتجنب التكاليف الباهظة للتدريب المسبق أو الضبط الدقيق الكامل.
نهج متمحور حول الخصوصية: حل يلغي الحاجة لإرسال بيانات التدقيق الحساسة إلى مزودي واجهات برمجة التطبيقات (APIs) من جهات خارجية.

4. النتائج

الأداء النحوي:
- حققت نماذج RedShell صلاحية نحوية تزيد عن 90% (تم تحليلها بنجاح دون أخطاء).
- حقق نموذج Qwen2.5-Coder أفضل أداء بدقة تحليل تجاوزت 95%.
- نجحت النماذج في توليد أكواد تلتزم بالمتطلبات الهجومية، وغالباً ما أطلقت تحذيرات سلامة (مثل استخدام Invoke-Expression) وهو أمر متوقع للحمولات الخبيثة.
الأداء الدلالي:
- تفوق RedShell على النماذج المرجعية الرائدة (CodeGPT، CodeGen، CodeT5+) والنماذج المملوكة (ChatGPT-3.5، DeepSeek) في جميع مقاييس التشابه.
- مسافة التعديل (Edit Distance): حقق متوسط تشابه كودي يزيد عن 50% مع المقاطع المرجعية.
- حقق Qwen2.5-Coder أعلى الدرجات، مما يثبت أن الضبط الدقيق المتخصص على مجموعة بيانات أصغر ومستهدفة يتفوق على النماذج الأكبر والأكثر عمومية في هذا المجال المحدد.
الأداء الوظيفي:
- في سيناريو محاكاة اختبار الاختراق، حقق نموذج Qwen2.5-Coder التابع لـ RedShell دقة بنسبة 100% (الالتزام بالمنهجيات الهجومية) وفعالية عالية.
- نجح في تنفيذ هجمات متعددة الخطوات (مثل تحميل السكربتات إلى الذاكرة RAM، وتخمين كلمات المرور، واستخدام Mimikatz) حيث فشلت النماذج المملوكة غالباً بسبب الحواجز الأخلاقية أو نقص المعرفة المتخصصة في هذا المجال.

5. الأهمية

أتمتة الفريق الأحمر (Red Teaming): يثبت RedShell أن النماذج اللغوية الكبيرة يمكن أن تؤتمت بشكل كبير الجوانب المرهقة في اختبار الاختراق، مما يسمح للمخترقين الأخلاقيين بالتركيز على الاستراتيجية بدلاً من بناء الجمل (syntax).
دمقرطة الذكاء الاصطناعي الهجومي: من خلال إظهار إمكانية تدريب نماذج هجومية عالية الأداء باستخدام وحدة معالجة رسوميات واحدة وأوزان مفتوحة، تخفض الورقة حاجز الدخول لإنشاء أدوات أمنية متخصصة.
رؤية دفاعية: تسلط الورقة الضوء على أن "النماذج اللغوية المظلمة" هي تهديد ملموس. ومن خلال تطوير واختبار RedShell في بيئات محكومة، يمكن للمدافعين فهم كيفية استغلال المهاجمين للذكاء الاصطناعي لأتمتة الثغرات، مما يحسن الاستراتيجيات الدفاعية.
التوازن الأخلاقي: يؤكد المؤلفون أنه بينما يقوم الأداة بتوليد أكود خبيثة، إلا أنها مصممة للاختبار غير المدمر. ويجادلون بأن المخترقين الأخلاقيين يجب أن يمتلكوا أدوات مماثلة لمحاكاة والدفاع ضد الهجمات المدفوعة بالذكاء الاصطناي المتوقعة.

في الختام، يمثل RedShell خطوة مهمة للأمام في تطبيق الذكاء الاصطنا التوليدي في الأمن السيبراني، حيث يقدم بديلاً قوياً وخاصاً وفعالاً لتوليد الأكواد اليدوي وأدوات الذكاء الاصطناعي المملوكة لعمليات الأمن الهجومي.