🤖 AI

VulTriage: Triple-Path Context Augmentation for LLM-Based Vulnerability Detection

يُعد VulTriage إطار عمل مبتكر يعزز الكشف عن الثغرات الأمنية القائم على النماذج اللغوية الكبيرة من خلال دمج تدفق التحكم، والمعرفة المتخصصة في المجال، والملخصات الدلالية عبر استراتيجية تعزيز السياق ثلاثية المسارات، محققاً بذلك أداءً هو الأفضل حالياً في مجموعات البيانات المرجعية.

المؤلفون الأصليون: Wenxin Tang, Xiang Zhang, Junliang Liu, Jingyu Xiao, Xi Xiao, Jinlong Yang, Yuehe Ma, Zhenyu Liu, Zhengheng Li, Zicheng Wang, Wang Luo, Qing Li, Lei Wang, Peng Xiangli

نُشر 2026-05-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Wenxin Tang, Xiang Zhang, Junliang Liu, Jingyu Xiao, Xi Xiao, Jinlong Yang, Yuehe Ma, Zhenyu Liu, Zhengheng Li, Zicheng Wang, Wang Luo, Qing Li, Lei Wang, Peng Xiangli

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 توظف محققاً عبقرياً ولكنه مشتت الذهن قليلاً للعثور على الفخاخ المخفية في مخطط بناء ضخم ومعقد. هذا المحقق هو (ذكاء اصطناعي - نموذج لغوي كبير). وبينما يتمتع هذا الذكاء الاصطناعي بذكاء خارق ومعرفة واسعة باللغة، إلا أنه إذا قدمت له المخطط الخام (الشيفرة المصدرية) وسألته ببساطة: "هل هناك فخ هنا؟"، فإنه غالباً ما يغفل عن الأخطار الدقيقة أو يطلق إنذارات كاذبة. قد يضيع في آلاف السطور الصغيرة من النصوص دون أن يرى الصورة الكبيرة لكيفية تركيب المبنى فعلياً.

يقدم هذا البحث نظاماً جديداً يسمى VulTriage (فكر فيه كـ "نظام فرز" أو تصنيف للثغرات الأمنية). فبدلاً من مجرد تسليم المخطط الخام للذكاء الاصطناعي، يعمل VulTriage كمساعد ذكي يقوم بإعداد ثلاث "أوراق غش" محددة لمساعدة المحقق في حل القضية.

إليك كيف يعمل تعزيز السياق عبر المسارات الثلاثة (Triple-Path Context Augmentation)، باستخدام تشبيهات بسيطة:

1. مسار التحكم: "خريطة المرور"

المشكلة: الشيفرة البرمجية الخام تشبه قائمة من الكلمات؛ فهي لا توضح لك كيف تتحرك السيارة عبر المدينة. قد تحدث ثغرة أمنية لأن سيارة (بيانات) تسلك طريقاً معيناً يتخطى إشارة التوقف (فحص السلامة).
الحل: يأخذ مسار التحكم الشيفرة ويرسم للذكاء الاصطناي ثلاث خرائط محددة:

AST (الهيكل العظمي): يوضح بنية المبنى (الجدران، الأرضيات، الغرف).
CFG (تدفق حركة المرور): يوضح ترتيب العمليات (أي طريق يؤدي إلى أي آخر).
DFG (أنابيب المياه): يوضح كيفية تدفق البيانات من مكان إلى آخر.
السحر: بدلاً من عرض رسم بياني ضخم وفوضوي للذكاء الاصطناعي، يقوم هذا المسار بترجمة تلك الخرائط إلى ملخص بسيط بلغة طبيعية. إنه يخبر الذكاء الاصطناعي: "مهلاً، انظر هنا: هذا المتغير ينتقل من مدخلات المستخدم، عبر حلقة تكرارية، وينتهي به المطاف في مكان في الذاكرة دون التحقق من الحجم أولاً". هذا يعالج مشكلة "العمى الهيكلي" لدى الذكاء الاصطناعي.

2. مسار المعرفة: "قاعدة بيانات المجرمين"

المشكلة: تم تدريب الذكاء الاصطناعي على نصوص عامة من الإنترنت. هو يعرف معنى "تجاوز سعة المخزن المؤقت" (buffer overflow) بشكل عام، لكنه لا يملك قائمة منظمة ومحددة لأنواع الفخاخ المعروفة أو أمثلة على كيفية بناء المجرمين لها.
الحل: قبل أن يصدر الذك الذكاء الاصطناعي حكماً، يعمل مسار المعرفة كأمين مكتبة. ينظر إلى الشيفرة ويسأل: "ما نوع الفخ الذي قد يكون هذا؟". ثم يذهب إلى قاعدة بيانات ضخمة ورسمية للثغرات المعروفة (تسمى CWE) ويستخرج أكثر 3 إلى 5 "ملصقات مطلوبين" ذات صلة وأمثلة على جرائم مشابهة.
السحر: يقدم هذه الأمثلة المحددة للذكاء الاصطناعي، قائلاً له: "هل تتذكر هذا النوع المحدد من الفخ؟ تحقق مما إذا كانت الشيفرة تشبهه". هذا يمنح الذكاء الاصطناعي معرفة صريحة ومستوى خبير قد يكون قد نسيه أو لم يتعلمه بوضوح.

3. المسار الدلالي: "الملخص باللغة البسيطة"

المشكلة: الشيفرة البرمجية في العالم الحقيقي مليئة بالاختصارات المربكة، والحلقات المخفية، والعمليات الحسابية المعقدة. حتى الذكاء الاصطناعي الذكي يمكن أن يسيء تفسير ما تحاول الشيفرة فعله حقاً إذا غرق في التفاصيل.
الحل: يطلب المسار الدلالي من الذكاء الاصطناعي التراجع خطوة إلى الوراء وكتابة ملخص قصير ونظيف لما يفترض أن تفعله الشيفرة، متجاهلاً الصياغة (syntax) المعقدة.
السحر: الأمر يشبه طلب مترجم لشرح وثيقة قانونية معقدة بكلمات بسيطة قبل أن يطلب من القاضي إصدار حكم عليها. هذه الرؤية "المنقاة من الضجيج" تساعد الذكاء الاصطناعي على فهم قصد المبرمج، مما يجعل من الصعب تفويت خطأ منطقي دقيق.

كيف تعمل معاً

بمجرد تجهيز هذه "الأوراق الثلاث"، يدمج VulTriage كل ذلك في تعليمات واحدة ضخمة وفائقة للذكاء الاصطناعي:

"أنت محقق أمني خبير. إليك المخطط (الشيفرة). إليك خريطة المرور (مسار التحكم). إليك ملصقات المطلوبين لجرائم مشابهة (مسار المعرفة). وإليك ملخص بسيط لما يفعله المبنى (المسار الدلالي). بناءً على كل هذا، هل هناك فخ؟"

النتائج

اختبر المؤلفون هذا النظام على مجموعة بيانات صعبة تسمى PrimeVul، حيث تبدو "الفخاخ" (الشيفرة الضعيفة) والشيفرة "الآمنة" متطابقتين تقريباً، وتختلفان فقط بتفاصيل دقيقة للغاية.

الفائز: تفوق VulTriage على جميع الطرق الأخرى، بما في ذلك نماذج الذكاء الاصطناعي الأخرى وأدوات التعلم العميق. لقد كان أفضل بكثير في رصد الاختلافات الدقيقة التي فاتت الأنظمة الأخرى.
الدليل: عندما قاموا بإزالة أي واحدة من "أوراق الغش" الثلاث (الخرائط، أو قاعدة البيانات، أو الملخص)، انخفض أداء الذكاء الاصطناعي. أثبت هذا أن الأجز الثلاثة ضرورية لحل اللغز.
الميزة الإضافية: اختبروه أيضاً على لغة برمجة أخرى أقل شيوعاً (Kotlin) مع بيانات قليلة جداً متاحة. وحتى في هذا الإعداد "منخفض الموارد"، ظل VulTriage يتفوق على المنافسين، مما يظهر أنه أداة مرنة.

باخت تختصر: VulTriage لا يكتفي بسؤال الذكاء الاصطناعي للتخمين؛ بل يمنحه الأدوات الصحيحة، وكتب المراجع المناسبة، وشرحاً واضحاً للمشكلة، محولاً إياه من محقق مرتبك إلى محقق بارع.

ملخص تقني: VulTriage

بيان المشكلة

لا يزال الكشف الآلي عن الثغرات الأمنية يمثل تحديًا حرجًا في أمن البرمجيات. وبينما حققت طرق التعلم العميق الحالية (مثل الشبكات العصبية الرسومية GNNs والنماذج البرمجية سابقة التدريب) تقدمًا ملموسًا، إلا أنها تواجه قيودًا كبيرة: فالمناهج القائمة على GNN غالبًا ما تتطلب بناء رسوم بيانية معقدة وتسميات عالية الجودة، بينما تعامل النماذج سابقة التدريب الكود كمتتاليات رمزية خطية، مما يجعلها تجد صعوبة في استيعاب التبعيات الهيكلية ودلالات التنفيذ.

تُظهر النماذج اللغوية الكبيرة (LLMs) الحديثة قدرة واعدة في فهم الكود، لكنها تعاني من ثلاثة أوجه قصور محددة عند تطبيقها مباشرة على الكود المصدري الخام للكشف عن الثغرات:

العمى الهيكلي: تعالج النماذج اللغوية الكبيرة الكود كمتتاليات من الرموز (Tokens)، مما يجعل من الصعب تحديد مسارات تدفق التحكم بين الجمل البرمجية وسلاسل انتشار البيانات الضرورية للكشف عن ثغرات مثل تجاوز سعة المخزن المؤقت (Buffer Overflows).
نقص المعرفة: ينتج التدريب المسبوق العام معرفة أمنية ضمنية ومتناثرة؛ حيث تفتقر النماذج اللغية الكبيرة إلى الأولويات المعرفية الصريحة، مثل تصنيفات نقاط الضعف (مثل CWE) وأنماط الكود الضعيفة المحددة.
الفجوة الدلالية: يمكن للمنطق البرمجي المعقد الذي يتضمن عمليات المؤشرات (Pointers)، والفروع المتداخلة، وتحويلات الأنواع الضمنية، أن يؤدي إلى سوء فهم دلالي دقيق، مما يتسبب في حدوث نتائج إيجابية خاطئة أو تفويت ثغرات أمنية.

المنهجية: VulTriage

لمعالجة هذه القيود، يقترح المؤلفون VulTriage، وهو إطار عمل يعزز الكشف عن الثغرات القائم على النماذج اللغية الكبيرة من خلال تعزيز السياق عبر المسارات الثلاثة (Triple-Path Context Augmentation). بدلاً من تزويد النموذج اللغوي بالكود الخام وحده، يقوم VulTriage ببناء ثلاثة تدفقات سياقية متكاملة يتم دمجها في تعليمات موحدة لتوجيه عملية الاستنتاج النهائية.

1. مسار التحكم (السياق الهيكلي)

يهدف هذا المسار إلى تخفيف العمى الهيكلي من خلال استخراج المعلومات الهيكلية الساكنة وصياغتها لغويًا.

العملية: يتم تحليل الكود المصدري إلى ثلاثة رسوم بيانية هيكلية: شجرة الإعراب المجردة (AST)، ومخطط تدفق التحكم (CFG)، ومخطط تدفق البيانات (DFG).
التصفية: لإدارة حدود نافذة السياق وتقليل الضجيج، يتم تطبيق آلية تصفية متعددة المستويات؛ حيث تحتفظ بالعقد الهيكلية الأساسية (الدوال، الفروع، الحلقات) والعمليات الرئيسية، مع إزالة العقد غير ذات الصلة دلاليًا (مثل توسعات الأنواع).
الصياغة اللغوية: يتم تحويل الرسوم البيانية المصفاة إلى أوصاف لغوية طبيعية موجزة تلخص تكوين الكود، ومسارات التنفيذ، وسلاسل انتشار البيانات.

2. مسار المعرفة (الأولويات المعرفية)

يعالج هذا المسار نقص المعرفة من خلال حقن أنماط الثغرات الصريحة عبر التوليد المعزز بالاسترجاع (RAG).

قاعدة المعرفة: يتم بناء مجموعة بيانات من قاعدة بيانات Common Weakness Enumeration (CWE)، تحتوي على أسماء الثغرات، وأوصافها، وأمثلة الكود الخاصة بها.
توليد الاستعلام: يقوم النموذج اللغوي أولاً بتوليد تنبؤ أولي لنوع الثغرة المحتملة للكود المدخل ليكون بمثابة استعلام استرجاع.
الاسترجاع الهجين: يستخدم آلية استرجاع هجينة كثيفة-ومتفرقة (باستخدام BGE-M3) لمطابقة الاستعلام مع مجموعة بيانات CWE. يجمع هذا بين التعميم الدلالي (المتجهات الكثيفة) والدقة المعجمية (الأوزان المتفرقة) لضمان عدم فقدان المصطلحات الحرجة.
التجميع: يتم دمج مدخلات CWE المسترجعة (أعلى k من النتائج) لتشكيل سياق معرفي $K$ يضبط حكم النموذج اللغوي.

3. المسار الدلالي (الشرح الوظيفي)

يعالج هذا المسار الفجوة الدلالية من خلال تقديم رؤية وظيفية منقحة من الضجيج لسلوك الكود قبل إصدار الحكم النهائي.

العملية: يتم استجواب النموذج اللغوي لتحليل الكود وتوليد شرح موجز باللغة الطبيعية ( $E$ ) لسلوكه الوظيفي.
التركيز: يسلط الشرح الضوء على العمليات الرئيسية (معالجة المدخلات، عمليات الذاكرة، استدعاءات النظام) وتدفقات البيانات الملحوظة، مع تجنب التكهن بالنيات غير القابلة للملاحظة بشكل صريح.

التعليمات الموحدة

يتم تجميع الكود الأصلي ( $C$ )، والسياق الهيكلي ( $S$ )، والسياق المعرفي ( $K$ )، والشرح الدلالي ( $E$ ) في تعليمات (Prompt) واحدة موحدة. يُوجه النموذج اللغي للعمل كمهندس أمني، يفحص الكود من خلال عدسة المعرفة المسترجعة والتبعيات الهيكلية قبل إصدار حكم صارم بـ "نعم/لا".

المساهمات الرئيسية

إطار عمل VulTriage: نظام مبتكر للكشف عن الثغرات يعتمد على النماذج اللغية الكبيرة ومدفوع بتعزيز السياق عبر المسارات الثلاثة، والذي يدمج السياقات الهيكلية، والمعرفية، والدلالية.
تصميم مسار التحكم: آلية لضغط معلومات AST وCFG وDFG إلى لغة طبيعية صديقة للنماذج اللغية الكبيرة، مما يسمح بإدراك أفضل لتبعيات التحكم والبيانات.
تصميم مسار المعرفة: نظام استرجاع هجين (كثيف-ومتفرق) يسترجع ديناميكيًا أنماطًا مشتقة من CWE لتوفيد أولويات معرفية صريحة.
تقييم شامل: تجارب مكثفة تثبت فعالية الإطار وقدراته على التعميم.

النتائج التجريبية

تم تقييم الإطار على مجموعة اختبار PrimeVul، وهي معيار مصمم لاختبار التمييز الدقيق بين أزواج الكود الضعيف والكود المصحح.

الأداء: حقق VulTriage أداءً رائدًا (State-of-the-art)، متفوقًا على كل من نماذج التعلم العميق الأساسية (CodeBERT, CodeT5, UniXCoder, LineVul) والأساليب القائمة على النماذج اللغية الكبيرة الحالية (VulTrial, ConColl, GPTLens).
- حقق 147 تنبؤًا صحيحًا لكل زوج (P-C)، متفوقًا بشكل كبير على أقرب نموذج أساسي (VulTrial الذي حقق 81).
- سجل دقة بلغت 0.6356 ودرجة F1 بلغت 0.6907، متصدرًا جميع النماذج الأساسية في هذه المقاييس الرئيسية.
دراسات الاستئصال (Ablation Studies): أدى حذف أي من المسارات الثلاثة (التحكم، المعرفة، أو الدلالة) إلى تدهور الأداء.
- أدى حذف مسار التحكم إلى زيادة الأخطاء، مما يبرز الحاجة إلى الأدلة الهيكلية.
- أدى حذف مسار المعرفة إلى زيادة معدل الإيجابيات الخاطئة (FPR)، مما يشير إلى قيمة أنماط الثغرات الصريحة.
- أدى حذف المسار الدلالي إلى خفض الدقة ودرجة F1، مما يؤكد أهمية الفهم الوظيفي.
التعميم: أظهرت التجارب على مجموعة بيانات Kotlin منخفضة الموارد (غير متوازنة الفئات) أن VulTriage حقق درجة F1 بلغت 0.57، متفوقًا على ConColl (0.44) وغيره من النماذج، مما يثبت متانته في بيئات الموارد المنخفضة.
تحليل الانتباه: كشف تحليل درجات الانتباه أن النموذج يستخدم جميع السياقات المدخلة بشكل متكامل: حيث يتم وزن الكود المصدري والشروحات الدلالية بكثافة في الطبقات الأولى، والمعرفة في الطبقات الوسطى، والمعلومات الهيكلية في الطبقات المتأخرة.

الأهمية

يزعم البحث أن VulTriage يثبت أن تعزيز السياق الهيكلي، والمعرفي، والدلالي هو اتجاه فعال لتحسين الكشف عن الثغرات القائم على النماذج اللغية الكبيرة. ومن خلال تجاوز مجمل المتتاليات الرمزية وتوفير التبعيات الهيكلية، والمعرفة المتخصصة، والملخصات الوظيفية بشكل صريح، يُمكّن الإطار النماذج اللغية من الاستنتاج بشكل أكثر موثوقية حول الاختلافات الدقيقة في الثغرات. تشير النتائج إلى أن هذا النهج يسد بفعالية الفجوة بين القدرات العامة للنماذج اللغية الكبيرة والمتطلبات الصارمة والمحددة لتحليل أمن البرمجيات.