Proving the Utility of Large Language Models in Cybersecurity Simulations: A Comprehensive Examination
تُثبت هذه الورقة أن دمج النماذج اللغوية الكبيرة مع تكوينات الشبكة القائمة على لغة YAML يعزز محاكاة الأمن السيبراني بشكل كبير من خلال أتمتة إنشاء البيئات وتحقيق تسريع يتراوح بين 25,000 إلى 50,000 ضعف مقارنة بطرق التعلم التعزيزي التقليدية، مع الحفاظ على معدلات اختراق عالية وواقعية.
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
العالم الرقمي تحت حصار مستمر. ففي كل يوم، تبحث البرامج الآلية والمهاجمون البشريون عن نقاط الضعف في شبكات الكمبيوتر، بحثاً عن وسيلة للتسلل إلى الداخل أو إلحاق الضرر. ولإيقافهم، يبني خبراء الأمن بيئات تدريبية تحاكي الشبكات الحقيقية. هذه البيئات تشبه ميادين التدريب حيث يمكنهم اختبار استراتيجيات دفاعية جديدة دون المخاطرة بالأنظمة الفعلية. ولسنوات طويلة، كان إنشاء ميادين التدريب هذه مهمة بطيئة ويدوية؛ إذ كان على الخبراء كتابة كل تفصيل من تفاصيل الشبكة، بدءاً من الروابط بين أجهزة الكمبيوتر وصولاً إلى البرمجيات المحددة التي تعمل عليها، وغالباً ما كان ذلك باستخدام كود برمجي معقد. وإذا تغيرت الشبكة، كان عليهم إعادة كتابة كل شيء يدوياً. كانت هذه العملية تستغرق وقتاً طويلاً لدرجة أنها حدت من عدد السيناريوهات المختلفة التي يمكن للباحثين اختبارها، مما تركهم بأدوات أقل للاستعداد للهجوم الكبير القادم.
تشير دراسة جديدة أجراها باحثون من "أكاديمية تيسيراكت" (Tesseract Academy)، و"إلكتي للاستشارات" (Electi Consulting)، و"معهد آلان تورينج" (Alan Turing Institute) إلى طريقة لتسريع هذه العملية بشكل كبير. فقد طلبوا من نوع من أنواع الذكاء الاصطناعي يُعرف باسم "النماذج اللغوية الكبيرة" (Large Language Model) أن يقوم بالعمل الشاق. وبدلاً من كتابة الكود سطراً بسطر، أعطى الباحثون الذكاء الاصطناعي مجموعة من التعليمات وبعض الأمثلة لما يبدو عليه تكوين الشبكة الجيد. ثم قام الذكاء الاصطناعي بكتابة الإعداد بالكامل لهم بتنسيق يسمى "YAML"، وهو طريقة مهيكلة لسرد البيانات يمكن لأجهزة الكمبيوتر قراءتها بسهًا. ووجد الباحثون أن هذه الطريقة نجحت بشكل ملحوظ؛ حيث أنتج الذكاء الاصطناعي خرائط شبكية صالحة وجاهزة للاستخدام بنسبة 70 بالمائة تقريباً دون الحاجة إلى أي تصحيح بشري. والأهم من ذلك، عندما استخدموا الشبكات التي صنعها الذكاء الاصطناعي لاختبار استراتيجيات الهجوم، كانت النتائج سريعة وفعالة بشكل مذهل.
اختبر الباحثون نظامهم عبر إنشاء ستة سيناريوهات مختلفة للشبكة، تتراوح من الإعدادات البسيطة إلى البيئات المعقدة التي أنشأها الذكاء الاصطناعي. ثم وضعوا نوعين مختلفين من المهاجمين في مواجهة هذه الشبكات. كان الأول برنامج كمبيوتر تقليدي يتعلم عن طريق التجربة والخطأ، وهي طريقة تُعرف باسم "التعلم التعزيزي" (reinforcement learning). كان على هذا البرنامج استكشاف الشبكة خطوة بخطوة، وتجربة إجراءات مختلفة لمعرفة ما ينجح. استغرق هذا البرنامج ما بين خمس عشرة إلى تسع وعشرين دقيقة ليتعلم كيفية اختراق شبكة واحدة، وحتى بعد ذلك، غالباً ما كان يفشل في إيجاد المسار الأفضل للهدف. أما المهاجم الثاني، فكان نصاً برمجياً (script) كتبه النموذج اللغوي الكبير. لم يكن هذا النص بحاجة للتعلم؛ بل اكتفى بتحليل خريطة الشبكة وكتابة خطة للاختراق. وفي كل اختبار، نجح النص البرمجي الذي كتبه الذكاء الاصطناعي في اختراق الشبكة في أقل من عُشر ثانية.
لم يكن الفرق في السرعة مجرد سرعة أكبر قليلاً، بل كان قفزة هائلة. فقد أكملت النصوص البرمجية التي أنشأها الذكاء الاصطناعي مهامها أسرع بنحو خمسة وعشرين ألف إلى خمسين ألف مرة من برنامج التعلم التقليدي. وبينما كان البرنامج التقليدي يكافح لإيجاد طريق عبر الشبكات المعقدة، نجحت نصوص الذكاء الاصطناعي البرمجية، وخاصة ذلك الذي يحاكي سلسلة هجوم متعددة المراحل، في اختراق الشبكات بنسبة 94.5 بالمائة. وأشار الباحثون إلى أن الذكاء الاصطناعي كان بارعاً بشكل خاص في فهم قواعد الشبكة، مثل أي أجهزة الكمبيوتر يمكنها التحدث مع بعضها البعض وأيها محجوب بجدران رقمية. وقد ثبت أن تكتيكاً واحداً بعينه، حيث ركز نص الذكاء الاصطناعي على التحرك بسرعة من جهاز كمبيوتر إلى آخر للوصول إلى هدف عالي القيمة، كان الطريقة الأكثر موثوقية وكفاءة.
يسلط هذا النجاح الضوء على تحول في كيفية إجراء أبحاث الأمن السيبراني. فقد أظهرت الدراسة أنه من خلال استخدام الأمثلة لتوجيه الذكاء الاصطناعي، بدلاً من مجرد إعطائه قالباً فارغاً، يمكن للنظام تجنب الأخطاء الشائعة مثل إنشاء اتصالات شبكية مستحيلة أو قواعد أمنية متناقضة. كما اكتشف الباحثون ثغرة دقيقة في كيفية التحدث مع الذكاء الاصطناعي؛ فعندما حاولوا تصحيح أخطاء الذكاء الاصطناعي من خلال جعله "يتذكر" التصحيح أثناء المحادثة، بدأ الذكاء الاصطناعي في الواقع في ارتكاب أخطاء أكثر دقة لاحقاً. ووجدوا أنه من الأفضل الاحتفاظ بمثال مثالي ومعتمد مسبقاً وترك الذكاء الاصطناعي ينسخ هذا الهيكل، بدلاً من محاولة تعليمه من خلال دردشة ذهاباً وإياباً.
تشير النتائج إلى أن النماذج اللغوية الكبيرة يمكن أن تعمل كأدوات قوية لتوليد بيئات تدريبية واقعية واختبار استراتيجيات الدفاع بسرعة لا يمكن للخبراء البشر أو البرمجيات التقليدية مضاهاتها. ويؤكد الباحثون بحذر أن هذه النتائج تأتي من عمليات محاكاة، وليس من هجمات في العالم الحقيقي، وأن العمل المستقبلي سيحتاج إلى دمج بيانات من العالم الحقيقي لضمان أن الثغرات التي يتم العثور عليها ذات صلة حقيقية. ومع ذلك، فإن القدرة على إنشاء آلاف السيناريوهات الفريدة والمعقدة للشبكات في ثوانٍ تفتح الباب لاختبار الدفاعات بشكل أكثر شمولاً وتكراراً. ومن خلال أتمتة إنشاء ميادين المعارك الرقمية هذه، يمكن لفرق الأمن نظرياً البقاء متقدمة بخطوة على المهاجمين، واختبار دفاعاتهم ضد مجموعة أوسع من التهديدات أكثر من أي وقت مضى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.