WAFGen: LLM Agents for IDS and Multi-Cloud WAF Rules Generation
تقدم هذه الورقة البحثية WAFGen، وهو مسار ضبط دقيق متعدد النماذج اللغوية الكبيرة (multi-LLM) يقوم تلقائياً بتوليد قواعد لأنظمة كشف التسلل (IDS) وجدران حماية تطبيقات الويب (WAF) صالحة نحوياً وفعالة من حيث التكلفة لمزودي السحابة الرئيسيين، محققاً دقة عالية وانخفاضات كبيرة في تكاليف سعة AWS Web ACL مقارنة بالخطوط المرجعية اليدوية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
لقد توسع العالم الرقمي إلى ما هو أبعد بكثير من جدران مبنى مكتب واحد. اليوم، تعيش الخدمات الحيوية في السحابة، وهي منتشرة عبر شبكات واسعة تديرها شركات مختلفة. وللحفاظ على سلامة هذه الأنظمة، يعتمد فرق الأمن على حراس رقميين يُعرفون باسم جدران الحماية وأنظمة كشف التسلل. تعمل هذه الأدوات مثل الحراس عند مدخل ملهى ليلي، حيث تفحص كل قطعة من البيانات تحاول الدخول. وإذا بدا الزائر مريبًا، فإن الحارس يوقفه. ولكن للقيام بذلك، يحتاج الحارس إلى قائمة بما يجب البحث عنه. يتعين على مهندسي الأمن كتابة هذه القوائم، المعروفة باسم القواعد، يدويًا؛ فهم يترجمون أوصاف التهديدات الجديدة إلى تعليمات تقنية معقدة يمكن للبرمجيات فهمها. ومع نمو الإنترنت وتغير التهديدات بسرعة أكبر، أصبحت كتابة هذه القواعد يدويًا مهمة بطيئة ومكلفة وعرضة للخطأ. كما أن الحجم الهائل لمنصات السحابة المختلفة يعني أن المهندسين غالبًا ما يضطرون لإعادة كتابة القاعدة نفسها بثلاث أو أربع لغات مختلفة فقط لحماية تطبيق واحد.
قام فريق من الباحثين في المدرسة المتعددة التقنيات (École de Technologie Supérieure) وجامعة كيبيك في ترو ريفيير (Université du Québec à Trois-Rivières) بتطوير طريقة جديدة لأتمتة هذه العملية. لقد ابتكروا نظامًا يُسمى WAFGen، يستخدم الذكاء الاصطناعي المتقدم لكتابة هذه القواعد الأمنية تلقائيًا. فبدلاً من مطالبة إنسان بترجمة وصف التهديد إلى كود برمجي، يأخذ النظام وصفًا باللغة الإنجليزية البسيطة للخطر وينتج فورًا القاعدة التقنية الصحيحة لمزود الخدمة السحابية المحدد المستخدم. اختبر الباحثون هذا النظام مقابل ثلاث منصات سحابية رئيسية: أمازون ويب سيرفيسز (Amazon Web Services)، ومايكروسوفت أزور (Microsoft Azure)، وكلاود فلير (Cloudflare)، بالإضافة إلى إطارين أمنيين للشبكات التقليدية. كان هدفهم هو معرفة ما إذا كان بإمكان الذكاء الاصطناعي تعلم "قواعد اللغة" المميزة لكل منصة بشكل جيد بما يكفي لكتابة قواعد صالحة وتعمل دون مساعدة بشرية.
بنى الباحثون مكتبة تدريب ضخمة تحتوي على آلاف الأمثلة من القواعد الأمنية من جميع الأنظمة الخمسة المستهدفة. وعلموا أربعة نماذج مختلفة من الذكاء الاصطناعي التعرف على أنماط هذه القواعد. ولضمان أن الذكاء الاصطناعي لم يقم بمجرد حفظ الأمثلة بل تعلم المنطق حقًا، اختبروا استراتيجيتين مختلفتين للتدريب. في أحد النهجين، قاموا بتدريب نماذج ذكاء اصطناعي منفصلة لكل منصة محددة، آملين أن يؤدي التخصص إلى نتائج أفضل. وفي النهج الآخر، قاموا بتدريب نموذج ذكاء اصطناعي واحد على جميع المنصات الخمس في وقت واحد، مما أجبره على تعلم الاختلافات بينها في آن واحد. ثم وضعوا هذه النماذج قيد الاختبار من خلال مطالبتها بإنشاء قواعد لتهديدات جديدة لم تُشاهد من قبل، والتحقق مما إذا كانت مزودات السحابة الحقيقية ستقبلها.
أظهرت النت la أن نماذج الذكاء الاصطناعي كانت ناجحة بشكل ملحوظ في كتابة قواعد تقبلها شركات السحابة. فعندما أنتجت النماذج قواعد للمنصات السحابية الثلاث الكبرى، كانت أكثر من 90 بالمائة منها صحيحة من الناحية التركيبية وجاهزة للنشر. حقق النموذج الأفضل أداءً، وهو نظام مكون من 7 مليارات معلمة، نسبة نجاح تقارب 96 بالمائة على منصة أمازون وأكثر من 90 بالمائة على منصة مايكروسوفت. ولعل الأمر الأكثر إثارة للدهشة هو أن الباحثين وجدوا أن النموذج الواحد الذي تم تدريبه على جميع المنصات معًا كان يعمل بشكل جيد مثل النماذج المتخصصة المدربة على منصة واحدة فقط، بل وغالبًا ما كان أفضل منها. يشير هذا إلى أن تعليم الذكاء الاصطناعي فهم الاختلافات بين لغات السحابة المتنوعة قد ساعده في الواقع على تجنب الأخطاء، بدلاً من إرباكه. كما تعلم النظام إبقاء القواعد بسيطة وفعالة. ففي بيئة أمازون، حيث تكلف القواعد المعقدة مالاً أكثر لتشغيلها، استخدمت القواعد التي أنشأها الذكاء الاصطناعي جزءًا ضئيلًا من الميزانية المتاحة، حيث كلف حوالي 10 إلى 25 وحدة لكل قاعدة مقارنة بمئات الوحدات لمجموعات القواعد المدارة القياسية.
تناولت الدراسة أيضًا مخاوف شائعة بشأن الذكاء الاصطناعي: وهي أنه قد يخترع تعليمات وهمية أو خطيرة. وجد الباحثون أن النظام نادرًا ما يخترع أوامر غير صالحة. وعندما ارتكب خطأً، كان عادةً خطأً بسيطًا في التنسيق يمكن اكتشافه بواسطة فحص بسيط قبل استخدام القاعدة فعليًا. تمكن النظام من التعامل مع مجموعة واسعة من التهديدات، من هجمات الويب الشائعة مثل حقن SQL إلى التهديدات الأكثر تعقيدًا التي تقودها البرمجيات الخبيثة (bots). ومن خلال دمج خطوة التحقق من التكلفة مباشرة في عملية التوليد، يسمح النظام لفرق الأمن بمعرفة التكلفة الدقيقة للقاعدة الجديدة قبل نشرها حتى. هذه القدرة تحول إنشاء القواعد من لعبة تخمين إلى عملية دقيقة ومدروسة من حيث الميزانية.
بينما يعد النظام فعالاً للغاية، أشار الباحثون إلى أنه يعمل بشكل أفضل مع نماذج الذكاء الاصطناعي الأكبر. فقد عانت النماذج الأصغر والأكثر إيجازًا عندما طُلب منها تعلم جميع لغات السحابة المختلفة في وقت واحد، حيث فشلت غالبًا في إنتاج قواعد صالحة لبعض المنصات. ومع ذلك، بالنسبة للمؤسسات التي تحتاج إلى حماية أنظمتها عبر سحب متعددة، أثبت نهج المنصات المتعددة أنه الأكثر موثوقية. يوضح هذا العمل أن الذكاء الاصطناعي يمكنه الآن التعامل مع المهمة المعقدة والمملة المتمثلة في ترجمة الاحتياجات الأمنية البشرية إلى اللغات التقنية المحددة المطلوبة للبنية التحتية السحابية الحديثة. هذا لا يحل محل مهندس الأمن، بل يحرره من عبء البرمجة اليدوية، مما يسمح له بالتركيز على الاستراتيجية والتحليل بينما يتولى الجهاز العمل الشاق لتوليد القواعد. إن الكود والبيانات وراء هذا النظام متاحة الآن للآخرين لاستخدامها وتحسينها، مما يمثل خطوة كبيرة نحو أمن سحابي أكثر مرونة وفعالية من حيث التكلفة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.