PatchPilot: Diff-Gated Dependency Vulnerability Remediation with Deterministic Planning and Bounded Model-Assisted Source Repair
إن PatchPilot هو إضافة لبرنامج Visual Studio Code تعمل على تحسين معالجة الثغرات الأمنية في التبعيات من خلال الفصل الصارم بين الاختيار الحتمي للإصدارات والتحكيم في البناء وبين الإصلاح المحدود للمصدر بمساعدة النماذج اللغوية الكبيرة والمبني على الموافقة، مما يضمن السلامة من خلال الثوابت القابلة للتحقق وقدرات التراجع.
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
نادرًا ما تُبنى البرمجيات الحديثة من الصفر. بدلاً من ذلك، يتم تجميعها مثل آلة معقدة مكونة من أجزاء صنعها آلاف الأشخاص المختلفين. يعتمد التطبيق النموذجي على مئات المكونات الجاهزة، التي تُسمى "التبعيات" (dependencies)، والتي تعتمد بدورها على آلاف المكونات الأخرى. وهذا يخلق شبكة واسعة وغير مرئية حيث يمكن لثغرة واحدة أن تعرض النظام بأكمله للخطر. وعندما يُكتشف خلل في أحد هذه الأجزاء، يواجه المطورون خيارًا صعبًا: يجب عليهم ترقية الجزء إلى نسخة أكثر أمانًا، ولكن تلك النسخة الجديدة قد لا تتوافق مع بقية الآلة، مما يؤدي إلى تعطلها. الأدوات الحالية جيدة في العثور على الخلل والإشارة إلى جزء جديد، لكنها غالبًا ما تكون سيئة للغاية في ضمان أن الجزء الجديد سيعمل بالفعل مع الكود الحالي. فهي كثيرًا ما تقترح ترقيات تؤدي إلى ثغرات أمنية جديدة أو تكسر البرمجيات تمامًا، تاركةً المطورين لإصلاح الفوضى الناتجة.
هذه هي المشكلة التي سعى سيفابراكاش ج (Sivaprakash J) وفريقه في معهد أناند للتكنولوجيا العليا (Anand Institute of Higher Technology) لحلها باستخدام أداة جديدة تسمى "باتش بايلوت" (PatchPilot). وبدلاً من محاولة أتمتة عملية الإصلاح بأكملها، وهو أمر ثبت أنه محفوف بالمخاطر وغير موثوق في المحاولات السابقة، صمم الباحثون نظامًا يعمل كدليل صارم وشفاف. تفصل الأداة مهمة إصلاح البرمجيات إلى ثلاث مهام متميزة: اختيار الجزء الجديد، وإصلاح الكود الذي يربط الأجزاء، واختبار ما إذا كانت الآلة لا تزال تعمل. في معظم الأنظمة الحالية، يحاول وكيل ذكاء اصطناعي القيام بالمهام الثلاث معًا، وغالبًا ما يخمن النسخة الخاطئة أو يُجري تغييرات لا يمكن التراجع عنها. أما "باتش بايلوت" فيرفض ترك الكمبيوتر يتخذ القرار الأكثر أهمية: وهو أي نسخة من التبعية يجب تثبيتها.
بنى الباحثون "باتش بايلوت" كإضافة لمحرر أكواد شهير، مما يسمح له بالعمل مباشرة داخل البيئة التي يكتب فيها المطورون أكوادهم. وهي تدعم ثلاثة أنظمة برمجية رئيسية، وهي الطرق القياسية التي يدير بها المطورون أجزاءهم: npm لتطوير الويب، وMaven للغة جافا، وPyPI للغة بايثون. عندما تفحص الأداة مشروعًا ما، فإنها تبحث عن ثغرات أمنية معروفة في الأجزاء المثبتة. وإذا وجدت مشكلة، فهي لا تخمن حلاً، بل تستشير قواعد بيانات السلامة العامة والقوائم الرسمية للنسخ المتاحة للعثور على أحدث نسخة آمنة مضمونة الخلو من الثغرات المعروفة. عملية الاختيار هذه حتمية تمامًا (deterministic)، مما يعني أنها تتبع مجموعة ثابتة من القواعد وستنتج دائمًا نفس الإجابة بناءً على المعلومات المتوفرة. إنها لا تعتمد أبدًا على التخمينات غير المتوقعة لنموذج ذكاء اصطناعي.
بمجرد أن تحدد الأداة النسخة الصحيحة، فإنها تُعد تقريرًا مفصلاً يوضح بالضبط ما الذي سيتغير. تعرض مقارنة جنبًا إلى جنب بين الكود القديم والكود الجديد، مع تسليط الضوء على الأسطر المحددة التي سيتم تعديلها. ويجب على المطور مراجعة هذا التقرير وإعطاء إذن صريح قبل إجراء أي تغييرات. إذا وافق المطور، تقوم الأداة بعمل نسخة احتياطية آمنة للملفات الأصلية، وتطبق التغييرات، ثم تشغل فورًا اختبارات المشروع الخاصة لترى ما إذا كان البرنامج لا يزال يعمل. هذه الخطوة حاسمة لأنها تستخدم ضوابط السلامة الخاصة بالمشروع نفسه لتقرير ما إذا كانت الترقية ناجحة أم لا، بدلاً من الاعتماد على تخمين الأداة.
إذا فشلت الاختبارات، فإن الأداة لا تستسلم، لكنها لا تسيطر أيضًا. بل تقدم طريقة محدودة ومسيطر عليها لطلب المساعدة من الذكاء الاصطناعي في إصلاح الكود المعطل. هذه هي المرة الوحيدة التي يُسمح فيها للذكاء الاصطناعي بالتحدث، وقدرته مقيدة بشدة. يُمنع الذكاء الاصطناعي من تغيير قائمة الأجزاء أو أرقام النسخ؛ يمكنه فقط اقتراح تعديلات على ملفات الكود المصدرية التي تسببت في فشل الاختبار. علاوة على ذلك، لا يمكن للذكاء الاصطناعي تعديل الملفات التي لم يتم اختيارها له تحديدًا، ولا يمكنه إجراء تغييرات واسعة النطاق تؤثر على المشروع بأكمله. وقبل أن يرسل الذكاء الاصطناعي اقتراحاته، يُعرض على المطور بالضبط الملفات التي ستُرسل إلى الذكاء الاصطناعي، وما الذي يُسمح للذكاء الاصطناعي برؤيته، والملفات المحظورة. ويجب على المطور الموافقة على هذا التبادل المحدد في كل مرة.
اختبر الباحثون هذا النظام بصرامة لضمان تصرفه تمامًا كما هو مصمم. فقد أنشأوا سلسلة من اختبارات الوحدة (unit tests) تعمل دون اتصال بالإنترنت أو تدخل بشري، للتحقق من أن الأداة تتبع قواعدها في كل سيناريو ممكن. كما قاموا بتشغيل الأداة على أربعة مشاريع عينة لمراقبة العملية بأكملها من البداية إلى النهاية. وأظهرت النتائج أن الأداة تنجح في فصل صلاحيات اتخاذ القرار. فهي لا تسمح أبدًا للذكاء الاصطنا_ي باختيار نسخة، ولا تعدل ملفًا دون عمل نسخة احتياطية واضحة، ولا تشغل أي أمر يمكن اختطافه بواسطة نص برمجي خبيث. كما تعترف الأداة صراحةً عندما لا تجد نسخة آمنة أو عندما يفشل اختبار ما، بدلاً من إخفاء المشكلة أو التظاهر بأن المشكلة قد حُلّت.
خلصت الدراسة إلى أنه بينما يعد الذكاء الاصطناعي قويًا، فإنه ليس موثوقًا بما يكفي بعد لاتخاذ قرارات عالية المخاطر بشأن أمن البرمجيات بمفرده. وجد المؤلف أن المحاولات السابقة للسماح لوكلاء الذكاء الاصطناعي باختيار النسخ أدت غالبًا إلى اختيار أجزاء كانت معروفة بالفعل بأنها خطيرة. ومن خلال إبقاء اختيار النسخة في يد عملية ثابتة وقابلة للتدقيق، وتقييد دور الذكاء الاصطناعي في دور ضيق وخاضع للإشراف، يوفر "باتش بايلوت" مسارًا أكثر أمانًا للأمام. لا تدعي الأداة أنها تحل كل مشكلة؛ فهي تعترف بأنها لا تستطيع التحقق مما إذا كانت النسخة الجديدة ستعمل بشكل مثالي مع كل قطعة كود، وهي لا تحاول إصلاح المشاريع المعقدة للغاية أو التي تستخدم أنظمة غير مدعومة. بدلاً من ذلك، تركز على جعل عملية الإصلاح شفافة، وقابلة للتراجع، وتحت السيطرة البشرية. ويرى الباحثون أن هذا ليس حلاً نهائيًا، بل هو خطوة ضرورية نحو مستقبل يمكن فيه الوثوق بالأتمتة، من خلال ضمان عدم ترك القرارات الأكثر خطورة للصدفة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.