Fine-Tuned CodeBERT for Web Threat Classification using Agentic Reasoning
تُثبت هذه الورقة أن نموذج CodeBERT الذي تم ضبطه بدقة، والمُحسَّن بمدخلات مكونة من 64 رمزاً، يحقق دقة وكفاءة متفوقتين على نماذج المحولات الأخرى في الكشف المتزامن عن هجمات حقن SQL وهجمات XSS، مما يجعله حلاً فعالاً من حيث التكلفة لجدران حماية تطبيقات الويب خفيفة الوزن.
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
إن الإنترنت سوق شاسعة ومفتوحة تتدفق فيها المعلومات بحرية، لكن هذا الانفتاح يستدعي أيضاً المشاكل. ففي كل يوم، تواجه تطبيقات الويب — وهي المواقع التي تتيح لك التسوق أو الخدمات المصرفية أو قراءة الأخبار — محاولات للاختراق. اثنتان من أكثر الحيل شيوعاً التي يستخدمها المهاجمون تُعرف باسم "حقن SQL" و"برمجة المواقع عبر المواقع" (XSS). وببساو لغة بسيطة، يشبه حقن SQL تمرير ملاحظة مزورة في استعلام قاعدة بيانات، مما يخدع النظام للكشف عن معلومات سرية أو تغيير سجلات لا ينبغي له تغييرها. أما برمجة المواقع عبر المواقع، فهي تشبه إخفاء نص برمجي خبيث داخل تعليق أو حقل نموذج، والذي يعمل بعد ذلك على جهاز الكمبيوتر الخاص بأي شخص يشاهد الصفحة، وغالباً ما يسرق تفاصيل تسجيل الدخول الخاصة به أو يسيطر على جلسته. ولإيقاف هذه الهجمات، تستخدم المواقع الإلكترونية حراس بوابة رقميين يُطلق عليهم "جدران حماية تطبيقات الويب". لسنوات، اعتمد هؤلاء الحراس على قائمة بالأنماط السيئة المعروفة، مثل حارس أمن يتحقق من الهويات مقابل قائمة بالمشاغبين المعروفين. ومع ذلك، يمكن للمهاجمين الأذكياء تجاوز هذه القوائم بسهولة عن طريق تغيير كودهم الخبيث قليلاً — بإضافة مسافة، أو تغيير حالة حرف، أو إخفائه داخل تعليق — تماماً مثل شخص يغير ملابسه لتجنب التعرف عليه.
ولحل هذه المشكلة، لجأ الباحثون إلى الذكاء الاصطناعي، وتحديداً نوع من البرامج الحاسوبية يسمى "المحول" (Transformer). فكر في "المحول" كآلة تقرأ النص وتتعلم البنية الأساسية للغة، تماماً مثل طالب يقرأ آلاف الكتب لفهم القواعد والسياق بدلاً من مجرد حفظ كلمات محددة. بعض هذه الآلات يتم تدريبها على نصوص عامة، بينما يتم تدريب البعض الآخر، مثل تلك التي كانت في مركز هذه الدراسة، على كل من اللغة الطبيعية وكود الكمبيوتر. أراد الباحثون معرفة ما إذا كان بإمكان آلة مدربة على الكود اكتشاف هجمات الويب هذه بشكل أفضل من الآلات المدربة على النصوص العامة، وما إذا كان بإمكانها القيام بذلك بسرعة كافية لتكون مفيدة في الوقت الفعلي. كما أرادوا معرفة ما إذا كان استخدام نسخة أقصر وأكثر كفاءة من الآلة سيضحي بالدقة من أجل السرعة، وهو مقايضة حاسمة للأنظمة التي يجب أن تتخذ قرارات في أجزاء من الثانية.
في دراسة حديثة، وضع باحثون من جامعة وستمنستر الدولية في طشقند هذه الأسئلة تحت الاختبار باستخدام نهج جديد وصارم. لقد جمعوا مجموعة ضخمة من بيانات حركة مرور الويب، حيث مزجوا بين الآلاف من الأمثلة لطلبات غير ضارة وهجمات خبيثة. ولضمان موثوقية نتائجهم، قاموا بتنظيف البيانات بدقة، وإزالة المدخلات المكررة وإضافة مجموعة صغيرة من الجمل الخادعة وغير الضارة التي تبدو كأنها هجمات لمعرفة ما إذا كانت الآلات ستصاب بالارتباك. ثم أخذوا أربعة إصدارات مختلفة من نماذج الذكاء الاصطناعي هذه وعلموها التمييز بين حركة المرور الجيدة والسيئة باستخدام نفس القواعد والبيانات تماماً. أحد هذه النماذج كان "CodeBERT"، وهو نظام تم تدريبه مسبقاً على الكود المصدري، بينما كانت النماذج الأخرى نماذج عامة مثل "BERT" و"RoBERTa". كان الهدف هو معرف من خلال رؤية ما إذا كان النموذج المدرب على الكود يمتلك ميزة طبيعية في رصد المزيج الغريب من أوامر قواعد البيانات ونصوص الويب الموجودة في هذه الهجمات.
كانت النتائج متسقة بشكل ملحوظ في جميع المجالات. أظهرت جميع النماذج الأربعة دقة استثنائية، حيث حددت طبيعة حركة المرور بشكل صحيح في أكثر من 99 في المئة من الحالات. وعندما نظر الباحثون عن كثب في الأخطاء القليلة المرتكبة، وجدوا أن الاختلافات بين النماذج كانت صغيرة جداً لدرجة أنه يمكن إرجاعها بسهولة إلى الصدفة العشوائية بدلاً من كون أحد النماذج متفوقاً حقاً. فقد ارتكب نموذج "CodeBERT" المدرب على الكود سبعة أخطاء من بين أكثر من 6,000 عينة اختبار، وهو أداء لا يمكن تمييزه إحصائياً عن النماذج الأخرى، التي ارتكبت ما بين ثمانية واثني عشر خطأً. يتحدى هذا الاكتشاف الافتراض بأن النموذج المتخصص المدرب على الكود هو بطبيعته أفضل في هذه المهمة المحددة من النموذج العام، على الأقل عندما يتم إعطاؤهما نفس القدر من البيانات ووقت التدريب. وتشير الدراسة إلى أنه بالنسبة لمهمة اتخاذ قرار بسيط حول ما إذا كان الطلب خبيثاً أم لا، فإن اختيار النموذج يهم أقل من جودة البيانات وطريقة الاختبار.
ومع ذلك، كشفت الدراسة عن اختلافات مهمة في كيفية سلوك هذه النماذج تحت الضغط. فبينما كانت درجات الدقة متطابقة تقريباً، اختلفت أنواع الأخطاء التي ارتكبتها. كان أحد النماذج أكثر عرضة للسماح لهجوم خبيث بالتسلل، بينما كان نموذج آخر أكثر عرضة لحظر طلب غير ضار عن طريق الخطأ. وهذا التمييز حيوي للأمن في العالم الحقيقي، حيث تختلف تكلفة الإنذار الكاذب عن تكلفة الاختراق. علاوة على ذلك، اختبر الباحثون مدى سرعة عمل هذه النماذج. ووجدوا أنه من خلال تقصير كمية النص التي يتعين على النماذج معالجتها في وقت واحد، استطاعوا تقليل الوقت المطلوب لتدريب النظام بنسبة تقارب النصف وتقليل الوقت الذي يستغرقه اتخاذ القرار بنسبة 50 في المئة تقريباً، وكل ذلك دون فقدان أي دقة تذكر. وهذا يشير إلى أنه بالنسبة لأنظمة الأمن خفيفة الوزن التي تحتاج إلى السرعة والكفاءة، هناك مسار واضح للتحسين لا يتطلب التضحية بالسلامة.
كما أخضع الباحثون نماذجهم لاختبار جهد باستخدام مجموعة صغيرة من الهجمات المصممة خصيصاً والمموّهة (obfuscated) والتي صُممت لخداع النظام. في هذا السيناريو، انخفض أداء النماذج بشكل ملحوظ، حيث تراجعت الدقة إلى حوالي 86 في المئة. يسلط هذا الانخفاض الضوء على واقع حرج: وهو أن النظام الذي يبدو مثالياً في الاختبارات القياسية قد يظل عرضة للهجمات المموهة بذكاء. وتذكر الدراسة صراحة أن الدرجات العالية التي ظهرت في الاختبارات القياسية لا تضمن المتانة ضد تقنيات التهرب. وقد كان الباحثون حذرين في ذكر أن عملهم هو خطوة أولى، حيث يركز فقط على القرار الثنائي حول ما إذا كانت حركة المرور سيئة أم جيدة، بدلاً من تحديد النوع المحدد للهجوم. كما أقروا بأن مجموعة البيانات الخاصة بهم، رغم ضخامتها، محدودة بالمصادر العامة، وأن اختبار الإجهاد الخاص بهم كان صغيراً.
في النهاية، توفر هذه الأبحاث صورة واضحة وموضوعية للحالة الراهنة للذكاء الاصطناعي في أمن الويب. فهي تثبت أنه بينما يمكن للنماذج المتقدمة تحقيق دقة تقترب من المثالية في اكتشاف هجمات الويب الشائعة، فإن الاختلافات بين النماذج المتخصصة والعامة غالباً ما تكون ضئيلة في الممارسة العملية. القيمة الحقيقية لا تكمن في العثور على نموذج واحد "أفضل"، بل في فهم المقايضات بين السرعة والتكلفة وأنواع الأخطاء المحددة التي قد يرتكبها النظام. ومن خلال إظهار أنه يمكن تحقيق الكفاءة دون التضحية بالدقة، تقدم الدراسة خارطة طريق عملية لبناء أدوات أمنية أسرع وأخف وزناً. إنها تذكرنا بأنه في المعركة المستمرة من أجل سلامة الويب، لا يقتصر الهدف على بناء آلة أذكى فحسب، بل بناء آلة أكثر موثوقية وكفاءة يمكنها مواكبة التكتيكات المتطورة لأولئك الذين يسعون للاختراق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.