كيف يحوّل OpenHack نماذج الذكاء الاصطناعي إلى مراجعين فعليين لأمن البرمجيات

عند استخدام نماذج اللغة الكبيرة بشكل مباشر لمراجعة الشيفرة، تظهر عدة مشاكل معروفة، منها:

• معدل مرتفع من النتائج الخاطئة (False Positives) حيث يتم الإبلاغ عن أنماط برمجية آمنة باعتبارها ثغرات.
• هلاوس أمنية عندما يخترع النموذج ثغرات غير موجودة فعلياً.
• تحليل غير متسق يتغير حسب صياغة الطلب أو حجم السياق المتاح.

يهدف OpenHack إلى معالجة هذه المشكلات عبر فرض منهجية واضحة على طريقة تحليل النموذج للشيفرة بدلاً من تركه يعمل بأسلوب مفتوح وغير منظم.

تحليل قائم على سيناريوهات الهجوم

إحدى الأفكار الأساسية في OpenHack هي ما يسمى تحديد النطاق وفق سيناريو الهجوم.

بدلاً من فحص عام للشيفرة، يتم توجيه النموذج للتحقيق في فئات هجوم محددة، مثل:

• تتبع تدفق مدخلات المستخدم داخل التطبيق
• البحث عن ثغرات تضمين الملفات المحلية (LFI)
• تحليل كيفية تخزين بيانات الاعتماد أو إعدادات السحابة

هذا النهج يركز انتباه النموذج على هدف واضح، ما يساعده على إجراء تحليل أعمق وتقليل النتائج العامة أو غير المفيدة.

فصل الاكتشاف عن التحقق

ميزة مهمة أخرى في OpenHack هي فصل مرحلة اكتشاف الثغرة عن مرحلة التحقق منها.

في سيناريو التشغيل النموذجي:

1. يحدد وكيل ذكاء اصطناعي احتمال وجود ثغرة.
2. ينتقل التقرير إلى خطوة تحقق مستقلة.
3. يتم قبول الثغرة فقط بعد جمع أدلة واضحة مثل مسار الشيفرة أو سلسلة الاستغلال.

هذا الفصل يساعد على تقليل التقارير الضعيفة ويجبر النظام على تقديم أدلة حقيقية قبل إعلان وجود ثغرة.

تجربة على مشاريع حكومية هولندية

تقول Hadrian إنها استخدمت منهجية مشابهة لتلك الموجودة في OpenHack أثناء مراجعة تطبيقات مفتوحة المصدر تستخدمها جهات حكومية في هولندا.

وبحسب الشركة، تمكنت المراجعة المدعومة بالذكاء الاصطناعي من اكتشاف مئات المشكلات الأمنية خلال ساعات.

أحد الأمثلة التي ذكرتها الشركة تضمن سلسلة هجوم تضمنت:

• ثغرة Local File Inclusion (LFI) بدون مصادقة
• كشف بيانات اعتماد Azure
• مسار محتمل للوصول إلى تنفيذ تعليمات برمجية عن بعد (RCE) داخل بيئة Azure

من المهم الإشارة إلى أن هذه النتائج جاءت من تقارير الشركة نفسها، لذلك يُفضَّل التعامل معها بحذر حتى يتم التحقق منها بشكل مستقل.

لماذا تم نشر المشروع كمصدر مفتوح؟

أطلقت Hadrian مشروع OpenHack على GitHub بترخيص MIT، مع توفير التوثيق الكامل، والمطالبات الجاهزة، وأدوات CLI، ودعم Python 3.9 وما بعده.

ووفقاً للشركة، الهدف هو “تسوية ميدان المنافسة” في اكتشاف الثغرات باستخدام الذكاء الاصطناعي. فإذا أصبحت هذه القدرات مقتصرة على جهات محددة أو أدوات مغلقة المصدر، فقد يجد المدافعون أنفسهم متأخرين عن المهاجمين.

إتاحة المنهجية كمصدر مفتوح تسمح لفرق الأمن والمطورين باستخدام نماذج اللغة المتاحة لديهم لتحليل قواعد الشيفرة الخاصة بهم بطريقة منظمة.

اتجاه أوسع: تدقيق أمني مدعوم بالذكاء الاصطناعي

يعكس OpenHack توجهاً متنامياً في عالم تطوير البرمجيات: استخدام وكلاء الذكاء الاصطناعي لاستكشاف قواعد الشيفرة الكبيرة وتحليلها.

فمع تطور أدوات البرمجة الذكية وبيئات التطوير المعتمدة على الذكاء الاصطناعي، أصبح بالإمكان:

• تحليل مستودعات ضخمة من الشيفرة
• فهم بنية النظام البرمجية
• أتمتة أجزاء من عملية التدقيق الأمني

لكن لتحقيق نتائج موثوقة، تشير مشاريع مثل OpenHack إلى أن المنهجية المنظمة—وليس النموذج وحده—هي العامل الحاسم في تحويل الذكاء الاصطناعي إلى أداة فعالة في اكتشاف الثغرات.