أثر استخدام النماذج اللغوية الكبيرة في توليد الشفرة البرمجية على أمن البرمجيات

الملخص

         إن إدماج نماذج اللغات الكبيرة (LLMs) في مسارات عمل هندسة البرمجيات الحديثة قد أعاد تشكيل عملية التوليد الآلي للشيفرة البرمجية بشكل جوهري إلا أن المخاطر الأمنية المقترنة بالشيفرات البرمجية المولدة بواسطة الذكاء الاصطناعي لا تزال تشكل تحديا كبيرا لمدى موثوقية البرمجيات وسلامة سلاسل التوريد. تقدم هذه الورقة البحثية تحليلا شاملا للبحوث الأولية المنشورة بين عامي 2022 و2026 للتحقق من كيفية تأثير إكمال الشيفرات وتخليقها المدعوم بنماذج اللغات الكبيرة على أمن البرمجيات. وتأسيسا على الالتزام الصارم بإرشادات العناصر المفضلة للإبلاغ عن المراجعات المنهجية والتحليلات البعدية (PRISMA 2020)؛ تم استرجاع 55 دراسة أولية وتقييمها نقديا، عبر خمس مستودعات رقمية رئيسية: IEEE Xplore   ،ACM Digital Library، Scopus، ScienceDirect، وarXiv  . ويثبت هذا التحليل البحثي أنه على الرغم من إسهام النماذج اللغوية الكبيرة في تعزيز إنتاجية المطورين بدرجة كبيرة إلا أن النماذج التجارية والمفتوحة المصدر بما في ذلك GitHub Copilot (powered by OpenAI Codex/GPT-4o) ، OpenAI GPT-3.5-Turbo and GPT-4 ، Llama 2 (13B/70B) and Llama 3 (8B/70B)MetaوCodeLlama (7B/13B/34B/70B-Python) غالبا ما تُدخل ثغرات أمنية خطيرة، مثل: حقن SQL (CWE-89)، وتجاوز سعة المخزن التجميعي (CWE-119/CWE-120والبرمجة العابرة للمواقع (CWE-79). وهي ثغرات تتوافق مباشرة مع نقاط الضعف المصنفة في قائمة الثغرات الشائعة (CWE) وقائمة OWASP Top 10. ولمواجهة هذه العيوب الأمنية، تقترح الأدبيات البحثية أربع متجهات دفاعية رئيسية، تتمثل في: هندسة الأوامر المدركة للأمن، وحلقات التغذية الراجعة للتحليل الاستاتيكي، والضبط الدقيق للنماذج الموجهة بواسطة Oracle، وأطر الضوابط الوقائية للأنظمة الوكيلة. وأخيرًا، توحد هذه الورقة البحثية هذه النتائج المذكورة ضمن تصنيف موحد، وتقيّم أداء النماذج عبر الاختبارات المعيارية، وتحدد الاتجاهات البحثية المستقبلية الاستراتيجية للوصول إلى توليد برمجيات آمن ومدعم بالذكاء الاصطناعي.