۱. معرفی مقاله و اهمیت آن

در دنیای امروز که نرم‌افزار بخش جدایی‌ناپذیری از زندگی روزمره و زیرساخت‌های حیاتی را تشکیل می‌دهد، امنیت آن از اهمیت بالایی برخوردار است. آسیب‌پذیری‌های نرم‌افزاری، که به دلیل نقص‌های ناخواسته در کدهای منبع به وجود می‌آیند، ریشه اصلی بسیاری از حملات سایبری موفق هستند. این آسیب‌پذیری‌ها می‌توانند منجر به نقض داده‌ها، سرقت اطلاعات، از کار انداختن سیستم‌ها و خسارات مالی و اعتباری گسترده شوند.

توسعه‌دهندگان نرم‌افزار، علیرغم تلاش‌های فراوان، ناخواسته خطاهایی را در کد خود وارد می‌کنند که می‌توانند به نقاط ضعفی برای مهاجمان تبدیل شوند. شناسایی این نقص‌ها قبل از استقرار نرم‌افزار، یک چالش بزرگ و پرهزینه است. روش‌های سنتی مانند بازبینی دستی کد یا تست‌های امنیتی، اغلب زمان‌بر، پرهزینه و مستعد خطای انسانی هستند. ابزارهای تحلیل استاتیک کد، اگرچه پیشرفت‌هایی داشته‌اند، اما معمولاً با نرخ بالای هشدارهای کاذب (False Positives) یا ناتوانی در شناسایی الگوهای پیچیده‌تر آسیب‌پذیری (False Negatives) مواجه هستند.

مقاله “شبکه عصبی عمیق سلسله‌مراتبی برای شناسایی خطوط کد آسیب‌پذیر” (A Hierarchical Deep Neural Network for Detecting Lines of Codes with Vulnerabilities) گامی مهم در جهت غلبه بر این چالش‌ها برداشته است. این مقاله با معرفی یک رویکرد نوین مبتنی بر یادگیری عمیق، راه حلی خودکار و دقیق برای شناسایی آسیب‌پذیری‌ها در کدهای منبع ارائه می‌دهد. اهمیت این پژوهش در توانایی آن برای کاهش چشمگیر تهدیدات سایبری از طریق بهبود کیفیت و امنیت نرم‌افزار در مراحل اولیه توسعه نهفته است.

۲. نویسندگان و زمینه تحقیق

مقاله حاضر توسط آقای آرش مهیاری نگاشته شده است. این تحقیق در تقاطع چندین حوزه علمی حیاتی قرار می‌گیرد که هر یک سهم بسزایی در شکل‌گیری و موفقیت این رویکرد ایفا کرده‌اند:

• امنیت و رمزنگاری (Cryptography and Security): این حوزه، هسته اصلی مشکل مورد بررسی، یعنی آسیب‌پذیری‌های نرم‌افزاری و پیامدهای امنیتی آن‌ها را تشکیل می‌دهد. درک ماهیت و انواع آسیب‌پذیری‌ها برای طراحی یک سیستم تشخیص موثر ضروری است.
• هوش مصنوعی (Artificial Intelligence) و یادگیری ماشین (Machine Learning): این دو حوزه، چارچوب متدولوژیکی اصلی تحقیق را فراهم می‌کنند. استفاده از شبکه‌های عصبی عمیق و الگوریتم‌های یادگیری ماشین برای شناسایی الگوهای پیچیده در داده‌های کد، سنگ بنای این رویکرد است.
• زبان‌های برنامه‌نویسی (Programming Languages): این حوزه، موضوع و بستر تحلیل را مشخص می‌کند. درک ساختار، نحو و معناشناسی زبان‌های برنامه‌نویسی، به‌ویژه در سطح نمایش‌های میانی (مانند LLVM IR)، برای ترجمه کد به فرمتی که مدل‌های یادگیری عمیق بتوانند آن را پردازش کنند، حیاتی است.
• مهندسی نرم‌افزار (Software Engineering): این حوزه، زمینه عملی و کاربردی تحقیق را شامل می‌شود. هدف نهایی، ارائه ابزاری است که بتواند در فرایندهای توسعه نرم‌افزار ادغام شده و به بهبود کیفیت، قابلیت اطمینان و امنیت محصولات نرم‌افزاری کمک کند.

این همگرایی بین‌رشته‌ای نشان می‌دهد که حل مسائل پیچیده‌ای مانند تشخیص آسیب‌پذیری‌های کد نیازمند دیدگاهی جامع و استفاده از ابزارهای پیشرفته از علوم مختلف است. آقای مهیاری با تلفیق این حوزه‌ها، توانسته است راه حلی نوآورانه و کارآمد ارائه دهد که محدودیت‌های روش‌های سنتی را برطرف می‌کند.

۳. چکیده و خلاصه محتوا

چکیده مقاله به روشنی بیان می‌کند که آسیب‌پذیری‌های نرم‌افزاری، که از نقص‌های ناخواسته در کدهای منبع نشأت می‌گیرند، عامل اصلی حملات سایبری هستند. روش‌های تحلیل استاتیک کد به‌طور گسترده برای شناسایی این نقص‌ها که توسط توسعه‌دهندگان وارد کدهای منبع می‌شوند، مورد استفاده قرار گرفته‌اند. با این حال، همان‌طور که پیش‌تر اشاره شد، این روش‌ها اغلب با چالش‌هایی نظیر دقت پایین و نرخ بالای هشدارهای کاذب روبرو هستند.

در پاسخ به این چالش‌ها، مقاله حاضر یک رویکرد یادگیری عمیق را برای شناسایی آسیب‌پذیری‌ها از نمایش‌های LLVM IR (Intermediate Representation) آن‌ها پیشنهاد می‌دهد. این رویکرد الهام گرفته از تکنیک‌های به‌کار رفته در پردازش زبان طبیعی (NLP) است. به عبارت دیگر، کد منبع به گونه‌ای پردازش می‌شود که گویی یک زبان طبیعی است، با این تفاوت که ساختار و معناشناسی آن بسیار دقیق‌تر و منطقی‌تر است.

نقطه قوت و نوآوری اصلی این رویکرد، استفاده از یک فرایند سلسله‌مراتبی است. این فرایند دو مرحله‌ای عمل می‌کند:

1. شناسایی کدهای منبع آسیب‌پذیر: در مرحله اول، مدل کلیت یک فایل یا ماژول کد را بررسی کرده و تشخیص می‌دهد که آیا در آن فایل آسیب‌پذیری وجود دارد یا خیر. این مرحله به عنوان یک فیلتر اولیه عمل می‌کند.
2. شناسایی خطوط کد مشارکت‌کننده: پس از شناسایی کدهای منبعی که حاوی آسیب‌پذیری هستند، مدل به تحلیل دقیق‌تر پرداخته و خطوط دقیق کدی را که به آن آسیب‌پذیری کمک می‌کنند، مشخص می‌نماید. این تفکیک دقیق، برای رفع سریع و موثر آسیب‌پذیری بسیار حیاتی است.

این رویکرد دو مرحله‌ای مزیت مهمی دارد: کاهش چشمگیر هشدارهای کاذب در شناسایی خطوط کد آسیب‌پذیر. با تمرکز بر تحلیل خطوط کد تنها در فایل‌هایی که قبلاً به عنوان آسیب‌پذیر شناخته شده‌اند، از تحلیل بیهوده و تولید هشدارهای غیرضروری برای حجم وسیعی از کدهای سالم جلوگیری می‌شود. آزمایش‌های گسترده بر روی کدهای واقعی و مصنوعی جمع‌آوری شده در پایگاه‌های داده NVD (National Vulnerability Database) و SARD (Software Assurance Reference Dataset)، دقت بالای تقریباً ۹۸% را در شناسایی آسیب‌پذیری‌های کد منبع نشان می‌دهد که گواهی بر اثربخشی این روش است.

۴. روش‌شناسی تحقیق

متدولوژی ارائه شده در این مقاله، یک رویکرد پیشرفته و جامع بر پایه یادگیری عمیق سلسله‌مراتبی است که به طور خاص برای شناسایی دقیق آسیب‌پذیری‌ها در کدهای نرم‌افزاری طراحی شده است. هسته این روش، استفاده هوشمندانه از نمایش میانی LLVM IR و الهام گرفتن از تکنیک‌های پردازش زبان طبیعی (NLP) است.

الف. استفاده از LLVM IR به جای کد منبع خام

به جای پردازش مستقیم کدهای منبع به زبان‌هایی مانند C++ یا Java، این تحقیق از نمایش میانی LLVM IR استفاده می‌کند. دلایل این انتخاب عبارتند از:

• مستقل بودن از زبان: LLVM IR یک فرمت مشترک برای نمایش کدهای نوشته شده در زبان‌های مختلف (C, C++, Objective-C, Swift, Rust و غیره) فراهم می‌کند. این امر باعث می‌شود مدل طراحی شده عمومی‌تر بوده و قابلیت اعمال بر کدهای تولید شده از زبان‌های متفاوت را داشته باشد.
• ساختارمند بودن: LLVM IR ساختار منظمی دارد که در آن هر دستورالعمل به وضوح تعریف شده است. این ساختار، استخراج ویژگی‌ها و آموزش مدل‌های یادگیری عمیق را آسان‌تر می‌کند.
• حفظ اطلاعات معنایی: LLVM IR سطح بالاتری از جزئیات معنایی را نسبت به کد ماشین و در عین حال سطح انتزاعی پایین‌تری نسبت به کد منبع اصلی حفظ می‌کند. این ویژگی برای شناسایی آسیب‌پذیری‌ها که اغلب به رفتار معنایی کد مربوط می‌شوند، بسیار مهم است.

ب. تکنیک‌های پردازش زبان طبیعی (NLP)

کد به نوعی یک “زبان” است که دارای نحو، معناشناسی و ساختار خاص خود است. الهام گرفتن از NLP به این معنی است که تکنیک‌های موفق در تحلیل متون انسانی (مانند تشخیص اسپم، ترجمه ماشینی) برای تحلیل کد به کار گرفته شده‌اند:

• Embeddings (تعبیه‌ها): توکن‌های LLVM IR (مانند اسامی متغیرها، عملگرها، توابع) به بردارهای عددی (embeddings) تبدیل می‌شوند. این بردارها روابط معنایی بین توکن‌ها را در یک فضای چندبعدی نمایش می‌دهند، به طوری که توکن‌های مشابه از نظر معنایی به هم نزدیک‌تر باشند. این کار به مدل کمک می‌کند تا الگوهای کلی را به جای حفظ توکن‌های خاص، یاد بگیرد.
• مدل‌سازی توالی: از آنجا که کد یک توالی از دستورالعمل‌ها است و آسیب‌پذیری‌ها اغلب از ترتیب و تعامل این دستورالعمل‌ها ناشی می‌شوند، مدل‌های NLP مناسب برای پردازش توالی‌ها (مانند شبکه‌های عصبی بازگشتی LSTM یا GRU، یا حتی معماری‌های ترانسفورمر) می‌توانند برای درک وابستگی‌های بلندمدت در کد به کار روند.

ج. شبکه عصبی عمیق سلسله‌مراتبی و دو مرحله‌ای

این بخش، هسته نوآوری متدولوژی است:

مرحله اول: شناسایی کدهای منبع آسیب‌پذیر (Vulnerable Source Code Detection)

در این مرحله، هدف تعیین این است که آیا یک فایل یا ماژول کد خاص، به طور کلی، حاوی آسیب‌پذیری است یا خیر. مدل یادگیری عمیق، نمایش LLVM IR کل کد را به عنوان ورودی دریافت می‌کند و یک برچسب باینری (آسیب‌پذیر/غیرآسیب‌پذیر) تولید می‌کند. این مرحله به عنوان یک فیلتر اولیه عمل می‌کند تا حجم کدی که نیاز به تحلیل عمیق‌تر دارد را به شدت کاهش دهد. به عنوان مثال، اگر یک پروژه نرم‌افزاری شامل هزاران فایل کد باشد، این مرحله می‌تواند به سرعت بخش قابل توجهی از فایل‌های امن را شناسایی کرده و آن‌ها را از پردازش‌های بعدی حذف کند.

مرحله دوم: شناسایی خطوط کد مشارکت‌کننده (Vulnerability Contributing Lines Detection)

تنها کدهایی که در مرحله اول به عنوان آسیب‌پذیر شناسایی شده‌اند، وارد این مرحله می‌شوند. در این مرحله، مدل با دقت بسیار بالاتری به تحلیل می‌پردازد تا خطوط دقیق کدی را که منجر به آسیب‌پذیری می‌شوند، مشخص کند. این مرحله می‌تواند از مکانیزم‌های توجه (Attention Mechanisms) یا مدل‌های تگ‌گذاری توالی (Sequence Tagging) استفاده کند تا اهمیت هر خط یا توکن کد را در بروز آسیب‌پذیری ارزیابی کند. برای مثال، اگر یک آسیب‌پذیری از نوع SQL Injection باشد، این مرحله می‌تواند خطوط ورودی کاربر که به درستی فیلتر نشده‌اند و همچنین خطوطی که آن ورودی را در یک کوئری SQL استفاده می‌کنند، شناسایی کند. مزیت این رویکرد، کاهش قابل توجه هشدارهای کاذب در سطح خطی است، چرا که مدل تنها در کدهای مشکوک به دنبال خطوط آسیب‌پذیر می‌گردد.

د. داده‌ها و ارزیابی

برای آموزش و ارزیابی مدل، از دو مجموعه داده معتبر و گسترده استفاده شده است:

• NVD (National Vulnerability Database): این یک پایگاه داده عمومی دولت ایالات متحده است که لیستی از آسیب‌پذیری‌های شناخته شده در نرم‌افزارهای مختلف را جمع‌آوری می‌کند. استفاده از داده‌های NVD تضمین می‌کند که مدل بر روی آسیب‌پذیری‌های واقعی و مستند شده آموزش دیده است.
• SARD (Software Assurance Reference Dataset): این مجموعه داده شامل کدهای آسیب‌پذیر و غیرآسیب‌پذیر، هم واقعی و هم مصنوعی، است که به طور خاص برای تست و ارزیابی ابزارهای تحلیل امنیتی نرم‌افزار طراحی شده است. استفاده از SARD به ارزیابی قوی و قابل تعمیم بودن مدل کمک می‌کند.

این ترکیب از متدولوژی پیشرفته، استفاده هوشمندانه از نمایش‌های کد و آموزش بر روی داده‌های معتبر، پایه و اساس موفقیت چشمگیر این تحقیق را تشکیل می‌دهد.

۵. یافته‌های کلیدی

نتایج حاصل از آزمایش‌های گسترده و دقیق بر روی رویکرد پیشنهادی، نشان‌دهنده عملکرد بسیار قوی و اثربخشی بالای آن در شناسایی آسیب‌پذیری‌هاست. یافته‌های کلیدی این مقاله به شرح زیر است:

• دقت بالای شناسایی (حدود ۹۸%): مدل پیشنهادی توانسته است با دقت تقریباً ۹۸ درصد، کدهای منبعی را که حاوی آسیب‌پذیری هستند، شناسایی کند. این میزان دقت، بسیار چشمگیر است و نشان‌دهنده توانایی بالای شبکه عصبی عمیق در یادگیری الگوهای پیچیده مرتبط با آسیب‌پذیری‌ها از نمایش‌های LLVM IR است. دستیابی به چنین دقتی در مسائل امنیتی، که معمولاً با نویز بالا و چالش‌های فراوان همراه است، یک دستاورد مهم محسوب می‌شود. این بدان معناست که از هر ۱۰۰ قطعه کد آسیب‌پذیر، حدود ۹۸ مورد به درستی توسط سیستم تشخیص داده می‌شوند.
• کاهش چشمگیر هشدارهای کاذب: یکی از مشکلات اصلی ابزارهای تحلیل استاتیک سنتی، تعداد بالای هشدارهای کاذب است که توسعه‌دهندگان را مجبور به صرف زمان زیادی برای بررسی هشدارهای بی‌اهمیت می‌کند. رویکرد سلسله‌مراتبی دو مرحله‌ای این مقاله، به طور موثری این مشکل را کاهش می‌دهد. با فیلتر کردن کدهای سالم در مرحله اول و تنها تمرکز بر تحلیل خطوط در کدهای آسیب‌پذیر شناسایی شده، تعداد هشدارهای اشتباه در سطح خطی به شدت کاهش می‌یابد. این مزیت، کارایی عملی مدل را برای توسعه‌دهندگان و تیم‌های امنیتی به شدت افزایش می‌دهد.
• اثبات کارایی بر روی داده‌های واقعی و مصنوعی: آزمایش‌ها بر روی هر دو مجموعه داده NVD (شامل آسیب‌پذیری‌های واقعی و مستند شده) و SARD (شامل کدهای مصنوعی و واقعی) انجام شده است. این گستردگی در داده‌های ارزیابی، نشان‌دهنده قابلیت تعمیم (Generalizability) و پایداری (Robustness) مدل است. مدل نه تنها قادر است آسیب‌پذیری‌های شناخته شده را شناسایی کند، بلکه می‌تواند الگوهای آسیب‌پذیری را در کدهای جدید و متنوع نیز تشخیص دهد.

این یافته‌ها به وضوح نشان می‌دهند که رویکرد یادگیری عمیق سلسله‌مراتبی پیشنهادی، یک پیشرفت قابل توجه در زمینه تشخیص آسیب‌پذیری‌های نرم‌افزاری است. دقت بالا و کاهش هشدارهای کاذب، آن را به ابزاری قدرتمند و کاربردی برای بهبود امنیت نرم‌افزار تبدیل می‌کند.

۶. کاربردها و دستاوردها

دستاوردها و کاربردهای عملی این تحقیق از اهمیت بالایی برخوردار هستند و می‌توانند تأثیرات شگرفی در توسعه نرم‌افزارهای امن و کاهش خطرات سایبری داشته باشند:

• ممیزی امنیتی خودکار (Automated Security Auditing): این رویکرد می‌تواند به عنوان بخشی جدایی‌ناپذیر از خطوط لوله CI/CD (Continuous Integration/Continuous Deployment) ادغام شود. با هر commit جدید کد، سیستم به طور خودکار کد را برای آسیب‌پذیری‌ها اسکن کرده و بازخورد فوری به توسعه‌دهندگان ارائه می‌دهد. این امر امکان شناسایی و رفع آسیب‌پذیری‌ها را در مراحل اولیه چرخه عمر توسعه نرم‌افزار فراهم می‌سازد که به مراتب کم‌هزینه‌تر از رفع آن‌ها پس از استقرار است.
• پشتیبانی از توسعه‌دهندگان (Developer Support): با شناسایی دقیق خطوط کد آسیب‌پذیر، توسعه‌دهندگان می‌توانند به سرعت به ریشه مشکل پی ببرند و اصلاحات لازم را اعمال کنند. این سیستم می‌تواند به عنوان یک دستیار هوشمند امنیتی عمل کرده و به توسعه‌دهندگان کمک کند تا کدهای امن‌تری بنویسند و از الگوهای رایج آسیب‌پذیری آگاه شوند.
• امنیت پیشگیرانه (Proactive Security): به جای واکنش به حملات پس از وقوع، این ابزار امکان یک رویکرد پیشگیرانه را فراهم می‌آورد. با شناسایی و رفع آسیب‌پذیری‌ها قبل از اینکه مهاجمان فرصت سوءاستفاده پیدا کنند، می‌توان سطح حمله (Attack Surface) را به شدت کاهش داد و از وقوع بسیاری از نقض‌های امنیتی جلوگیری کرد.
• افزایش امنیت زنجیره تأمین نرم‌افزار (Software Supply Chain Security): با توجه به استفاده گسترده از کتابخانه‌ها و ماژول‌های متن‌باز و شخص ثالث، اسکن خودکار این اجزا برای آسیب‌پذیری‌ها حیاتی است. این روش می‌تواند به شرکت‌ها کمک کند تا از عدم وجود آسیب‌پذیری‌های پنهان در وابستگی‌های پروژه خود اطمینان حاصل کنند.
• کمک به تحقیقات و آموزش (Research and Education): نتایج این تحقیق راه را برای پژوهش‌های آتی در زمینه استفاده از هوش مصنوعی برای امنیت نرم‌افزار هموار می‌کند. همچنین، می‌تواند به عنوان ابزاری آموزشی برای دانشجویان و متخصصان امنیت سایبری مورد استفاده قرار گیرد تا آن‌ها را با ماهیت آسیب‌پذیری‌ها و روش‌های تشخیص خودکار آن‌ها آشنا سازد.
• دستاورد علمی: ارائه یک چارچوب یادگیری عمیق نوین که با موفقیت چالش‌های تشخیص آسیب‌پذیری را با دقت و کارایی بالا حل می‌کند، یک دستاورد علمی مهم است. ترکیب LLVM IR، NLP و رویکرد سلسله‌مراتبی، یک مسیر جدید و امیدوارکننده را در این زمینه باز می‌کند.

به طور خلاصه، این تحقیق نه تنها مرزهای دانش در زمینه امنیت نرم‌افزار و هوش مصنوعی را جابجا می‌کند، بلکه ابزاری عملی و قدرتمند را برای مقابله با یکی از مهم‌ترین تهدیدات دنیای دیجیتال امروز ارائه می‌دهد.

۷. نتیجه‌گیری

در این مقاله، آقای آرش مهیاری یک رویکرد نوین و کارآمد برای شناسایی آسیب‌پذیری‌ها در کدهای منبع نرم‌افزاری ارائه داده است که مبتنی بر یک شبکه عصبی عمیق سلسله‌مراتبی است. این روش با بهره‌گیری هوشمندانه از نمایش‌های LLVM IR و تکنیک‌های پیشرفته پردازش زبان طبیعی، توانسته است گامی بزرگ در جهت خودکارسازی و افزایش دقت در تشخیص آسیب‌پذیری‌ها بردارد.

نوآوری اصلی این پژوهش در فرایند دو مرحله‌ای و سلسله‌مراتبی آن نهفته است. ابتدا، مدل کدهای منبع را به صورت کلی برای وجود آسیب‌پذیری ارزیابی می‌کند و سپس، تنها در کدهای شناسایی شده به عنوان آسیب‌پذیر، به شناسایی دقیق خطوط کد مشارکت‌کننده می‌پردازد. این استراتژی نه تنها منجر به دقت بالای تقریباً ۹۸ درصدی در شناسایی کدهای آسیب‌پذیر می‌شود، بلکه به طور چشمگیری هشدارهای کاذب را نیز کاهش می‌دهد که این امر برای کاربردپذیری سیستم در محیط‌های واقعی توسعه، حیاتی است.

نتایج آزمایش‌های انجام شده بر روی مجموعه داده‌های NVD و SARD، استحکام و قابلیت تعمیم این رویکرد را تأیید می‌کند. این دستاوردها تأثیرات عمیقی بر حوزه مهندسی نرم‌افزار و امنیت سایبری خواهد داشت، از جمله تسهیل ممیزی‌های امنیتی خودکار، کمک به توسعه‌دهندگان برای تولید کدهای امن‌تر، و تقویت امنیت زنجیره تأمین نرم‌افزار.

به عنوان کارهای آینده، این رویکرد می‌تواند برای پوشش طیف وسیع‌تری از زبان‌های برنامه‌نویسی بهینه‌سازی شود، قابلیت پیشنهاد راه‌حل‌های اصلاحی برای آسیب‌پذیری‌های شناسایی شده به آن اضافه گردد، و یا حتی در سیستم‌های تحلیل بلادرنگ (Real-time Analysis) ادغام شود تا بازخورد لحظه‌ای در حین کدنویسی به توسعه‌دهندگان ارائه دهد. این پژوهش نه تنها مرزهای فعلی تشخیص آسیب‌پذیری را جابجا می‌کند، بلکه بستری قدرتمند برای نوآوری‌های آینده در زمینه امنیت نرم‌افزار مبتنی بر هوش مصنوعی فراهم می‌آورد.