تتزايد إعادة استخدام المطورين لمحولات التكييف منخفض الرتبة المعروفة بمحولات لورا الجاهزة من أطراف ثالثة لتخصيص نماذج توليد الشفرات البرمجية دون اطلاع على كيفية تدريبها، ما يخلق خطرًا على سلسلة إمداد البرمجيات، إذ قد يتصرف المحول المسموم سلوكًا طبيعيًا مع المدخلات النظيفة بينما يفعل وظائف يتحكم فيها المهاجم عند ظهور محفز محدد، وتتناول هذه الدراسة هذا الخطر من زاوية آلية داخلية، مبرهنة أن نمط المحفز ذاته، لا معدل التسميم وحده، هو ما يحدد نظامًا نوعيًا مختلفًا لتعلم الباب الخلفي داخل النموذج، وهو ما يغير طريقة فهم هذا التهديد والتعامل معه جذريًا، ولا تقتصر خطورة الظاهرة على النماذج الكبيرة المغلقة، بل تمتد إلى منظومة كاملة من المحولات المتداولة بحرية في مستودعات مفتوحة يتناقلها المطورون بثقة شبه كاملة، ما يجعل أي ثغرة من هذا النوع قابلة للانتشار الواسع قبل اكتشافها
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى الكشف عن الآليات الداخلية التي يتعلم بها النموذج الأبواب الخلفية بحسب نمط المحفز، ودربت الدراسة 61 نسخة مسمومة من نموذج كود جين مونو على مجموعة بيانات كود سيرش نت، وحقنت فيها ثمانية محفزات للأبواب الخلفية تنتمي إلى فئتين، ثلاث محفزات دلالية قائمة على تعليقات برمجية مكتوبة بلغة طبيعية، وخمس محفزات تركيبية قائمة على تحويلات بنيوية في الشفرة مستمدة من إطار كود بويزنر، واستخدمت الدراسة قياس معدل نجاح الهجوم وتحليل التباس المحفزات المتبادل وتتبع الدوائر الآلية وتقويم دفاع استعادة الطبقات واختبار التعميم الدلالي أدوات للتمييز بين أنماط التعلم الخفي داخل النموذج، وشملت أدوات التحليل تتبع الدوائر الداخلية للنموذج لمعرفة أي الطبقات والمكونات تستجيب لكل محفز، وتقويم دفاع يقوم على استعادة مجموعات من المعاملات إلى حالتها الأصلية لمعرفة كلفة إزالة الباب الخلفي في كل نمط
ثانيًا: أبرز النتائج
أظهرت النتائج أن المحفزات الدلالية تنتج ربطًا ترابطيًا، إذ بلغ معدل نجاح الهجوم 91 في المئة، وبلغ مؤشر خصوصية المحفز 268 ضعفًا، وتركزت دوائر مميزة لكل محفز في طبقات الانتباه، واستلزمت الإزالة استعادة عشر مجموعات من المعاملات، أما المحفزات التركيبية فتنتج التباسًا توزيعيًا، بمعدل نجاح هجوم 31 في المئة ومؤشر خصوصية 1.25 فقط، يرتفع إلى 1.45 بعد تصحيح عامل التباس في تصميم مصفوفة الالتباس، وتنتشر دوائرها عبر طبقات الإدراك متعدد الطبقات وتنهار باستعادة خمس مجموعات فقط من المعاملات، وأكدت اختبارات الحمولة المتبادلة في النماذج أحادية المحفز أن المحفزات البنيوية تنطلق مع محفزات لم تر أثناء التدريب بمعدلات بين 42 و55 في المئة، ما يعني أن النموذج يتعلم ارتباطًا عامًا بين شذوذ الشفرة وتوليد الحمولة لا ربطًا خاصًا بين محفز وحمولة بعينهما، وحافظ النظامان معًا على جودة توليد الشفرات النظيفة عبر معدلات التسميم كلها، والفارق بين النمطين ليس مقداريًا فحسب بل بنيوي، فالأول يبني لكل محفز مسارًا داخليًا خاصًا به يشبه ذاكرة ارتباطية دقيقة، والثاني يذيب أثر المحفز في توزيعات واسعة داخل النموذج، ولذلك اختلفت كلفة الإصلاح بينهما اختلافًا بينًا، من عشر مجموعات معاملات كاملة إلى خمس فقط
ثالثًا: دلالات الدراسة وتطبيقاتها
تدحض هذه النتائج فكرة المقاربة الموحدة في تدقيق المحولات، إذ قد تفشل استراتيجيات الكشف والإزالة المعايرة على نمط محفز واحد فشلًا تامًا أمام النمط الآخر، كما أن المحول المسموم لا يمكن تمييزه سلوكيًا عن المحول النظيف بالمعايير القياسية المعتادة، ما يستلزم من فرق أمن سلاسل إمداد البرمجيات تطوير أدوات تدقيق تراعي نمط المحفز، ومن الباحثين تحديد الشروط التي يخضع لها كل نظام من نظامي التعلم، كما تنبه النتائج المطورين الأفراد والمؤسسات إلى مخاطر تنزيل المحولات الجاهزة دون فحص آلي داخلي يتجاوز الاختبارات السلوكية الظاهرة إلى تحليل الدوائر والطبقات الداخلية للنموذج المعدل، كما تعيد النتائج الاعتبار للفحص الآلي الداخلي في أمن النماذج، فحين يتعذر التمييز السلوكي يصبح تحليل الدوائر والطبقات خط الدفاع العملي الوحيد، وهو ما يستدعي بناء معايير تدقيق جديدة تصنف المحولات بحسب نمط المخاطر المحتملة فيها قبل اعتمادها في بيئات الإنتاج
وخلاصة القول إن الدراسة تبين أن تعلم الأبواب الخلفية في نماذج توليد الشفرات المعدلة بمحولات لورا يجري على نظامين مختلفين جوهريًا بحسب نمط المحفز، ترابطي مع المحفزات الدلالية وتوزيعي مع المحفزات التركيبية، وأن بناء دفاعات فعالة يبدأ من فهم هذه الآليات الداخلية لا من افتراض وحدتها
