مقياس جديد يفضح كيف تُفشل تحسينات المترجم (Compiler Optimizations) عمليات الهندسة العكسية بالذكاء الاصطناعي

طُلب من سبعة نماذج لغوية كبيرة (Large Language Models) حديثة تنفيذ مهمة يقضي فيها محللو الأمن ساعات يومياً: فهم وظيفة دالة (Function) مستخرجة من ملف تنفيذي مُفكّك (Decompiled Binary) وإعطاءها اسماً منطقياً. النتائج، الموثقة في ورقة بحثية جديدة تحمل اسم "ريفورج" (REFORGE)، تكشف أن ثقة النماذج ودقتها تتراجعان بشكل كبير كلما زاد مستوى تحسين المترجم (Compiler Optimization)، وهو اكتشاف له تأثيرات مباشرة على أي فريق يعتمد على النماذج اللغوية في عمليات الأمن الهجومي (Offensive Security) أو تحليل البرمجيات الخبيثة.

"ريفورج"، الذي قُبل للعرض في المؤتمر الدولي الثالث والعشرين للحوسبة التطبيقية 2026 المقام في لشبونة أكتوبر المقبل، ليس نموذجاً جديداً بذاته. إنه خط أنابيب لقياس الأداء (Benchmarking Pipeline) يتتبع مصدر البيانات (Provenance-tracked)، صُمم خصيصاً لاختبار كفاءة النماذج اللغوية في الهندسة العكسية (Reverse Engineering) للدوال المُفكّكة، وهي مهمة تقوم عليها أبحاث الثغرات الأمنية، وتصنيف البرمجيات الخبيثة، والتحقيق الجنائي الرقمي. الورقة البحثية المكونة من تسع صفحات وأربعة أشكال توضيحية تتصدى لمشكلة أرّقت المقاييس السابقة في هذا المجال: كيفية إثبات "الحقيقة الأساسية" (Ground Truth) لما كانت الدالة تهدف إليه أصلاً قبل ترجمتها ثم تفكيكها.

بناء الحقيقة الأساسية من الكود المصدري إلى الملف التنفيذي

الإضافة الجوهرية لهذا الخط تكمن في المنهجية. يبني "ريفورج" حقيقته الأساسية على مستوى الدالة بالانطلاق من كود المصدر الأصلي بلغة سي (C)، ثم يقوم بترجمته، ويستخرج بعدها معلومات التصحيح (DWARF Debug Information) إلى جانب البنية النحوية للكود. بعد ذلك تتم مطابقة هذه المستخرجات مع مخرجات التفكيك قبل بدء عملية التقييم. سلسلة التتبع هذه مهمة لأن الحقيقة الأساسية غير الدقيقة أو التقريبية كانت تاريخياً سبباً في التشكيك بنتائج المقاييس في أبحاث تحليل الملفات التنفيذية. ومن خلال تتبع مصدر البيانات في كل خطوة، يهدف "ريفورج" إلى تزويد الباحثين بإشارة أوضح حول ما أصابته النماذج فعلاً أو أخفقت فيه، بدلاً من نتيجة مشوبة بضجيج التصنيف غير الدقيق.

فوق هذا الخط الأساسي، أضاف الباحثون ما أسموه "قمع الثقة ذو الثماني بوابات" (Eight-Gate Confidence Funnel) مع تصنيف ثلاثي المستويات، وهي طريقة منظمة لقياس مدى عدم تأكد النموذج من قرار تسميته للدالة، عوضاً عن معاملة كل مخرج كنجاح أو فشل مطلق.

منحدر التحسين

النتيجة الأبرز جاءت من مقياس دقيق ومُتحكم به: نسبة المخرجات عالية الثقة، أي نسبة أسماء الدوال التي أنتجها النموذج بثقة قوية، انخفضت من 87.2% عند مستويات تحسين منخفضة إلى 65.9% فقط مع ازدياد تحسين المترجم. هذا تراجع حاد، وله أهمية بالغة لأن الملفات التنفيذية المُحسّنة هي القاعدة في البرمجيات الحقيقية، لا الاستثناء. تحسينات المترجم تزيل الدلائل البنيوية، وتدمج الدوال ببعضها (Inlining)، وتعيد ترتيب التعليمات، وبشكل عام تجعل مخرجات التفكيك أبعد عن نية المبرمج الأصلية، وهو تماماً نوع الضجيج الذي يضعف قدرة النموذج اللغوي على استنتاج المعنى الدلالي.

تضع الورقة هذه النتيجة في سياق أوسع: النماذج اللغوية أصبحت مدمجة فعلياً في مهام الأمن الهجومي الحية، حيث تحمل سرعة ودقة الهندسة العكسية عواقب تشغيلية حقيقية. مقياس يوضح أن موثوقية النموذج تنهار بشكل حاد في ظروف تحسين واقعية يمثل علامة تحذير للفرق التي تتعامل مع تحليل الملفات التنفيذية بمساعدة الذكاء الاصطناعي كمسألة محلولة بالكامل. لم يقدم "ريفورج" حلاً لمشكلة منحدر التحسين نفسها، لكنه من خلال قياسها بمنهجية صارمة تتتبع مصدر البيانات، يمنح مجتمعي الأمن السيبراني وأبحاث الذكاء الاصطناعي أداة أدق لقياس الفجوة بين قدرات النماذج اللغوية ومتطلبات الإنتاج الفعلي.