اعداد م.م البتول عبد المهدي صالح تطور المشهد السيبراني بشكل متسارع خلال العقد الأخير، حيث لم تعد أساليب الحماية التقليدية المستندة إلى البصمات الرقمية (Signatures) قادرة بمفردها على مواجهة الهجمات المتقدمة والبرمجيات الخبيثة غير المعروفة سابقًا (Zero-Day Exploits). تطلب هذا التحدي الانتقال إلى الحلول الذكية التي تعتمد على تقنيات التعلم الآلي (Machine Learning) لبناء أنظمة دفاعية قادرة على التنبؤ بالتهديدات وتحليل السلوكيات بدقة وسرعة عالية. أساليب اكتشاف البرمجيات الخبيثة بالتعلم الآلي تعتمد نماذج التعلم الآلي على تحليل البيانات المستخرجة من البرامج والتطبيقات عبر طريقتين رئيسيتين. التحليل الاستاتيكي (Static Analysis) فحص ملف البرمجية دون الحاجة لتشغيله أو تنفيذه• الخصائص المستخرجة: عناوين الأوامر (Op-codes)، سلاسل النصوص (Strings)، معلمات رؤوس الملفات (PE Headers)، والمكتبات المستدعاة (API Calls)• المميزات: سريع وآمن ولا يتطلب بيئة تشغيل معزولة• العيوب: قد يفشل أمام البرمجيات الموهوة أو المكتوبة بتقنيات التشفير والتشويه (Obfuscation & Packing). التحليل الديناميكي (Dynamic Analysis) مراقبة سلوك البرمجية أثناء تشغيلها داخل بيئة معزولة (Sandbox)• الخصائص المستخرجة: تعديلات السجل (Registry Modifications)، العمليات المنشأة (Process Tree)، حركة البيانات في الشبكة (Network Traffic)، واستدعاءات النظام (System Calls)• المميزات: يكشف البرمجيات حتى لو تم تشويه كودها المصدر؛ لأنه يرصد الفعل النهائي• العيوب: يستهلك موارد معالجة أعلى، وقد تتعرف البرمجية الخبيثة على بيئة الاختبار وتتوقف عن العمل (Anti-Sandbox Techniques). الخوارزميات والنماذج المستخدمة تتنوع خوارزميات التعلم الآلي والتعلّم العميق المستهدفة لاكتشاف البرمجيات الخبيثة وفقًا لنوع البيانات • الغابات العشوائية (Random Forests) وأشجار القرار: تُستخدم بكثرة مع بيانات التحليل الاستاتيكي نظرًا لسرعتها وقابليتها لتفسير القرارات (Explainability)• آلات متجه الدعم (Support Vector Machines - SVM): فعّالة جدًا في التصنيف الثنائي (ملف سليم أم خبيث) ضمن الفضاءات المرتفعة الأبعاد. • الشبكات العصبيّة التلافيفية (Convolutional Neural Networks - CNN): يتم تحويل كود البرمجية الثنائي إلى صور رمادية (Gray-scale Images) ثم تدريب شبكات CNN على اكتشاف أنماط البكسل المميزة للعائلات الخبيثة • الشبكات المتكررة (RNNs & LSTM): متخصصة في تحليل المتتاليات، مما يجعلها مثالية لتحليل تسلسل استدعاءات النظام (API Call Sequences) عبر الزمن. التحديات الرئيسية رغم النجاح الكبير للتعلم الآلي في الأمن السيبراني، إلا أن هناك عقبات رئيسية تجب معالجتها: الهجمات التنافسية (Adversarial Attacks): يحاول المهاجمون تعديل أجزاء طفيفة من كود البرمجية الخبيثة لخداع نموذج التعلم الآلي وتجاوزه دون التأثير على وظيفتها التخريبية. . انحياز البيانات والإنذارات الكاذبة (False Positives): تصنيف البرامج السليمة كتهديدات يتسبب في تعطيل العمليات اليومية للمؤسسات. التغيّر المستمر في خصائص التهديدات (Data Drift): يغير المطورون الخبيثون أساليبهم باستمرار، مما ينقص من دقة النماذج القديمة ويستدعي إعادة تدريبها بانتظام. مشكلة الصندوق الأسود (Black Box Problem): صعوبة تفسير بعض نماذج التعلم العميق لمعرفة السبب الدقيق الذي جعل النموذج يصنف ملفًا معينًا على أنه خبيث. يمثل التعلم الآلي ركيزة أساسية في مستقبل الدفاع السيبراني، حيث ينقل أنظمة اكتشاف التهديدات من مرحلة رد الفعل إلى مرحلة التنبؤ والوقاية الاستباقية. ولا شك أن التكامل بين التحليل الاستاتيكي والديناميكي، مع تطبيق تقنيات القابلية للتفسير (XAI) والتعلم المستمر، هو السبيل لبناء بيئات رقمية أكثر أمانًا ومقاومة للتطور المستمر للبرمجيات الخبيثة.