نموذج لغة كبيرة لاكتشاف الثغرات: نتائج ناشئة واتجاهات مستقبلية

اعتمدت طرق اكتشاف الثغرات المعتمدة على التعلم سابقًا على إما نماذج مسبقة التدريب متوسطة الحجم أو شبكات عصبية أصغر من البداية. لقد عرضت التطورات الأخيرة في نماذج اللغة الكبيرة مسبقة التدريب (LLMs) قدرات ملحوظة في التعلم القليل في مهام متنوعة. ومع ذلك، فإن فعالية LLMs في اكتشاف الثغرات البرمجية لا تزال غير مستكشَفة إلى حد بعيد. يهدف هذا البحث إلى سد هذه الفجوة من خلال استكشاف كيفية أداء LLMs مع مجموعة متنوعة من المحفزات، مع التركيز بشكل خاص على اثنين من LLMs المتقدمة: GPT-3.5 و GPT-4. أظهرت نتائجنا التجريبية أن GPT-3.5 يحقق أداءً تنافسياً مع النهج السابق المتقدم لاكتشاف الثغرات وأن GPT-4 يتفوق باستمرار على المستوى المتقدم.