أدى النمو السريع في استخدام لغة Python في تطوير البرمجيات إلى تركيز المطورين على سرعة الإنجاز، الأمر الذي قد يؤدي إلى إهمال بعض ممارسات البرمجة الآمنة وترك البرمجيات المنشورة عرضة للثغرات الأمنية. وتعاني الأساليب الحالية، مثل التحليل الساكن والمصنفات المستقلة القائمة على التعلم، من محدودية القدرة على التعميم، وارتفاع معدلات الإنذارات الإيجابية الكاذبة، أو غياب آليات اتخاذ القرار التكيفية.

تقترح هذه الدراسة إطارًا هجينًا لـ DevSecOps ضمن خطوط التكامل والنشر المستمر CI/CD الخاصة بتطبيقات Python، يجمع بين أداة Bandit للتحليل الساكن، ونماذج قائمة على المحولات Transformer وهي CodeBERT وGraphCodeBERT وCodeGPT، إضافة إلى وكيل يعتمد على التعلم المعزز (Reinforcement Learning)، وذلك من خلال آلية دمج موزونة.

تم تقييم الإطار باستخدام مجموعة بيانات كاملة وموسومة بشكل مستقل تضم 14,010 عينة، منها 2,357 عينة تحتوي على ثغرات أمنية (16.8%) و11,653 عينة آمنة (83.2%). وأظهرت النتائج أن نماذج المحولات الثلاثة تفوقت على النموذج الهجين المقترح، حيث حقق GraphCodeBERT أفضل أداء إجمالي بدقة بلغت 0.9061، ومساحة تحت منحنى ROC بلغت 0.9510، ودرجة F1 بلغت 0.7498. في المقابل، حقق النموذج الهجين دقة 0.8994، وAUC بلغ 0.9395، ودرجة F1 بلغت 0.7335. كما تفوق كلا النهجين بصورة واضحة على استخدام Bandit وحده وعلى نماذج التعلم المعزز وحدها.

وتشير النتائج إلى أهمية دمج تقنيات التحليل الساكن والفهم الدلالي للكود والتعلم المعزز في تطوير آليات أكثر ذكاءً وتكيفًا لاكتشاف الثغرات الأمنية في بيئات DevSecOps وخطوط CI/CD الخاصة بلغة Python.

عنوان المؤتمر

International Conference on Future Technologies (ICFT 2026)

دولة المؤتمر

الأردن

تاريخ المؤتمر

18 أكتوبر، 2026 - 22 أكتوبر، 2026

راعي المؤتمر

IEEE Xplore