المستخلص
لاتزال هجمات البرمجة النصية عبر المواقع (Cross-Site Scripting (XSS)) من أخطر التهديدات التي تواجه تطبيقات الويب الحديثة، لما تمتلكه من قدرة على استغلال السلوك الديناميكي في جانب العميل، وتجاوز أساليب الكشف التقليدية، والتطور المستمر من خلال تقنيات الإخفاء (Obfuscation) والترميز (Encoding) . رغم أن العديد من المنهجيات الحديثة القائمة على التعلم الآلي والتعلم العميق قد حسّنت دقة الكشف، إلا أن معظم هذه الأساليب لا تزال تعاني من صعوبة التكيف الفعال مع أساليب الهجوم المتطورة، وتغير المفاهيم (concept drift)، وتحديات بيئات الويب. هذا النقص في القدرة على التكيف يحفز الحاجة إلى إطار دفاعي ذكي قادر على الحفاظ على أداء قوي في ظل ظروف العالم الحقيقي المتغيرة..
تقترح هذه الأطروحة معمارية تكيفية من مرحلتين للكشف عن هجمات XSS ومنعها، تعتمد على دمج بنية أساسية (Backbone) متعددة المستويات قائمة على تمثيل الميزات مع طبقة تكيفية تعتمد على التعلم المعزز متعدد الوكلاء (Multi-Agent Reinforcement Learning) مخصصة للتشغيل عبر الإنترنت (Online Deployment) . ففي المرحلة الأولى، يتم بناء وتقييم عدة نماذج دفاعية تعمل في بيئة غير متصلة (Offline) باستخدام استراتيجيات مختلفة لتمثيل الميزات، تشمل التمثيل الإحصائي المعتمد على TF-IDF، ونمذجة التسلسلات السياقية باستخدام شبكتي LSTM وGRU، بالإضافة إلى التمثيلات الهيكلية القائمة على الشبكات العصبية الرسومية . (GNNs) كما يتم توظيف آليتي الدمج المبكر (Early Fusion) والدمج المتأخر (Late Fusion) لدمج فضاءات الميزات غير المتجانسة بهدف التقاط الخصائص المتنوعة لحمولات هجمات. XSS تم تدريب الإطار المقترح وتقييمه باستخدام مجموعتي بيانات معيارية متاحتين للعامة، وأظهرت النتائج أن النموذج المعتمد على شبكة الالتفاف الرسومية (Graph Convolutional Network (GCN)) حقق أكثر مستويات الأداء استقرارًا وتمييزًا في الكشف والمنع، ولذلك تم اعتماده كأساس للمرحلة التكيفية عبر الإنترنت.
في المرحلة الثانية، واستنادًا إلى النموذج المختار GCN، يتم دمجه مع إطار عمل يعتمد على شبكة Deep Q-Network (DQN) متعددة الوكلاء، والذي يقدم طبقة تكيفية لاختيار الميزات أثناء التشغيل عبر الإنترنت. وبدلًا من إعادة تدريب كاشف الهجمات الذي تم تدريبه مسبقًا في المرحلة غير المتصلة، تعمل الطبقة التكيفية المقترحة على تحسين مجموعة الميزات المختارة بصورة ديناميكية استجابةً لأنماط الهجمات المتغيرة وظاهرة انجراف المفهوم، وذلك من خلال آلية اتخاذ قرار تعاونية بين مجموعة من الوكلاء. يتيح هذا النهج تحقيق تكيف مستمر مع الحفاظ على قدرة النموذج المدرب مسبقًا على الكشف، بما يحقق توازنًا فعالًا بين قابلية التكيف والاستقرار الحسابي.
أظهرت النتائج التجريبية أن الإطار المقترح حقق أداءً تنافسيًا مرتفعًا في الكشف، مع تقليل ملحوظ في أبعاد الميزات، مع المحافظة في الوقت نفسه على سلوك تكيفي مستقر في ظل ظروف الهجمات المتغيرة. حقق النهج المقترح نتائج كشف عالية مثل دقة (Accuracy) بلغت 99.91%، ودقة إيجابية (Precision) بلغت 99.93%، واستدعاء (Recall) بنسبة 99.93%، وقيمة F1-Score بلغت 99.93%. كما أظهرت عملية التحقق الإضافية، بالاعتماد على أداة اختبار الاختراق XSSer، قدرة الإطار على اكتشاف ومنع حمولات XSS الحقيقية ضمن بيئة تشغيل محاكاة. وإلى جانب النتائج التجريبية، تتضمن هذه الأطروحة أيضًا تطوير نظام ويب للكشف والمنع الفوري (Real-Time Detection)، يتيح للإطار المقترح العمل كطبقة حماية ذكية وتكيفية لتطبيقات الويب الحديثة، مع إمكانية دمجه مع واجهات الويب، وخوادم التطبيقات، وخطوط التحقق من المدخلات (Input Validation Pipelines). ويُبرز هذا التكامل العملي الإمكانات الكبيرة للإطار المقترح للانتقال من التقييم الأكاديمي الثابت إلى تطبيقات الأمن السيبراني الواقعية القابلة للتوسع.
