Merge pull request #648 from OmarV1/patch-20

Update LLM04_DataModelPoisoning.md

Author: talesh

2_0_vulns/translations/ar-SY/LLM04_DataModelPoisoning.md

@@ -14,9 +14,9 @@
 وبذلك، قد يتحول النموذج فعليًا إلى ما يشبه "العميل النائم" (Sleeper Agent).
 
 
-### أمثلة شائعة على الثغرات (Common Examples of Vulnerability)
+### أمثلة شائعة على الثغرات
 
-1. يُدخل الفاعلون الخبيثون بيانات ضارة أثناء التدريب، مما يؤدي إلى مخرجات متحيّزة.
+1. يُدخل المهاجمون بيانات ضارة أثناء التدريب، مما يؤدي إلى مخرجات متحيّزة.
 تستغل تقنيات مثل "تسميم البيانات من خلال عرض منقسم" (Split-View Data Poisoning) أو "تسميم البيانات عبر السبق" (Frontrunning Poisoning) ديناميكيات تدريب النموذج لتحقيق ذلك.
   (روابط مرجعية: [Split-View Data Poisoning](https://github.com/GangGreenTemperTatum/speaking/blob/main/dc604/hacker-summer-camp-23/Ads%20_%20Poisoning%20Web%20Training%20Datasets%20_%20Flow%20Diagram%20-%20Exploit%201%20Split-View%20Data%20Poisoning.jpeg))
   (روابط مرجعية: [Frontrunning Poisoning](https://github.com/GangGreenTemperTatum/speaking/blob/main/dc604/hacker-summer-camp-23/Ads%20_%20Poisoning%20Web%20Training%20Datasets%20_%20Flow%20Diagram%20-%20Exploit%202%20Frontrunning%20Data%20Poisoning.jpeg))
@@ -26,7 +26,7 @@
 6. غياب القيود على الوصول إلى الموارد قد يسمح للنموذج بابتلاع بيانات غير آمنة، مما يؤدي إلى مخرجات متحيّزة.
 
 
-### استراتيجيات الوقاية والتخفيف (Prevention and Mitigation Strategies)
+### استراتيجيات الوقاية والتخفيف
 
 
 1. تتبّع مصادر البيانات وتحولاتها باستخدام أدوات مثل OWASP CycloneDX أو ML-BOM، واستفد من أدوات مثل [Dyana](https://github.com/dreadnode/dyana)  لإجراء تحليل ديناميكي للبرمجيات الخارجية. تحقق من شرعية البيانات في جميع مراحل تطوير النموذج.
@@ -38,23 +38,23 @@
 7. خزن المعلومات التي يقدمها المستخدم في قاعدة بيانات متجهات (Vector Database)، مما يتيح إمكانية تعديل البيانات دون الحاجة إلى إعادة تدريب النموذج بالكامل.
 8. اختبر متانة النموذج من خلال حملات الفريق الأحمر (Red Team Campaigns) وتقنيات هجومية (adversarial techniques) مثل التعلم الاتحادي (Federated Learning)، لتقليل تأثير اضطرابات البيانات.
 9. راقب فقدان التدريب (Training Loss) وحلل سلوك النموذج لرصد مؤشرات تسميم البيانات. استخدم حدودًا (Thresholds) للكشف عن المخرجات الشاذة.
-10. أثناء مرحلة الاستدلال (Inference)، دمج تقنيات التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation - RAG) وتقنيات التأصيل (Grounding) لتقليل مخاطر الهلاوس.
+10. أثناء مرحلة الاستدلال (Inference)، إِدمج تقنيات التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation - RAG) وتقنيات التأصيل (Grounding) لتقليل مخاطر هلوسة النموذج.
 
-### سيناريوهات هجوم توضيحية (Example Attack Scenarios)
+### سيناريوهات هجوم توضيحية
 
 #### السيناريو #1
- يؤثر مهاجم على مخرجات النموذج من خلال التلاعب ببيانات التدريب أو استخدام تقنيات حقن التعليمات (Prompt Injection)، مما يؤدي إلى نشر معلومات مضللة.
-#### السيناريو  #2
+ يؤثر المهاجم على مخرجات النموذج من خلال التلاعب ببيانات التدريب أو استخدام تقنيات حقن التعليمات (Prompt Injection)، مما يؤدي إلى نشر معلومات مضللة.
+#### السيناريو #2
 يمكن أن تؤدي البيانات السامة، في حال عدم تصفيتها بشكل صحيح، إلى مخرجات ضارة أو متحيزة، مما يساهم في نشر معلومات خطيرة.
 
-#### السيناريو  # 3
-ينشئ مهاجم أو منافس مستندات مزيفة لاستخدامها في التدريب، مما يؤدي إلى مخرجات نموذج تعكس هذه الأخطاء.
+#### السيناريو #3
+ينشئ المهاجم أو منافس مستندات مزيفة لاستخدامها في التدريب، مما يؤدي إلى مخرجات نموذج تعكس هذه الأخطاء.
 
-#### السيناريو  #4
+#### السيناريو #4
 يؤدي عدم كفاية التصفية إلى تمكين مهاجم من إدخال بيانات مضللة عبر حقن التعليمات، مما يؤدي إلى مخرجات مخترقة.
 
-#### السيناريو  #5
-يستخدم مهاجم تقنيات التسميم لإدخال محفّز باب خلفي (Backdoor Trigger) داخل النموذج، مما قد يعرض النظام لاختراق المصادقة، أو تسريب البيانات، أو تنفيذ أوامر خفية.
+#### السيناريو #5
+يستخدم المهاجم تقنيات التسميم لإدخال محفّز الباب خلفي (Backdoor Trigger) داخل النموذج، مما قد يعرض النظام لاختراق المصادقة، أو تسريب البيانات، أو تنفيذ أوامر خفية.
 
 
 ### روابط مرجعية
@@ -71,7 +71,7 @@
 10. [arXiv:2401.05566 Sleeper Agents: Training Deceptive LLMs that Persist Through Safety Training](https://www.anthropic.com/news/sleeper-agents-training-deceptive-llms-that-persist-through-safety-training) **Anthropic (arXiv)**
 11. [Backdoor Attacks on AI Models](https://www.cobalt.io/blog/backdoor-attacks-on-ai-models) **Cobalt**
 
-### الأطر والتصنيفات ذات الصلة (Related Frameworks and Taxonomies)
+### الأطر والتصنيفات ذات الصلة
 
 راجع هذا القسم للحصول على معلومات شاملة، وسيناريوهات واستراتيجيات تتعلق بنشر البنية التحتية، وضوابط البيئة التطبيقية، وأفضل الممارسات الأخرى.