---
title: "تقييم أمان نماذج LLM مع البيانات الحساسة: طريقة BroadNet"
description: "طريقة BroadNet المنشورة لاختبار تسريب نموذج LLM لبيانات الاعتماد أو الشخصية أو الصحية أو المالية قبل النشر: الفئات، والتسريب مقابل الإغفال، و3 تشغيلات أو أكثر."
url: https://broadrouter.com/ar/blog/llm-sensitive-data-safety-evaluation-method/
lang: ar
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

تُرجمت هذه الصفحة من الإنجليزية بمساعدة الذكاء الاصطناعي. [اقرأ الأصل الإنجليزي](https://broadrouter.com/blog/llm-sensitive-data-safety-evaluation-method/) (حُدّث في 2026-11-15).

# كيف تختبر أمان نموذج LLM مع البيانات الحساسة: طريقة BroadNet

بقلم فريق BroadNet Inference · قراءة في 3 دقائق · تاريخ النشر 2026-11-15

تضع الورقة الأولية من BroadNet الصادرة في أبريل 2026 (DOI 10.5281/zenodo.19574049، ومتاحة أيضًا على SSRN) اختبارًا لأمان البيانات الحساسة قبل النشر. اختبر أربع فئات (بيانات الاعتماد، والبيانات الشخصية، والبيانات الصحية، والبيانات المالية) كلًّا على حدة، وقيّم التسريب والإغفال كإخفاقين مختلفين، واستخدم تقييمًا ثنائيًا، وشغّل كل اختبار ثلاث مرات على الأقل. وقد زادت قواعد الأوامر والضبط الدقيق على الأمثلة السلبية التسريبَ في اختباراتها.

## أبرز النقاط

-   ورقة أولية على Zenodo، DOI 10.5281/zenodo.19574049 (14 أبريل 2026، بترخيص CC BY 4.0)، ولها نسخة على SSRN بالمعرّف 10.2139/ssrn.6565139. لم تخضع لمراجعة الأقران.
-   تقيس مقاييس القدرات ما يستطيع النموذج فعله؛ أما هذه الطريقة فتقيس ما يجب ألا يفعله.
-   نمطا إخفاق: التسريب (تكرار قيمة حساسة) والإغفال (عدم الإشارة إليها). قيّمهما بشكل منفصل.
-   الأمان غير حتمي: ابنِ كل حكم على 3 تشغيلات أو أكثر، لا على مرور واحد أبدًا.
-   في اختبارات BroadNet، زادت التعليمات الصارمة في الأوامر والضبط الدقيق على الأمثلة السلبية معدلات التسريب.

**في هذه الصفحة**

1.  لماذا لا تكشف المقاييس المعتادة هذا؟
2.  ماذا تختبر الطريقة؟
3.  كيف يجب تقييم النتائج؟
4.  ما الذي لم ينجح؟
5.  ما الذي لا تنشره الورقة؟
6.  ما علاقة ذلك بـ BroadNet Inference؟

_[image: Cards reading Name and Email turning into the placeholders [PERSON] and [EMAIL], with the text "Redact. Process. Restore." and "LSDF by BroadNet".]_

نشر الذراع البحثي لـ BroadNet طريقة عملية لاختبار ما إذا كان نموذج لغوي كبير يسرّب بيانات حساسة قبل نشره. الورقة الأولية، _How to Evaluate an LLM for Sensitive Data Safety Before Deploying It_ (الترجمة: كيف تقيّم نموذج LLM لأمان البيانات الحساسة قبل نشره)، موجودة على Zenodo تحت المعرّف DOI [10.5281/zenodo.19574049](https://doi.org/10.5281/zenodo.19574049)، بتاريخ 14 أبريل 2026، ولها نسخة على SSRN. ويذكر سجلها على Zenodo أن مؤلفها محمد الزبيدي (Mohammad Al Zubaidi).

تلخّص هذه الصفحة الطريقة ونتائجها. وهي عمل BroadNet، والنتائج نتائجها؛ ولم نُعِد تشغيلها.

## لماذا لا تكشف المقاييس المعتادة هذا؟

تقيس المقاييس المعيارية العامة القدرة: ما يستطيع النموذج فعله في أفضل حالاته. أما النموذج المنشور لتدقيق ملف إعدادات أو ملاحظة سريرية فيجب أيضًا ألا يفعل شيئًا: أن يكرر السر الذي وجده. ومثال الورقة يوضح الفكرة. فالنموذج الذي يحرز 95 في 99 مهمة وينسخ مفتاح API في المهمة المئة يبلغ متوسطه 94، ويظل غير صالح للإنتاج.

وتسمّي BroadNet ذلك اختبار الحدود الدنيا بدل الحدود العليا، وتتعامل الورقة مع “capability and constraint” (الترجمة: القدرة والقيد) كمحورين مستقلين.

## ماذا تختبر الطريقة؟

أربع فئات، تُختبر كلٌّ منها على حدة:

| الفئة | أمثلة | كيف يتعرّف عليها النموذج |
| --- | --- | --- |
| بيانات الاعتماد | مفاتيح API، والرموز السرية، ومفاتيح SSH، وكلمات مرور قواعد البيانات | بالصيغة غالبًا؛ وكلمات المرور في سلاسل الاتصال لا تحمل أي إشارة في صيغتها |
| البيانات الشخصية المعرِّفة (PII) | الأسماء، والبريد الإلكتروني، وأرقام الهواتف، والهويات الحكومية | بالصيغة للمعرّفات المهيكلة، وبالمعنى للنص الحر |
| المعلومات الصحية المحمية (PHI) | التشخيصات، والوصفات الطبية، والملاحظات السريرية | بالسياق غالبًا: تشخيص بجانب اسم |
| البيانات المالية | أرقام الحسابات، والأرصدة، والمعاملات | بالصيغة، لكنها تُعامل كبيانات حساسة بدرجة أقل |

يذكر الملخص اختبار “24+ models across 6 model families” (الترجمة: أكثر من 24 نموذجًا عبر 6 عائلات نماذج)، ويجد تسلسلًا هرميًا واضحًا: التعرّف القائم على الصيغة، مثل بيانات الاعتماد المهيكلة وأرقام الضمان الاجتماعي، أكثر موثوقية بكثير من التعرّف القائم على السياق، مثل الأسماء التي تصبح حساسة بجانب تشخيص. فنموذج بمعدل تسريب 0% لبيانات الاعتماد سرّب معرّفات المرضى في كل تشغيل لاختبار PHI.

## كيف يجب تقييم النتائج؟

تقترح الورقة بروتوكولًا أدنى:

1.  **تقييم ثنائي.** كل تشغيل إما آمن أو غير آمن؛ ولا درجات جزئية لإجابة “آمنة في معظمها”.
2.  **تقييم التسريب والإغفال بشكل منفصل.** فدمجهما في رقم واحد يخفي ما يهم حالة استخدامك منهما.
3.  **تشغيلات متعددة.** ثلاثة أو أكثر لكل نموذج وفحص، لأن النموذج نفسه قد ينجح يومًا ويسرّب في اليوم التالي.
4.  **فئة بفئة.** فالأمان مع بيانات الاعتماد لا يقول شيئًا عن الأمان مع السجلات الصحية.

ويضيف تقرير BroadNet الموجّه للممارسين قواعد تشغيلية تستخدمها في المشاريع التجريبية: استخدم بيانات اصطناعية فقط، واختبر إعدادات النشر كاملة (بما فيها أمر النظام والأدوات والاسترجاع)، واشترط خمسة تشغيلات نظيفة متتالية قبل الإنتاج، وأعد الاختبار شهريًا للنماذج المستضافة ذاتيًا، وأسبوعيًا لنماذج الأطراف الثالثة التي تتحدّث كثيرًا.

## ما الذي لم ينجح؟

حلّان شائعان جعلا الأمور أسوأ في اختبارات BroadNet:

-   **التعليمات في الأوامر.** إضافة “لا تكشف بيانات الاعتماد” تم تجاهلها أحيانًا، وتسببت استراتيجية الأوامر الأشد صرامة في تسريبات لدى نموذج كان نظيفًا في خط الأساس.
-   **الضبط الدقيق على الأمثلة السلبية.** تدريب النموذج على رفض فئة ما زاد معدلات التسريب بدل أن يخفضها.

أما ما صمد، بحسب رواية BroadNet، فهو ثلاث طبقات معًا: اختر نموذجًا أقل خطورة للفئة، ورشّح المخرجات بأداة حتمية (تذكر [Microsoft Presidio](https://github.com/microsoft/presidio) وLLM Guard)، واحجب المدخلات قبل بناء الأمر حين لا تحتاج المهمة إلى القيم. ويعرض [دليلنا لإرسال البيانات الحساسة إلى LLM API](https://broadrouter.com/ar/blog/llm-api-sensitive-data/) خطوة الحجب بالشيفرة.

## ما الذي لا تنشره الورقة؟

بموجب سياسة النشر المسؤول، تنشر BroadNet الفئات، وفلسفة التقييم، وأحجام العينات، والتحفظات، لكنها لا تنشر قوالب الأوامر الدقيقة، ولا صيغ بيانات الاعتماد، ولا عتبات النجاح والإخفاق. وسببها: أن نشرها سيقلل الجهد اللازم للاستخراج دون أن يتوفر دفاع لمن ينشرون النماذج. ويمكن لمزوّدي النماذج وباحثي الأمان طلبها. وهذا يجعل الطريقة قابلة للتكرار في شكلها، لا رقمًا برقم.

## ما علاقة ذلك بـ BroadNet Inference؟

هذا اختبار للنماذج، لا للمزوّد. وهو ينطبق على أي نموذج عبر أي API، بما في ذلك النماذج على [BroadNet Inference](https://broadrouter.com/ar/models/). وتطبّقه الورقة المرافقة، [خريطة الأمان](https://broadrouter.com/ar/blog/llm-safety-map-39-models/)، على 39 نموذجًا من 14 مختبرًا، وتجد أن القيم الحساسة قد تخرج أيضًا عبر معاملات استدعاء الأدوات وحقول الاستدلال. وأصدرت BroadNet لاحقًا جدار حماية مفتوح المصدر مبنيًا على الورقتين، هو LSDF، الموصوف في ملخص خريطة الأمان.

أما احتفاظ المزوّد بالبيانات فمسألة منفصلة: يغطي [عدم الاحتفاظ بالبيانات](https://broadrouter.com/ar/privacy/) ما تخزّنه BroadNet، لا ما يكتبه النموذج في أنظمتك.

أدوات مجانية لهذا الموضوع (بالإنجليزية)

-   [OpenAI-compatible API request builder](https://broadrouter.com/tools/api-request-builder/) One request, copied as curl, Python, Node or the OpenAI SDKs.
-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.

[أدوات مجانية (بالإنجليزية)](https://broadrouter.com/tools/)

## مصطلحات في هذا المقال

[استدعاء الأدوات (Tool calling)](https://broadrouter.com/ar/glossary/tool-calling/)

استدعاء الأدوات، ويُسمّى أيضًا استدعاء الدوال (function calling)، ميزة في واجهات LLM API يُرجع فيها النموذج طلبًا منظَّمًا لتشغيل دالة عرّفها المطوّر، مع معاملات بصيغة JSON. ويشغّل التطبيق الدالة ويعيد النتيجة؛ فالنموذج لا يشغّل الشيفرة بنفسه أبدًا.

[معلومات التعريف الشخصية (PII)](https://broadrouter.com/ar/glossary/pii/)

معلومات التعريف الشخصية (PII) هي معلومات يمكن استخدامها لتمييز هوية شخص أو تتبّعها، مثل الاسم أو رقم الهوية أو السجل البيومتري، إضافةً إلى معلومات أخرى مرتبطة بذلك الشخص أو قابلة للربط به. ومصطلح GDPR الأوسع هو البيانات الشخصية. وفي أعمال LLM يزيل حجب PII هذه المعلومات من الأوامر قبل أن تغادر أنظمتك.

[التقييم (Eval)](https://broadrouter.com/ar/glossary/eval/)

التقييم (eval، اختصار evaluation) اختبار قابل للتكرار لنموذج لغوي أو أمر: مجموعة ثابتة من المدخلات، ووصف لما تبدو عليه المخرجات الجيدة، ومصحِّح (شيفرة أو إنسان أو نموذج آخر) يمنح كل مخرج درجة حتى يمكن المقارنة بين الإصدارات.

[الضبط الدقيق (Fine-tuning)](https://broadrouter.com/ar/glossary/fine-tuning/)

الضبط الدقيق (fine-tuning) هو مواصلة تدريب نموذج لغوي مدرَّب مسبقًا على مجموعة بيانات أصغر خاصة بمهمة، مثل محادثات نموذجية، فتتغير أوزانه ويؤدي تلك المهمة أو ذلك الأسلوب بموثوقية أكبر دون الحاجة إلى تعليمات أو أمثلة طويلة في كل أمر.

[أمر النظام (System prompt)](https://broadrouter.com/ar/glossary/system-prompt/)

أمر النظام (system prompt) هو نص التعليمات الذي يرسله التطبيق إلى النموذج اللغوي قبل المحادثة، عادةً في رسالة بالدور system أو developer. وهو يحدد دور النموذج وقواعده ونبرته وصيغة مخرجاته، ويُفترض أن يلتزم به النموذج إذا تعارض مع رسائل المستخدم.

[مفتاح API (API key)](https://broadrouter.com/ar/glossary/api-key/)

مفتاح API هو سلسلة نصية سرية تعرّف العميل الذي يستدعي الواجهة وتخوّله. تتوقعه واجهات LLM API عادةً في الترويسة Authorization: Bearer، وكل من يملك المفتاح يستطيع إرسال طلبات تُحتسب تكلفتها على الحساب المالك له.

## أسئلة شائعة

### ما الفرق بين التسريب والإغفال؟

التسريب أن يكرر النموذج قيمة حساسة حيث لا ينبغي، كأن ينسخ مفتاح API في تقرير. والإغفال أن يفشل النموذج في الإشارة إلى قيمة حساسة حين يكون ذلك عمله. وتقيّم طريقة BroadNet كلًّا منهما بشكل منفصل لأن مخاطرهما مختلفة.

### كم تشغيلًا يحتاج الاختبار؟

ثلاثة على الأقل لكل فحص. ويضيف بروتوكول BroadNet العملي خمسة تشغيلات نظيفة متتالية قبل أن يعدّ النموذج آمنًا للإنتاج، موزّعة على يومين تقويميين على الأقل لرصد التغييرات من جهة المزوّد.

### هل يفيد أمر نظام يقول "لا تكشف الأسرار أبدًا"؟

ليس بشكل موثوق. في اختبارات BroadNet، تسببت استراتيجية الأوامر الأشد صرامة في تسريبات لدى نموذج كان نظيفًا دونها، كما رفع الضبط الدقيق على الأمثلة السلبية معدلات التسريب.

### هل يمكنني الحصول على أوامر الاختبار الدقيقة من BroadNet؟

ليس علنًا. بموجب سياسة النشر المسؤول، تحجب BroadNet قوالب الأوامر الدقيقة، وصيغ بيانات الاعتماد، وعتبات النجاح والإخفاق، وتشاركها مع مزوّدي النماذج وباحثي الأمان عند الطلب.

### هل يجعل عدم الاحتفاظ بالبيانات هذا الاختبار غير ضروري؟

لا. عدم الاحتفاظ بالبيانات يتحكم في ما يخزّنه المزوّد. أما هذا الاختبار فيتعلق بما يكتبه النموذج في مخرجاته، والذي ينتهي بعد ذلك في سجلاتك وتذاكرك وأنظمتك اللاحقة.

## تابع القراءة

-   [خريطة الأمان: كيف يتعامل 39 نموذج LLM مع البيانات الحساسة](https://broadrouter.com/ar/blog/llm-safety-map-39-models/)
-   [إرسال البيانات الحساسة إلى LLM API: الحجب والتقليل وسجلات أقل](https://broadrouter.com/ar/blog/llm-api-sensitive-data/)
-   [كيف تقيّم نموذج LLM قبل الانتقال إلى مزوّد آخر](https://broadrouter.com/ar/blog/evaluate-llm-before-switching/)
-   [عدم الاحتفاظ بالبيانات في LLM API: قائمة تحقق من 10 أسئلة](https://broadrouter.com/ar/blog/zero-data-retention-llm-api-checklist/)
-   [قانون حماية البيانات الشخصية المصري (151 لسنة 2020) وLLM API](https://broadrouter.com/ar/blog/egypt-data-protection-law-llm-api/)
-   [نظام حماية البيانات الشخصية في السعودية والإمارات وLLM API: قائمة تحقق](https://broadrouter.com/ar/blog/saudi-uae-pdpl-llm-api-checklist/)

جرّبه على مهامك الفعلية. تبدأ الحسابات الجديدة برصيد قدره $5 لاستخدام Gemma والتفريغ الصوتي. أما DeepSeek وGLM وQwen3.8 فتتطلب شحن الرصيد.

[ابدأ الآن](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-llm-sensitive-data-safety-evaluation-method&utm_content=page-cta) ·

**المصادر**

-   [Al Zubaidi، How to Evaluate an LLM for Sensitive Data Safety Before Deploying It، ورقة أولية على Zenodo، بتاريخ 2026-04-14 (تاريخ الاطلاع على السجل 2026-11-15)](https://doi.org/10.5281/zenodo.19574049)
-   [الورقة نفسها على SSRN، الملخص 6565139 (المعرّف DOI كما تذكره BroadNet؛ تاريخ الاطلاع 2026-11-15)](https://doi.org/10.2139/ssrn.6565139)
-   [مدونة BroadNet، How We Evaluate an LLM for Sensitive-Data Safety Before Deploying It (12 مايو 2026؛ تاريخ الاطلاع 2026-11-15) (بالإنجليزية)](https://www.broadnet.ai/blog/evaluating-llm-sensitive-data-safety)
-   [أبحاث BroadNet: سياسة النشر المسؤول (تاريخ الاطلاع 2026-11-15)](https://www.broadnet.ai/ar/research)
-   [Microsoft Presidio (تاريخ الاطلاع 2026-11-15)](https://github.com/microsoft/presidio)
