بسبب الانتشار الواسع لشبكات إنترنت الأشياء أصبحت هذه الشبكات أهدافًا جذابة لهجمات شبكات الروبوتات وهجمات حجب الخدمة الموزعة، مما يتطلب أنظمة فاعلة لكشف التسلل قادرة على التمييز الدقيق بين الحركة الطبيعية والهجمات، وتستطيع الشبكات العصبية الالتفافية تحقيق أداء كشف قوي، غير أن معاملاتها الفائقة الكثيرة تُضبط عادة بصورة يدوية وهو ضبط مكلف ومستهلك للوقت
وتقترح هذه الدراسة المنشورة في مجلة إنفورميشن محسّنًا هجينًا جديدًا من خوارزميات ما وراء الاستدلال أُطلق عليه إف دبليو سي إن إن، يجمع بين خوارزمية تحسين الذئب الرمادي وخوارزمية تحسين الثعلب الأحمر لضبط المعاملات الفائقة الرئيسة لشبكة عصبية التفافية أحادية البعد مخصصة لكشف التسلل في إنترنت الأشياء ضبطًا تلقائيًا
أولًا: أهداف الدراسة ومنهجيتها
يقوم التصميم الهجين على توزيع الأدوار بين مكونيه، إذ يعزز مكون الثعلب الأحمر عملية الاستكشاف ويساعد البحث على الهروب من الحلول المثلى المحلية، بينما يقوّي مكون الذئب الرمادي عملية الاستغلال ويوجه التقارب نحو الحلول عالية الجودة، وقُيّم النموذج المقترح باستخدام مجموعة بيانات إن بايوت، وقورن بشبكة عصبية أمامية التغذية وبنموذج محسّن بخوارزمية هجينة سابقة تجمع بين تحسين سرب الجسيمات التكيفي وخوارزمية تحسين الحوت مقترنة بالشبكة الالتفافية
ثانيًا: أبرز النتائج
1. حقق النموذج المقترح دقة نهائية بلغت 95.56 في المئة في كشف التسلل لشبكات إنترنت الأشياء
2. تحسنت دقة النموذج المقترح عن الشبكة العصبية أمامية التغذية بمقدار 12.56 نقطة مئوية، وتفوق على نموذج الشبكة الالتفافية المحسّن بخوارزمية سرب الجسيمات التكيفي وتحسين الحوت بمقدار 1.02 نقطة مئوية
3. حقق النموذج المقترح قيمًا أعلى في متوسط الدقة ومعامل كابا ومعامل تشابه جاكار، كما خفض خسارة هامينغ بدرجة كبيرة مقارنة بالنماذج المقارنة
4. تشير مجمل النتائج إلى أن المحسّن الهجين المقترح مستقر وفاعل في مهمة كشف التسلل متعدد الفئات لإنترنت الأشياء في البيئات الواقعية
ثالثًا: دلالات الدراسة وتطبيقاتها
تكمن دلالة هذه الدراسة في أنها تعالج عنق زجاجة عمليًا في توظيف الشبكات الالتفافية لأمن إنترنت الأشياء، وهو الضبط اليدوي للمعاملات الفائقة، فبدل الاعتماد على التجربة والخطأ يقدم الجمع بين الاستكشاف القوي لخوارزمية الثعلب الأحمر والاستغلال الموجه لخوارزمية الذئب الرمادي آلية تلقائية مستقرة للوصول إلى تكوينات عالية الأداء، بما يختصر زمن التطوير ويرفع جودة الكشف
وتستند فكرة التحسين الهجين إلى أن ضبط المعاملات الفائقة للشبكات الالتفافية مسألة بحث معقدة في فضاء واسع من الاحتمالات، إذ يؤدي سوء اختيار هذه المعاملات إلى إضعاف قدرة الشبكة على التقاط أنماط الهجمات المتنوعة في حركة شبكات إنترنت الأشياء، ومن هنا تأتي الحاجة إلى خوارزمية توازن بين استكشاف تكوينات جديدة واعدة واستغلال التكوينات الجيدة التي ظهرت أثناء البحث، وهو التوازن الذي صُمم المحسّن الهجين لتحقيقه بدمج مكوني الثعلب الأحمر والذئب الرمادي في عملية بحث واحدة متكاملة
كما أن التفوق لم يقتصر على الدقة الإجمالية بل امتد إلى مؤشرات نوعية متعددة شملت متوسط الدقة ومعامل كابا الذي يقيس الاتفاق بما يتجاوز الصدفة ومعامل تشابه جاكار، مقابل انخفاض واضح في خسارة هامينغ التي تقيس أخطاء التصنيف على مستوى الوسوم، وهذا الاتساق عبر مقاييس مستقلة يعزز الثقة في استقرار المحسّن وعدم ارتكاز تفوقه على مقياس واحد بعينه، ويمنح مطوري أنظمة الحماية أساسًا أمتن لاعتماده في ضبط نماذجهم الأمنية
وتندرج هذه النتيجة ضمن اتجاه أوسع يوظف خوارزميات ما وراء الاستدلال في ضبط نماذج التعلم العميق ضبطًا تلقائيًا بدل الاعتماد على الضبط اليدوي المتكرر، إذ تتعاظم الحاجة إلى هذا التوظيف كلما ازدادت نماذج كشف التسلل تعقيدًا وتعددت معاملاتها الفائقة في بيئات إنترنت الأشياء سريعة التغير وكثيفة الأجهزة المتصلة
وخلاصة القول إن المحسّن الهجين المقترح أثبت تفوقًا واضحًا في دقة كشف التسلل متعدد الفئات لشبكات إنترنت الأشياء على مجموعة بيانات إن بايوت مقارنة بالنموذجين المرجعيين، وهو ما يجعله مسارًا واعدًا لبناء أنظمة حماية ذكية للأجهزة المتصلة، ويفتح بابًا لمزيد من أعمال طلاب الدراسات العليا في توظيف خوارزميات ما وراء الاستدلال الهجينة في ضبط نماذج التعلم العميق
