يواجه كشف التسلل في شبكات إنترنت الأشياء تحديات مستمرة تتصل ببيانات الحركة عالية الأبعاد واختلال التوازن بين الفئات وتنوع أنماط الهجمات، فمع التوسع الهائل في الأجهزة المتصلة تتضاعف نقاط الضعف المحتملة وتتنوع أساليب الاختراق، وتصبح الحاجة ملحة إلى أنظمة كشف دقيقة وسريعة وقابلة للتفسير في آن واحد، وهو ما تسعى هذه الدراسة إلى تحقيقه عبر إطار هجين يجمع بين اختيار السمات والتصنيف بالتعلم العميق في منظومة واحدة متكاملة تراعي محدودية موارد أجهزة إنترنت الأشياء
ويقوم الإطار المقترح على ركيزتين متكاملتين: خوارزمية جديدة مستوحاة من الطبيعة لاختيار السمات، وشبكة عصبية للتصنيف تلتقط التبعيات الزمنية في البيانات، إذ إن اختيار سمات قليلة غنية بالمعلومات يرفع كفاءة الحساب ويحسن قابلية تفسير النموذج، بينما تتيح الشبكة ثنائية الاتجاه قراءة الأنماط في الاتجاهين الزمنيين معًا، بما يناسب طبيعة حركة الشبكات المتتابعة زمنيًا ويعزز قدرة النظام على تمييز الهجمات من الحركة المشروعة، فالجمع المدروس بين تحسين اختيار السمات وقوة الشبكات العصبية المتكررة يمثل توجهًا واعدًا في بحوث أمن الشبكات الذكية، إذ يعالج في وقت واحد مشكلات الحجم والسرعة والدقة التي كثيرًا ما تتعارض متطلباتها في الأنظمة التقليدية لكشف التسلل
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى بناء إطار هجين عالي الأداء لكشف التسلل في إنترنت الأشياء، واقترحت خوارزمية محسّن النمل الصغير المستوحاة حيويًا لاختيار السمات، إذ تختار هذه الخوارزمية مجموعات جزئية صغيرة وغنية بالمعلومات باستخدام المعلومات المتبادلة، وتستبدل السمات التي يضمن انخفاض صلتها بالمهمة، بما يعزز الكفاءة الحسابية وقابلية التفسير معًا، ثم يعاد تشكيل السمات المختارة في ترتيب شبه تتابعي يتيح لشبكة الذاكرة طويلة المدى وقصيرتها ثنائية الاتجاه التقاط التبعيات الزمنية في الاتجاهين، واختبر الباحثون الإطار على مجموعة بيانات سي آي سي آي أو تي 2023، وقارنوه بأحدث مناهج التحسين الفوقي الاستدلالي والتعلم العميق للتحقق من جدارته
ثانيًا: أبرز النتائج
1. حقق الإطار المقترح دقة كشف فائقة بلغت 97.32 في المئة على مجموعة البيانات المستخدمة، متفوقًا بذلك على المناهج الحديثة المقارنة في الأداء العام للكشف عن التسلل
2. حافظ الإطار على توازن في الدقة والاستدعاء ودرجات إف 1 عبر الفئات المختلفة، إذ بلغ متوسط درجات إف 1 الكلي 0.9732، ما يدل على عدالة أدائه بين فئات الهجمات المتباينة في أحجامها
3. تميز الإطار بسرعة استدلال عالية، إذ بلغ زمن الاستدلال 0.219 مللي ثانية لكل عينة، وبمعدل معالجة يتجاوز 4500 عينة في الثانية الواحدة، ما يجعله ملائمًا للتطبيق الفوري في بيئات العمل الحقيقية
4. دعمت التجارب والتحقق الإطار المقترح بوصفه فعالًا، إذ يجمع بين الأداء والكفاءة وقابلية التفسير والتكيف، وهي خصال مجتمعة تمهد لتوظيفه بمستوى عال في أنظمة كشف التسلل الواقعية لإنترنت الأشياء
ثالثًا: دلالات الدراسة وتطبيقاتها
وتبرز دلالة هذه الدراسة في تقديمها حلًا يوازن بين الدقة والسرعة وقابلية التفسير، وهي معادلة صعبة في أمن إنترنت الأشياء حيث تعمل الأجهزة بموارد محدودة وتتطلب الاستجابة الفورية للهجمات، ويمكن لمطوري أنظمة الأمن السيبراني الاستفادة من هذا الإطار في بناء منظومات كشف خفيفة وفعالة، غير أن الباحثين شددوا على أن الترابط بين التعقيد الحسابي وحدود مجموعة البيانات لا يمكن إغفاله عند تعميم النتائج، وأوصوا بأن تتوجه الأعمال المستقبلية إلى التحقق عبر المجالات المختلفة وآليات الانتباه والتعلم عبر الإنترنت للتعامل مع هجمات اليوم الصفري التي لم يسبق رصدها، وهي توصيات ترسم خريطة طريق واضحة لتطوير الإطار واختبار متانته في بيئات شبكية متنوعة تتجاوز مجموعة البيانات التي درب عليها واختبر فيها
وخلاصة القول إن الجمع بين محسّن النمل الصغير لاختيار السمات وشبكة الذاكرة طويلة المدى وقصيرتها ثنائية الاتجاه للتصنيف أنتج إطارًا عالي الأداء لكشف التسلل في إنترنت الأشياء، بدقة بلغت 97.32 في المئة وسرعة معالجة لافتة، ما يجعله مرشحًا قويًا للتطبيقات الواقعية في حماية الشبكات الذكية
