يُعد تصنيف حركة مرور الشبكات عملية حرجة في إدارة الشبكات، إذ يعزز الرؤية بما يوفر أمنًا محسنًا وتخصيصًا أمثل للموارد وجودة خدمة أفضل، غير أن تصاعد حجم حركة المرور وتطبيقات الزمن الحقيقي في الشبكات الحديثة يفرض ضغطًا متزايدًا على المعالجة التقليدية في الخوادم عالية الأداء، وللوفاء بمتطلبات زمن الاستجابة المنخفض وكفاءة النطاق الترددي تتجه إدارة الشبكات بصورة متنامية إلى نقل الحوسبة قرب مصادر توليد البيانات في نمط يعرف بالحوسبة الطرفية، ويعتمد هذا التحول على أجهزة محدودة الموارد كالموجهات والمبدلات والأنظمة المدمجة، وهو ما يفرض قيودًا جديدة على نماذج التصنيف المطلوب تشغيلها، فقد اقترحت دراسات سابقة نماذج خفيفة للعمل في هذه البيئات، لكنها غالبًا ما تتنازل عن الأداء بما يجعلها أقل فاعلية في الممارسة العملية، كما ظلت إنتاجية النماذج الخفيفة القائمة دون المستوى اللازم لمواكبة الطلب العالي على النطاق الترددي في الشبكات الحديثة، ما حد من نشرها الفعلي رغم خفتها الحاسوبية
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى معالجة الفجوة بين تعقيد النماذج وحدود الأجهزة الطرفية عبر اقتراح نموذج لايت نت الخفيف لتصنيف حركة مرور الشبكات في الزمن الحقيقي ضمن البيئات محدودة الموارد، ويكيف النموذج وحدة إنسيبشن الأولى التي تدمج أربعة فروع متوازية مخصصة لالتقاط سمات الحركة بمقاييس متعددة، كما يوظف تقنية ديب شاب من تقنيات الذكاء الاصطناعي القابل للتفسير لتعزيز القابلية للتفسير وتقليل سمات الإدخال، ويستثمر تقنيات ضغط النماذج بما فيها التقليم شبه المنظم والتكميم لبناء معمارية متفرقة خفيفة تتيح التصنيف في الزمن الحقيقي، ثم قُيّم النموذج على مجموعتي بيانات معياريتين وقورن أداؤه وكفاءته بأحدث الأساليب على جهاز طرفي فعلي محدود الإمكانات، ويعكس اختيار جهاز طرفي حقيقي منخفض الكلفة للاختبار توجهًا تطبيقيًا صارمًا في الدراسة، إذ تُقاس الكفاءة بموارد واقعية من ذاكرة وطاقة وقدرة معالجة لا بمحاكاة نظرية مثالية، كما أن تقليل سمات الإدخال عبر التفسير يحقق خفضًا مزدوجًا في كلفة الاستخراج الحاسوبي وفي حجم النموذج ذاته
ثانيًا: أبرز النتائج
حقق نموذج لايت نت درجات ف1 تجاوزت 99 في المئة عبر مجموعتي البيانات المستخدمتين، وذلك بعدد معلمات أقل بنسبة 40 في المئة مقارنة بالطريقة المرجعية، وأظهرت نتائج المقارنة المعيارية تفوق النموذج على أحدث الأساليب من حيث الأداء والكفاءة معًا، إذ قدم إنتاجية أعلى بنسبة وصلت إلى 238 في المئة واستخدامًا أدنى للموارد عند تشغيله على جهاز إنفيديا جيتسون نانو، وتثبت هذه النتائج أن النموذج يحقق توازنًا قويًا بين الدقة والخفة، فلا يضحي بجودة التصنيف في سبيل ملاءمة الأجهزة الطرفية كما تفعل مقاربات خفيفة أخرى، بل يحافظ على أداء رفيع مع بصمة حاسوبية صغيرة تجعله حلًا عمليًا قابلًا للنشر في بيئات الشبكات الحقيقية محدودة الموارد، فالإنتاجية الأعلى بنحو مرتين ونصف تقريبًا تعني قدرة الجهاز الطرفي الواحد على خدمة حجم حركة أكبر دون تراكم أو تأخير، وهو ما يخفض عدد الأجهزة المطلوبة لتغطية الشبكة وكلفتها التشغيلية، ويجعل التصنيف اللحظي خيارًا واقعيًا حتى في النقاط الطرفية الأشد فقرًا في الموارد
ثالثًا: دلالات الدراسة وتطبيقاتها
تفتح هذه النتائج الباب أمام نقل مهام إدارة الشبكات الذكية إلى أطراف الشبكة ذاتها، بحيث تستطيع الموجهات والمبدلات والأجهزة المدمجة تصنيف الحركة لحظيًا دون إرسالها إلى خوادم مركزية، بما يخفض زمن الاستجابة ويوفر النطاق الترددي ويعزز الخصوصية، كما يعزز إدماج الذكاء الاصطناعي القابل للتفسير ثقة مشغلي الشبكات في قرارات النموذج ويتيح فهم السمات المؤثرة في التصنيف، وتفيد مقاربة الضغط المنهجي المطورة في تصميم نماذج خفيفة لمهام شبكية أخرى ككشف التسلل ومراقبة جودة الخدمة، ويمهد نجاح النموذج على أجهزة طرفية منخفضة الكلفة لتوسيع نشره في شبكات المؤسسات الصغيرة وإنترنت الأشياء والبنى التحتية ذات الموارد الشحيحة
وخلاصة القول إن الدراسة تقدم نموذج لايت نت حلًا متوازنًا لأحد التحديات العملية المتنامية في إدارة الشبكات الحديثة، إذ جمع بين دقة تصنيف تجاوزت 99 في المئة وخفة حاسوبية تتيح التشغيل الفعلي على أجهزة طرفية محدودة، وبذلك يرسخ النموذج جدوى الجمع بين المعماريات الفعالة وتقنيات الضغط والتفسير في بناء ذكاء شبكي قريب من مصادر البيانات
