تتصدى هذه الدراسة لمشكلة أمن إنترنت الأشياء وخصوصيته في بيئات واسعة النطاق محدودة الموارد، إذ يوظف الباحثون تقنيات سلاسل الكتل لمعالجة مخاوف الأمن والخصوصية، غير أن خطية سلاسل الكتل التقليدية ترفع كلف التخزين وتقيد كشف التسلل تبعا لشدة الهجوم، فتنشأ مشكلات في قابلية التوسع كلما كبرت الشبكة وتعددت أجهزتها، وفي الوقت نفسه تكافح أنظمة كشف التسلل التقليدية للتعامل مع البيئات الضخمة محدودة الموارد مع الحفاظ على الدقة والخصوصية معا، فنشأت حاجة إلى نموذج يجمع بين بنية سلسلة كتل متسامحة مع الأعطاب وقابلة للتوسع وبين محرك كشف ذكي قادر على رصد حزم البيانات الخبيثة بدقة عالية وكلفة محسوبة
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى اقتراح نموذج جديد لكشف التسلل في سلاسل الكتل باستخدام التعلم العميق، يجمع بين شبكة عصبية التفافية نابضة ووحدة بوابات متكررة ثنائية الاتجاه موجهة بمقياس المركزية البينية لاكتشاف حزم البيانات الخبيثة المتدفقة في شبكات إنترنت الأشياء، واستخدمت الدراسة خوارزمية اليراعات المحسنة بالفوضى في اختيار عقدة الإجماع المثلى بما يحفظ نموذج سلسلة كتل متسقا ومتسامحا مع الأعطاب، ونفذت النموذج في بيئة محاكاة شبكية وقيمته في مواجهة ثلاثة أساليب قائمة للمقارنة، بمعايير شملت الدقة وعمر الشبكة واستهلاك الطاقة ونسبة تسليم الحزم وقوة الأمن، ليتبين موقعه الدقيق بين الحلول المنافسة في بيئات إنترنت الأشياء المقيدة الموارد
ثانيًا: أبرز النتائج
أظهرت النتائج التجريبية تفوق النموذج المقترح تفوقا واضحا على الأساليب المقارنة، فقد حقق دقة بلغت 99.75 في المئة، بينما حققت الأساليب الثلاثة المنافسة دقات قدرها 93.8 و94.42 و96.9 في المئة على الترتيب، كما تفوق النموذج في قوة الأمن بنسب 5.85 و4.9 و2.89 في المئة على التوالي قياسا بتلك الأساليب، وأدى أداء أفضل عبر معايير التقييم الأخرى المتمثلة في عمر الشبكة واستهلاك الطاقة ونسبة تسليم الحزم، بما يشير إلى أن الجمع بين الشبكة النابضة متكاملة مع وحدة البوابات ثنائية الاتجاه وخوارزمية اليراعات المحسنة بالفوضى لاختيار عقد الإجماع منح النموذج قدرة أعلى على التمييز بين الحزم السليمة والخبيثة دون التضحية بكفاءة الشبكة الحية
وتعني هذه الفوارق الرقمية في سياق شبكات إنترنت الأشياء أن النموذج يقلل بصورة ملموسة من الإنذارات الكاذبة والتسللات الفائتة التي تثقل كاهل الأنظمة التقليدية، فكل تحسن في الدقة يترجم في شبكات تضم آلاف الأجهزة إلى آلاف القرارات الصحيحة الإضافية في رصد الحزم، كما أن الحفاظ على عمر الشبكة ونسبة تسليم الحزم أثناء تشغيل آليات الحماية يعني أن الأمن لم يشتر بكلفة تعطيل الخدمة ذاتها، وهي معادلة طالما شكلت التحدي الأصعب أمام أنظمة الكشف في البيئات الفقيرة بالطاقة والموارد
ثالثًا: دلالات الدراسة وتطبيقاتها
تنطوي هذه النتائج على دلالات تطبيقية لمطوري أنظمة أمن إنترنت الأشياء ومشغلي شبكاتها، إذ تبين أن توظيف التعلم العميق داخل بنية سلسلة كتل مختارة العقد بعناية يمكن أن يرفع دقة كشف التسلل وقوة الأمن في بيئات الأجهزة المقيدة الموارد دون إهدار الطاقة أو تقصير عمر الشبكة، كما يقدم النموذج مسارا واعدا لحماية تطبيقات إنترنت الأشياء الحساسة التي تتعامل مع بيانات خاصة، ويفيد الباحثين في أمن الشبكات والتعلم العميق بنموذج هجين قابل للتطوير والاختبار على شبكات أضخم وسيناريوهات هجوم أوسع، وصولا إلى أنظمة كشف تسلل أكثر ذكاء واقتصادا في الموارد
وتفتح الدراسة أمام الباحثين مسارات تطوير لاحقة، منها اختبار النموذج على مجموعات بيانات هجوم واقعية متنوعة المصادر، وقياس أدائه عند توسع الشبكات إلى أعداد أكبر من الأجهزة، ودراسة متانته أمام هجمات مصممة خصيصا لتضليل نماذج التعلم العميق، كما تثير أسئلة حول كلف نشر نماذج عميقة على أجهزة طرفية ضعيفة القدرة الحاسوبية وسبل ضغط هذه النماذج دون خسارة دقتها، وهي أسئلة تجعل من النموذج المقترح خطوة في مسار بحثي ممتد لا كلمة أخيرة فيه
وخلاصة القول، إن النموذج المقترح في هذه الدراسة يقدم إجابة مقنعة عن معضلة كشف التسلل في شبكات إنترنت الأشياء القائمة على سلاسل الكتل، إذ جمع بين دقة كشف بلغت 99.75 في المئة وقوة أمن متفوقة وكفاءة في الطاقة وعمر الشبكة، وإن هذا الجمع بين التعلم العميق وخوارزميات اختيار عقد الإجماع يرسم اتجاها عمليا يستحق مزيدا من التطوير والاختبار الميداني في بيئات إنترنت الأشياء الواقعية
