تعالج هذه الدراسة المنشورة في المجلة الدولية لأنظمة الذكاء الحاسوبي مشكلة أمن شبكات إنترنت الأشياء، إذ يؤدي تجميع الأجهزة المترابطة المتنوعة عبر تطبيقات مختلفة إلى جعل إنترنت الأشياء أكثر عرضة للتهديدات الأمنية التي تمس أمن البيانات، ومن ثم تبرز الحاجة إلى أنظمة كشف التسلل للتخفيف من التهديدات السيبرانية، وتستند الدراسة إلى ما تقدمه نماذج التعلم العميق من أداء مثبت في كشف حركة الشبكة وتقليل آثار الهجمات السيبرانية وتوفير أمن معزز لأجهزة إنترنت الأشياء، فتقترح إطارًا لكشف الشذوذ ومنع التسلل الشبكي في أنظمة إنترنت الأشياء
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تنفيذ كشف الشذوذ ومنع التسلل الشبكي في أنظمة إنترنت الأشياء عبر إطار مطوّر يمر بثلاث خطوات رئيسة، تبدأ بالحصول على البيانات اللازمة من مصدر بيانات متاح للعموم، ثم استخراج السمات الموزونة الأفضل والأنسب من البيانات المدخلة، وذلك بمساعدة خوارزمية تحسين الغانيت المحسنة المقدمة حديثًا، وهي المسؤولة عن تحسين الأوزان اللازمة لدمج السمات وتكوين السمات المدمجة الموزونة التي تساعد في إجراء كشف التسلل اللاحق، ثم تُدخل هذه السمات في شبكة كبسولية عميقة تكيفية للعثور على الشذوذ في الشبكة، وتُستخدم الخوارزمية ذاتها في ضبط المعلمات الفائقة داخل إطار الشبكة الكبسولية لزيادة أداء الكشف، وبعد ذلك تُتخذ الإجراءات اللازمة لمنع هذه التسللات من الشبكة
وتكتسب هذه المعالجة أهميتها من طبيعة بيانات شبكات إنترنت الأشياء ذاتها، فهي بيانات ضخمة ومتدفقة ومتنوعة المصادر، وتحتوي على سمات كثيرة لا يفيد جميعها في كشف التسلل، بل قد يضعف حضور السمات غير ذات الصلة دقة النموذج ويرفع كلفته الحسابية، ومن هنا جاء توظيف خوارزمية التحسين لاختيار الأوزان الأنسب لدمج السمات، فتتحول البيانات الخام إلى تمثيل موزون يبرز أنماط الحركة الشاذة ويخفي الضوضاء، وهو ما يهيئ مدخلًا أنظف للشبكة الكبسولية العميقة التكيفية
ثانيًا: أبرز النتائج
يتمحور إسهام الدراسة حول التكامل بين خوارزمية التحسين والشبكة الكبسولية العميقة التكيفية، فالخوارزمية المحسنة تؤدي دورًا مزدوجًا، إذ تحسّن أوزان دمج السمات المستخرجة من حركة الشبكة فتنتج سمات مدمجة موزونة أكثر تمثيلًا، وتضبط في الوقت ذاته المعلمات الفائقة لنموذج الكشف بما يرفع أداءه في تمييز الشذوذ عن الحركة الطبيعية، وبذلك يعالج الإطار مشكلتين متلازمتين في كشف التسلل، هما اختيار السمات الأكثر دلالة من بيانات شبكية ضخمة ومتنوعة، وضبط نموذج التعلم العميق على نحو يحقق كشفًا أدق، وبعد اكتشاف الشذوذ يتخذ الإطار الإجراءات اللازمة لمنع التسلل من الشبكة، فينتقل من مجرد الرصد إلى الاستجابة الوقائية
وقد قيّمت الدراسة النموذج المنفذ بمقارنته بنماذج تقليدية متنوعة لكشف الشذوذ، وذلك للتحقق من جدوى المعالجة المقترحة قياسًا بالأساليب السائدة، وانطلاقًا من الأداء المثبت لنماذج التعلم العميق في كشف حركة الشبكة وتقليل آثار الهجمات السيبرانية، يقدم الإطار مسارًا متكاملًا يبدأ من جمع البيانات العامة وينتهي بمنع التسلل، مرورًا بدمج السمات المحسّن والكشف الكبسولي العميق
ويعرض الإطار المقترح بهذا التصميم معالجة متسلسلة تبدأ من البيانات ولا تنتهي عند حدود التصنيف، إذ تتحول مخرجات الكشف إلى إجراءات منع فعلية داخل الشبكة، وهو ما يميز المقاربة عن أنظمة تكتفي برصد الشذوذ وتنبيه المشغلين، كما أن توحيد خوارزمية التحسين عبر مرحلتي دمج السمات وضبط المعلمات يقلل التشتت المنهجي الذي يصاحب عادة بناء أنظمة كشف التسلل من مكونات منفصلة المصادر والضبط
ثالثًا: دلالات الدراسة وتطبيقاتها
تتجلى دلالة الدراسة في أنها تقدم حلًا أمنيًا قابلًا للتطبيق في بيئات إنترنت الأشياء المتسعة، حيث تتكاثر الأجهزة المترابطة وتتنوع نقاط الضعف، ويفيد مطوري أنظمة كشف التسلل في توظيف خوارزميات التحسين لضبط السمات والمعلمات معًا بدل معالجتهما منفصلين، ويفيد مشغلي الشبكات في الانتقال من كشف التسلل إلى منعه ضمن إطار واحد، كما يفتح الباب أمام بحوث لاحقة تختبر الإطار على مجموعات بيانات شبكية أوسع وتقارن أداءه بنماذج تعلم عميق أخرى في بيئات تشغيل حقيقية ذات موارد محدودة
وخلاصة القول إن تأمين شبكات إنترنت الأشياء يتطلب منظومات ذكية تجمع بين اختيار السمات الدقيق والكشف العميق والاستجابة الوقائية، ويقدم الإطار المقترح في هذه الدراسة نموذجًا لهذا الجمع عبر خوارزمية تحسين محسنة وشبكة كبسولية عميقة تكيفية تعملان معًا لرصد الشذوذ ومنع التسلل
