أدى الانتشار الواسع لأجهزة إنترنت الأشياء في المنازل والمدن والمنشآت المختلفة إلى تحديات أمنية كبيرة، في مقدمتها كشف تهديدات البرمجيات الخبيثة والتخفيف من آثارها، إذ تعمل هذه الأجهزة غالبًا بموارد حسابية وطاقية محدودة تجعل تطبيق حلول الحماية التقليدية الثقيلة أمرًا صعبًا، كما أن تنوع أنماط حركة مرور الشبكة وتعدد عائلات البرمجيات الخبيثة التي تستهدفها يزيد من تعقيد مهمة الكشف، ومن هنا تتجه الدراسة إلى بناء مقاربة منهجية لكشف البرمجيات الخبيثة في أنظمة إنترنت الأشياء، توازن بين دقة الكشف وكفاءة الأداء، وتصلح للنشر الفعلي على أجهزة محدودة الموارد في بيئات واقعية سريعة التطور، بما يحسن أمن هذه الأنظمة وأداءها في آن واحد
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تحسين أمن أنظمة إنترنت الأشياء وأدائها عبر مقاربة منهجية لكشف البرمجيات الخبيثة، واستخدمت مجموعة بيانات آي أو تي 23 التي تضم طيفًا واسعًا من أنماط حركة مرور الشبكة الصادرة عن أجهزة إنترنت أشياء متنوعة وعائلات متعددة من البرمجيات الخبيثة، واستكشفت الدراسة وقيمت طائفة من تقنيات التعلم الآلي، شملت أساليب التعلم التجميعي مثل الباغينغ والستاكينغ والتصويت وآدا بوست ومنصة إتش تو أو للتعلم الآلي المؤتمت، إضافة إلى نماذج متقدمة مثل الشبكات العصبية المتناثرة المزودة بالتقليم واختيار الخصائص، والمصنفات المنتظمة بمعيار إل واحد، وكان الهدف الرئيس من هذا التنوع تطوير نماذج خفيفة الوزن وعالية الدقة في آن واحد، تلائم النشر على أجهزة إنترنت الأشياء محدودة الموارد دون التضحية بجودة الكشف عن التهديدات
ثانيًا: أبرز النتائج
أظهرت المقارنة الشاملة بين التقنيات المقيمة أهمية تحقيق التوازن بين دقة الكشف والكفاءة الحسابية، فليست النماذج الأعلى دقة هي دائمًا الأنسب لبيئات إنترنت الأشياء إذا كانت كلفتها الحسابية مرتفعة أو استهلاكها للطاقة كبيرًا، وبين النماذج جميعًا أظهرت مقاربة سنايب الأداء الأفضل، إذ حققت دقة بلغت 91.9 في المئة مع الحفاظ على حد أدنى من العبء الحسابي، وهو ما يجعلها ملائمة بصورة خاصة لبيئات إنترنت الأشياء الواقعية التي يعد فيها الأداء وكفاءة استهلاك الطاقة عاملين حاسمين، كما أبانت النتائج أن تقنيات تقليص حجم النموذج مثل التقليم واختيار الخصائص والانتظام تسهم في بناء كواشف خفيفة تحافظ على مستويات دقة تنافسية، بما يتيح تشغيل الحماية بكفاءة على الأجهزة محدودة الموارد ذاتها
ثالثًا: دلالات الدراسة وتطبيقاتها
تقدم نتائج الدراسة رؤى قيمة لتطوير أنظمة كشف عن البرمجيات الخبيثة تتسم بالقوة وقابلية التوسع ومراعاة الموارد، وتضع أساسًا متينًا للبحوث المستقبلية والحلول العملية في أمن المعلومات داخل مشهد إنترنت الأشياء سريع التطور، ويمكن لمطوري الأجهزة والمنصات الذكية توظيف هذه النتائج في تضمين آليات حماية خفيفة داخل الأجهزة المنزلية وأجهزة الاستشعار والبوابات الشبكية، بما يرفع مستوى الأمان دون إبطاء الأداء أو استنزاف الطاقة، كما تفيد الدراسة الباحثين والممارسين في اختيار النماذج الملائمة وفق معيار مزدوج يجمع الدقة والكفاءة، وتدعم التوجه نحو أمن مدمج في بنية الجهاز ذاته يراعي قيوده منذ مرحلة التصميم، بدل الاكتفاء بحلول ثقيلة لا تلائم طبيعة هذه الأجهزة واسعة الانتشار
وتبرز المقارنة التي أجرتها الدراسة بين عائلات النماذج المختلفة أن لكل عائلة موضع قوة وموضع قصور، فأساليب التعلم التجميعي ومنصات التعلم الآلي المؤتمت تقدم أداءً قويًا لكنها قد تأتي بكلفة حسابية أعلى، بينما تمنح الشبكات العصبية المتناثرة مع التقليم واختيار الخصائص والمصنفات المنتظمة طريقًا لبناء نماذج مدمجة تناسب الأجهزة محدودة الموارد، ومن هنا فإن الرسالة العملية للدراسة موجهة إلى مصممي أنظمة الحماية ومطوري أجهزة إنترنت الأشياء معًا، مفادها أن اختيار نموذج الكشف ينبغي أن يبنى على موازنة واعية بين الدقة والكلفة والطاقة، لا على الدقة وحدها، وأن الحلول القابلة للنشر الفعلي هي التي تنجح في هذه الموازنة، وهو ما جسدته مقاربة سنايب بوصفها النموذج الأكفأ في هذا الميزان
وخلاصة القول إن الدراسة قدمت مقاربة منهجية متكاملة لكشف البرمجيات الخبيثة في أجهزة إنترنت الأشياء، قارنت فيها بين أساليب تجميعية ونماذج عصبية متناثرة ومصنفات منتظمة على بيانات واقعية لحركة الشبكة، وتوجت مقاربة سنايب بوصفها الخيار الأفضل بدقة بلغت 91.9 في المئة وعبء حسابي أدنى، بما يوجه تطوير حماية فعالة وخفيفة لهذه الأجهزة المتزايدة الانتشار
