💻 computer science

TimeGuard: Channel-wise Pool Training for Backdoor Defense in Time Series Forecasting

لمعالجة تحديات تشابك البيانات وتحول صياغة المهام التي تجعل الدفاعات الحالية غير فعالة للتنبؤ بالسلاسل الزمنية، يقترح المؤلفون TimeGuard، وهو دفاع أثناء وقت التدريب يستخدم تدريب التجميع لكل قناة واختيار الخسارة المنتظمة بالمسافة لتحسين المتانة بشكل كبير ضد هجمات الباب الخلفي مع الحفاظ على أداء النموذج النظيف.

المؤلفون الأصليون: Quang Duc Nguyen, Siyuan Liang, Yiming Li, Fushuo Huo, Dacheng Tao

نُشر 2026-05-22

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Quang Duc Nguyen, Siyuan Liang, Yiming Li, Fushuo Huo, Dacheng Tao

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك خبير أرصاد جوية تعتمد على فريق من 100 مستشعر للتنبؤ بدرجة الحرارة غداً. أنت تثق في هذه المستشعرات لتعطيك صورة واضية عن الرياح، والمطر، والحرارة.

الآن، تخيل أن مخرباً تسلل إلى غرفة التحكم الخاصة بك. هو لم يكسر جميع المستشعرات، بل تلاعب فقط بـ ثلاثة مستشعرات محددة. لقد برمج هذه الثلاثة لترسل إشارة سرية مخفية (مثل نمط معين من الومضات) كلما اقتربت عاصفة. وعندما يرى هذه الإشارة، يجبر المستشعات الثلاثة على الصراخ: "ستصل درجة الحرارة إلى 100 درجة!" حتى لو كان الجو في الواقع شديد البرودة.

إذا قمت بتدريب نموذج التنبؤ الخاص بك على هذه البيانات الفاسدة، فسوف يتعلم قاعدة خطيرة: "إذا رأيت تلك الومضة السرية في تلك المستشعرات الثلاثة، فتجاهل المستشعرات الـ 97 الأخرى وتوقع 100 درجة!".

هذا هو هجوم الباب الخلفي (Backdoor Attack) على التنبؤ بالسلاسل الزمنية. يعمل النموذج بشكل مثالي في الأيام العادية، ولكن بمجرد ظهور المحفز السري، فإنه يخرج عن السيطرة تمامًا.

المشكلة: لماذا فشلت الدفاعات القديمة؟

يوضح البحث أن العلماء حاولوا استخدام "حراس أمن" قدامى (دفاعات مصممة للتعرف على الصور أو النصوص) للإمساك بهؤلاء المخربين في بيانات السلاسل الزمنية، لكنهم فشلوا لسببين رئيسيين:

مشكلة "الحساء المخفف" (تشابك البيانات):
في أمن الصور، إذا تم تسميم صورة ما، فإن الصورة بأكملها تبدو غريبة. ولكن في السلاسل الزمنية، يكون "السم" موجوداً فقط في عدد قليل من القنوات (المستشعرات). إذا نظرت إلى مجموعة البيانات كأنها حساء كبير واحد، فإن المستشعرات الثلاثة المسمومة ستغرق وسط الـ 97 مستشعراً النظيفة. ينظر حارس الأمن إلى القدر بأكمله ويقول: "هذا يبدو جيداً"، متجاهلاً الملعقة الصغيرة المسمومة.

التشبيه: محاولة العثور على قطرة سم واحدة في مسبح عن طريق تذوق المسبح بأكمله. لن تتذوقها لأن المياه النظية ستكون طاغية جداً.

مشكلة "الرياضيات المربكة" (تحول صياغة المهمة):
غالباً ما تنظر الدفاعات القديمة إلى "درجة الخطأ" (Loss) أثناء التدريب. وهي تفترض أن البيانات المسمومة ترتكب أخطاء كبيرة، بينما ترتكب البيانات النظيفة أخطاء صغيرة. ولكن في السلاسل الزمنية، الرياضيات مختلفة. يتعلم النموذج التنبؤ بالأرقام، وليس الفئات. وتنتهي البيانات المسمومة والبيانات النظيفة بارتكاب أخطاء ذات أحجام متشابهة، لذا لا يستطيع حارس الأمن التمييز بينهما.

التشبيه: معلم يحاول اكتشاف طالب غشاش من خلال درجات اختباره. لكن الغشاش والطالب الأمين حصلا كلاهما على درجة "جيد"، لذا لا يستطيع المعلم التمييز بينهما.

الحل: TIMEGUARD

يقترح المؤلفون دفاعاً جديداً يسمى TIMEGUARD. بدلاً من التعامل مع مجموعة البيانات ككتلة واحدة كبيرة، يغيرون الاستراتيجية تماماً.

1. "المجمع لكل قناة" (نهج قائد الفريق):
بدلاً من معاملة الـ 100 مستشعر كمجموعة واحدة ضخمة، يعامل TIMEGUARD كل مستشعر كعضو فردي في الفريق. إنه يبني "مجمعاً موثوقاً" لكل مستشعر على حدة.

التشبيد: بدلاً من الحكم على الأوركسترا بأكملها، يستمع المايسترو إلى كل عازف كمان بشكل فردي. إذا كان العازف الثالث يعزف كوداً سرياً غريباً، يقوم المايسترو بإزالة نوتات ذلك العازف فقط من جلسة التدريب، مع الاحتفاظ بنوتات الموسيقيين الـ 97 الآخرين. هذا يمنع "السم" من تخفيف الإشارة.

2. "الفلاتر الواعية بالزمن" (تحريات المحقق عبر دليلين):
لتحديد أي ملاحظات المستشعرات آمنة للاحتفاظ بها، يستخدم TIMEGUARD فحصين ذكيين:

فحص "الاتساق العكسي": عادة ما تتدفق بيانات السلالس الزمنية للأمام (الماضي $\leftarrow$ $\leftarrow$ المستقبل). تم تصميم الباب الخلفي ليعمل في ذلك الاتجاه فقط. يحاول TIMEGUARD تشغيل البيانات للخلف (المستقبل $\leftarrow$ $\leftarrow$ الماضي). البيانات النظيفة تبدو منطقية في كلا الاتجاهين، أما البيانات المسمومة (المحفز السري) فتنهار عند تشغيلها للخلف.
- التشبيه: مشاهدة فيلم لتحطم زجاج. إذا لعبته للأمام، يبدو حقيقياً. إذا لعبته للخلف (قطع الزجاج تطير للأعلى لتتشكل مجدداً)، يبدو مستحيلاً. الباب الخلفي يشبه "فيلم الخلف المستحيل".
فحص "تنوع الجوار": تميل البيانات المسمومة إلى أن تبدو متشابهة بشكل مريب مع البيانات المسمومة الأخرى لأن المهاجم يستخدم نفس نمط المحفز. يبحث TIMEGUARD عن نقاط البيانات التي تبدو "وحيدة" أو متنوعة. إذا كانت مجموعة من نقاط البيانات تتجمع معاً وتبدو متطابقة تماماً، فمن المرجح أنها فخ.
- التشبيه: في حشد من الناس، إذا كانت مجموعة ترتدي نفس القناع الغريب تماماً وتقف في دائرة ضيقة، فمن المرجح أنهم المخربون. TIMEGUARD يحتفظ بالأشخاص المتنوعين والذين يبدون طبيعيين، ويطرد "الشلة".

3. "التدريب المنظم بالمسافة" (التوسع البطيء):
بمجرد أن يجد TIMEGUARD مجموعة صغيرة وآمنة من البيانات، يبدأ في تدريب النموذج. لكنه لا يضع كل البيانات مرة واحدة. إنه يوسع "المجمع الآمن" ببطء، مع التحقق باستمرار من أن البيانات الجديدة ليست متشابهة جداً مع "الشلة" المسمومة القديمة. هذا يضمن أن النموذج يتعلم من الحقيقة دون أن يتعلم الكود السري عن طريق الخطأ.

النتائج

اختبر المؤلفون TIMEGUARD ضد أذكى المخربين (الهجمات) باستخدام بيانات من العالم الحقيقي مثل تدفق حركة المرور، والطقس، واستخدام الكهرباء.

النتيجة: حقق TIMEGUARD نجاحاً هائلاً. لقد منع النموذج من اتباع الأوامر السرية (مما أدى إلى تحسين المتانة بنحو مرتين مقارنة بأفضل طريقة سابقة).
التكلفة: لم يؤدِ ذلك إلى إفساد قدرة النموذج على التنبؤ بالطقس أو حركة المرور الطبيعية. ظل الأداء "النظيف" كما هو تقرياً (ضمن نطاق 5%).

باخت-صار: TIMEGUARD هو نظام أمني ذكي يتوقف عن النظر إلى "الصورة الكبيرة" ويبدأ في الاستماع إلى كل "صوت فردي" في البيانات. من خلال التحقق مما إذا كانت البيانات منطقية عند تشغيلها للخلف وما إذا كانت نقاط البيانات متشابهة جداً مع بعضها البعض، فإنه يقوم بتصفية السم دون التخلص من البيانات الجيدة.

ملخص تقني: TIMEGUARD

بيان المشكلة

يعد التنبؤ بالسلاسل الزمنية (TSF) أمراً بالغ الأهمية في مجالات مثل التنبؤ بالمناخ والتحليل الاقتصادي، ولكنه عرضة لهجمات الباب الخلفي (backdoor attacks). في هذه الهجمات، يقوم المهاجمون بحقن أنماط محفزة مخفية في بيانات التدريب للتلاعب بتنبؤات النموذج عند ظهور محفزات محددة أثناء الاستدلال، مع الحفاظ على الأداء الطبيعي للمدخلات السليمة.

على الرغم من الأبحاث المكثفة في نماذج التصنيف والنماذج التوليدية، لا تزال دفاعات الباب الخلفي لـ TSF غير مستكشفة بشكل كافٍ. تحدد الورقة تحديين جوهريين يمنعان انتقال الدفاعات القائمة على التصنيف بفعالية إلى TSF:

تشابك البيانات (Data Entanglement): تُظهر السلاسل الزمنية متعددة المتغيرات هياكل قنوات واعتمادات زمنية متزامنة. غالباً ما تسمم الهجمات مجموعة فرعية فقط من القنوات، مما يؤدي إلى تخفيف إشارات الباب الخلفي على مستوى القناة. وهذا يجعل عمليات تصفية مستوى العينة ودفاعات تركيب المحفز غير فعالة لأنها لا تستطيع تحديد مواقع الأبواب الخلفية عندما لا يتطابق حجم الهجوم (مجموعة فرعية من القنوات) مع حجم الدفاع (العينة بأكملها).
تحول صياغة المهمة (Task-Formulation Shift): يتضمن TSF انحداراً (regression) للقيم المستمرة مع نوافذ مدخلات-مخرجات متداخلة، على عكس التصنيف المنفصل. يتسبب هذا التحول في جعل النوافذ المسمومة والسليمة تُظهر توزيعات خسارة متشابهة خلال مراحل التدريب المبكرة، مما يؤدي إلى تدهور خسارة التدريب. وبناءً على ذلك، تفشل الدفاعات التي تعتمد فقط على فصل خسارة التدريب في التمييز بين البيانات المسمومة والسليمة.

المنهجية: TIMEGUARD

لمعالجة هذه التحديات، يقترح المؤلفون TIMEGUARD، وهو دفاع للباب الخلفي يعمل في وقت التدريب دون الحاجة إلى بيانات سليمة إضافية. يغير النموذج الجوهري من التدريب على مستوى العينة إلى التدريب عبر مجمع موثوق على مستوى القناة.

تتم العملية عبر مرحلتين:

1. تهيئة المجمع الموثوق على مستوى القناة (المرحلة الأولى)

بدلاً من استبعاد عينات كاملة، يعامل TIMEGUARD هدف كل قناة بشكل مستقل. يقوم ببناء مجمع موثوق أولي عالي الثقة ( $D_{rel}$ ) من خلال تقاطع معيارين متكاملين يراعيان الزمن:

تصفية الاتساق العكسي (RCF): استغلال عدم التماثل الزمني في أبواب الخلفية لـ TSF. بينما يتم تصميم المحفزات لاتجاه التنبؤ (الماضي $\leftarrow$ المستقبل)، فإنها لا تفرض اعتمادات عكسية متسقة (المستقبل $\leftarrow$ الماضي). يتم تدريب "معيد بناء خلفي" (backcaster) مساعد لإعادة بناء التاريخ المقلوب من المستقبل المقلوب. يتم اختيار العينات ذات خسارة الاتساق العكسي المنخفضة، حيث تفشل تبعات الباب الخلفي عادةً في الاتجاه العكسي.
تصفية تنوع الجوار (NDF): بناءً على الرؤية النظرية التي تشير إلى أن أبواب الخلفية الناجحة في TSF تسبب تجمعات ضيقة وشديدة التشابه من نوافذ المدخلات المسمومة. يحسب TIMEGUARD مسافة جوار ارتباط بيرسون الموزونة بـ "غوس" (Gaussian-weighted). يتم اختيار العينات ذات مسافات الجوار العالية (التي تشير إلى تنوع زمني) لتجنب التجمعات المركزة النموذجية للبيانات المسمومة.

المجمع الموثوق الأولي هو تقاطع العينات التي تجتاز كلاً من RCF و NDF.

2. اختيار الخسارة المنظم بالمسافة (المرحلة الثانية)

خلال مرحلة التدريب الرئيسية، يتم تدريب النموذج على المجمع الموثوق. ولتوسيع هذا المجمع تدريجياً مع منع إعادة إدخال النوافذ المسمومة المترابطة، يقدم TIMEGUARD آلية اختيار الخسارة المنظم بالمسافة (DRLS).

تختار هذه الآلية مرشحين جدد بناءً على خسارة تدريب منخفضة، ولكنها تنظم هذا الاختيار باستخدام قيد تنوع الجوار.
تضمن أنه حتى إذا حققت النوافذ المسمومة خسارة منخفضة (بسبب تحول صياغة المهمة)، فإنه لا يتم قبولها إذا كانت شديدة الارتباط بالعينات المسمومة الموجودة بالفعل في المجمع.
يتم توسيع حجم المجمع تدريجياً من نسبة أولية $\alpha$ إلى نسبة قصوى $\beta$ أثناء التدريب.

المساهمات الرئيسية

تقييم منهجي: تقدم الورقة أول تقييم منهجي لـ 13 دفاعاً ممثلاً للباب الخلفي عبر دورة حياة TSF. وتكشف عن نمطين من الفشل الخاص بـ TSF: تخفيف الإشارة بسبب تشابك البيانات، وتدهور الخسارة بسبب تحول صياغة المهمة.
مقترح TIMEGUARD: دفاع مبتدئ في وقت التدريب يتعلم من البيانات الموثوقة على مستوى القناة. إنه يخفف من تخفيف الإشارة وتدهور خسارة التدريب دون الحاجة إلى عينات سليمة إضافية، وذلك باستخدام تهيئة مجمع تراعي الزمن وتوسع منظم بالمسافة.
التحقق الواسع: تم تقييم الطريقة عبر ثلاثة مجموعات بيانات (PEMS03, Weather, ETTm1)، وثلاثة بنيات تنبؤ (FEDformer, TimesNet, SimpleTM)، وثلاثة هجمات ممثلة (Random, FreqBack-TSF, BackTime). كما أظهرت القدرة على الانتقال إلى نماذج التنبؤ القائمة على النماذج اللغوية الكبيرة (LLM-based forecasters).

النتائج

تُظهر التجارب المكثفة أن TIMEGUARD يحسن المتانة بشكل كبير مع الحفاظ على أداء التنبؤ السليم:

المتانة: يحقق TIMEGUARD تحسناً بمقدار 1.96 $\times$ في MAEP (متوسط الخطأ المطلق على المدخلات المسمومة) مقارنة بالنموذج المرجعي الرائد (PDB) على مجموعة بيانات PEMS03.
الأداء السليم: يحافظ على الأداء السليم (MAEC) ضمن نطاق 5% من النموذج غير المحمي.
فعالية الدفاع: يُظهر مقياس تصنيف فعالية الدفاع في التنبؤ (FDER) المقترح أن TIMEGUARD يتفوق باستمرار على الطرق الموجودة، محققاً درجات FDER أعلى من 0.80 في مختلف الإعدادات.
التعميم: تظل الطريقة فعالة عبر مجموعات بيانات وبنيات نماذج مختلفة، وتنتقل أيضاً إلى نماذج التنبؤ القائمة على LLM (محققة مكسباً في MAEP لا يقل عن 5.14 $\times$ مع تغيير بنسبة 3.8% فقط في MAEC السليم). كما تحافظ على فعاليتها في ظل التسمم الكامل للقنوات ( $\eta_S = 1.0$ ).
الكفاءة: بينما يتكبد TIMEGUARD عبئاً في وقت التدريب (حوالي 1.58 $\times$ التدريب العادي)، فإنه يتجنب العبء الثقيل في وقت الاستدلال (4–100 $\times$ ) المرتبط بدفاعات وقت الاستدلال، مما يجعله عملياً لأنظمة TSF في الوقت الفعلي.

الأهمية والادعاءات

تدعي الورقة أن TIMEGUARD يعالج التحديات الهيكلية وتحديات صياغة المهام الخاصة ببيانات السلاسل الزمنية التي أعاقت اعتماد دفاعات الباب الخلفي الحالية. من خلال إعادة صياغة المشكلة من مستوى العينة إلى مستوى القناة والاستفادة من عدم التماثل الزمني وتنوع الجوار، يوفر TIMEGUARD دفاعاً قوياً ومستقلاً عن النموذج لا يعتمد على توفر بيانات سليمة موثوقة. ويؤكد المؤلفون أن عملهم يسلط الضوء على ضرورة وجود أنظمة تنبؤ أكثر متانة وموثوقية، ويقترحون أن العمل المستقبلي يجب أن يركز على تطوير دفاعات فعالة في وقت الاستد

المشكلة: لماذا فشلت الدفاعات القديمة؟

الحل: TIMEGUARD

النتائج

ملخص تقني: TIMEGUARD

بيان المشكلة

المنهجية: TIMEGUARD

1. تهيئة المجمع الموثوق على مستوى القناة (المرحلة الأولى)

2. اختيار الخسارة المنظم بالمسافة (المرحلة الثانية)

المساهمات الرئيسية

النتائج

الأهمية والادعاءات

أبحاث مشابهة