Bayesian-Guided Cooperative RL Beamforming for Wireless Adversarial User Detection

تخيل أن الهواء من حولنا مليء بأنهار غير مرئية من المعلومات، تحمل أغانيك المفضلة، ومقاطع الفيديو، والرسائل إلى هاتفك. لفترة طويلة، كانت هذه الأنهار تتدفق في كل مكان ببساطة، مثل الماء الخارج من خرطوم يُرش عبر حقل كامل. ولكن مع محاولة المزيد والمزيد من الناس الشرب من نفس الخرطوم، يصبح الماء عكراً، وتتباطأ عملية التدفق. ولإصلاح ذلك، يتعلم المهندسون كيفية تحويل ذلك الخرطوم إلى مؤشر ليزر عالي القدرة. هذا ما يسمى بـ تكوين الشعاع (beamforming): بدلاً من رش الماء في كل مكان، أنت توجه تياراً ضيقاً وقوياً مباشرة إلى الشخص الذي تريد التحدث إليه. الأمر يشبه استخدام كشاف في غرفة مظلمة للعثور على صديق بدلاً من تشغيل أضواء السقف للجميع.

ومع ذلك، هناك عقبة. في المستقبل، قد تكون "الغرفة المظلمة" مليئة بالمشاغبين. تخيل طفلاً مشاغباً في الحشد يبدأ بالصراخ لإغراق صوت صديقك أو يتظاهر بأنه صديقك لسرقة أسرارك. هذا هو عالم الأمن اللاسلكي. نحن بحاجة إلى طريقة لا تكتفي فقط بتوجيه الليزر الخاص بنا بدقة، بل تكتشف المشاغبين فوراً وتتجاهلهم. وهنا يأتي دور تعلم الآلة (machine learning). فكر في الأمر كمدرب ذكي جداً يراقب المباراة، ويتعلم من كل خطأ، ويكتشف أفضل التحركات للفوز، حتى عندما يحاول الفريق الآخر الغش. الورقة البحثية التي ستطلع عليها الآن تستكشف كيف يمكن تعليم هذا المدرب ليكون محققاً واستراتيجياً في آن واحد.

---

الورقة البحثية: مدرب ذكي لمؤشرات الليزر اللاسلكية

تقدم هذه الورقة نظاماً جديداً وذكياً مصمماً لمساعدة الشبكات اللاسلكية (مثل شبكات 5G وشبكات 6G المستقبلية) على البقاء سريعة وآمنة، حتى عندما يحاول بعض الأشخاص السيئين إفساد الأمور. يقترح المؤلفان، بارميدا جيرانمايه وأونور غونلو، طريقة تجمع بين ثلاث أفكار كبيرة: تكوين الشعاع (توجيه الإشارة)، التعلم التعزيزي (التعلم من خلال التجربة والخطأ)، والاستدلال البايزي (تحديث تخمينك حول هوية الشخص السيئ بناءً على أدلة جديدة).

الإعداد: مدينة رقمية مع أشعة ليزر

قام الباحثون ببناء محاكاة رقمية لمدينة (بناءً على شوارع دورتموند الحقيقية في ألمانيا) مليئة بأبراج الخلايا (أجهزة الإرسال) والهواتف (أجهزة الاستقبال). استخدموا خريطة مفصلة للغاية للمدينة، بما في ذلك المباني والشوارع، لمعرفة كيف ترتد موجات الراديو عن الجدران وكيف يتم حجبها. يسمى هذا تتبع الأشعة (ray tracing). في محاكاتهم، كان هناك برجان يحاولان التحدث إلى عدة هواتف. ولكن، أضافوا أيضاً "مهاجمين" — وهي هواتف تحاول سراً تشويش الإشارة أو التظاهر بأنها مستخدمون شرعيون.

كان الهدف بسيطاً: إيصال أكبر قدر من البيانات للهواتف الجيدة مع اكتشاف السيئين. وللقيام بذلك، تحتاج الأبراج إلى اختيار الزاوية المثالية لتسليط "أشعتها".

المشكلة: خيارات كثيرة جداً

تخيل أن لديك كشافين ضوئيين و25 زاوية مختلفة يمكنك توجيههما إليها. إذا كان لديك عدد قليل فقط من الهواتف، يمكنك تجربة كل مجموعة من الزوايا لترى أي منها يعمل بشكل أفضل. يسمى هذا البحث الشامل (exhaustive search). قام الباحثون بهذا أولاً لإيجاد الإجابة "المثالية" لمجموعة صغيرة من الهواتف. ووجدوا أنه مع 4 هواتف، يمكن لأفضل إعداد إرسال حوالي 2.41 جيجابت في الثانية من البيانات.

ولكن إليك المشكلة: إذا أضفت المزيد من الهواتف، فإن عدد مجموعات الزوايا الممكنة ينفجر بشكل هائل. مع 8 هواتف، هناك 25 أس 10 من التشكيلات الممكنة. هذا رقم ضخم جداً لدرجة أن أسرع حاسوب خارق سيستغرق وقتاً طويلاً جداً لفحصها جميعاً. لهذا السبب احتاج الباحثون إلى طريقة أذكى لإيجاد الإجابة دون فحص كل الاحتمالات.

الحل: المدرب الذكي (التعلم التعزيزي)

بدلاً من فحص كل زاوية، علم المؤلفون الشبكة كيف تتعلم مثل شخصية في لعبة فيديو. استخدموا نوعين من "المدربين" (الخوارزميات):

1. تعلم Q (Q-learning): مدرب واثق جداً. يجرب إجراءً ما، ويرى ما سيحدث، ويفترض أنه سيختار دائماً الحركة الأفضل في المرة القادمة. إنه مثل لاعب يفكر: "إذا قفزت هنا وحصلت على عملة معدنية، فسأقفز هنا دائماً".
2. خوارزمية سارسا (SARSA): مدرب أكثر حذراً. يتعلم بناءً على ما يفعله فعلياً بعد ذلك، حتى لو ارتكب خطأً. إنه مثل لاعب يفكر: "لقد قفزت هنا، ولكنني تعثرت بعد ذلك، لذا ربما لا ينبغي لي القفز هنا في المرة القادمة".

تم تزويد كلا المدربين بأداة خاصة: نظام اعتقاد بايزي (Bayesian belief system). هذا يشبه دفتر ملاحظات المحقق. في كل مرة ترى فيها الشبكة شيئاً غريباً (مثل انخفاض مفاجئ في السرعة)، يقوم الدفتر بتحديث "درجة الاشتباه" لكل هاتف. إذا ارتفعت درجة الهاتف بما يكفي، يفترض النظام أنه مهاجم.

النتائج: من يفوز باللعبة؟

قام الباحثون بتشغيل محاكاتهم مرات عديدة (20 دورة "مونت كارلو" مختلفة) مع أعداد مختلفة من الهواتف (4، 6، و8) والمهاجمين (1 أو 2). إليكم ما وجدوه:

• اللاعب العشوائي يخسر: إذا اخترت الزوايا وخمنت من هم الأشرار بشكل عشوائي، فستكون الشبكة بطيئة ونادراً ما تكتشف المهاجمين (دقة تتراوح بين 20% إلى 40% فقط).
• المدربون الأذكياء يفوزون: كان كل من Q-learning وSARSA أفضل بكثير. لقد تعلما توجيه الأشعة بشكل صحيح واكتشاف المهاجمين.
  • كان Q-learning هو البطل. فقد حقق أعلى سرعات بيانات (وصلت إلى 3.42 × 10⁹ بت في الثانية مع 8 هواتف) واكتشف أكبر عدد من المهاجمين (دقة تتراوح بين 84% إلى 95%، اعتماداً على حجم المجموعة).
  • كان SARSA جيداً أيضاً ولكنه كان أبطأ قليلاً وأقل دقة من Q-learning.
  • الطريقة "العشوائية" كانت الأسوأ، حيث اكتشفت المهاجمين في حوالي 20% من الحالات في المجموعة الأكبر.

نظرت الورقة أيضاً في الوقت المستغرق للتشغيل. استغرق المدربون الأذكياء وقتاً أطول قليلاً في الحوسبة (حوالي 50 إلى 92 ثانية اعتماداً على حجم المجموعة) مقارنة بالطريقة العشوائية (التي استغرقت ثانية واحدة إلى ثانيتين فقط). ومع ذلك، يرى المؤلفون أن انتظار بضع ثوانٍ إضافية يستحق العناء للحصول على إنترنت أسرع وأمان أفضل.

الحكم النهائي

تشير الورقة إلى أنه من خلال الجمع بين "محقق" (الاستدلال البايزي) و"متعلم" (التعلم التعزيزي)، يمكن للشبكات اللاسلكية أن تصبح أذكى بكثير. يمكنها تلقائياً معرفة أفضل طريقة لإرسال الإشارات وتحديد المشاغبين دون الحاجة إلى بشر للتحقق من كل احتمال بمفردهم.

بينما تبدو النتائج واعدة للغاية، يوضح المؤلفون بحذر أن هذه النتائج تأتي من محاكاة حاسوبية، وليس من اختبارات في العالم الحقيقي على هواتف فعلية في مدينة حقيقية. ويقترحون أنه في المستقبل، يمكن توسيع هذا النظام ليشمل أيضاً التحكم في مقدار الطاقة التي تستخدمها الأبراج، مما يجعل الشبكة بأكملها أكثر كفاءة. أما الآن، فتظهر الدراسة أن القليل من الذكاء الاصطناعي يمكن أن يقطع شوطاً طويلاً في الحفاظ على اتصالاتنا الرقمية سريعة وآمنة.