Robust Unsupervised Network Intrusion Detection via Federated Learning with Selective Aggregation under Anomalous Sample Contamination

تخيل الإنترنت كمدينة ضخمة وصاخبة، حيث تتواصل مليارات الأجهزة الصغيرة — مثل الثلاجات الذكية، وكاميرات المراقبة، وحساسات المصانع — مع بعضها البعض كل ثانية. هذا هو "إنترنت الأشياء" (IoT). وبينما يجعل هذا الاتصال الحياة أسهل، فإنه يحول كل جهاز أيضاً إلى مدخل محتمل للصوص الرقميين. وللحفاظ على أمن المدينة، تقوم حراس أمن تسمى "أنظمة كشف التسلل للشبكات" (NIDS) بمسح حركة المرور باستمرار بحثاً عن أي سلوك مشبوه. تقليدياً، يتعلم هؤلاء الحراس كيف يبدو الشكل "الطبيعي" من خلال دراسة مكتبة من الأمثلة المصنفة، مثل أكاديمية للشرطة لديها ملف لكل مجرم معروف. ولكن في العالم الحقيقي، تظهر أنواع جديدة من البرامج الضارة بسرعة أكبر مما يمكن لأي شخص تصنيفه، وطلب قائمة مثالية ونظيفة من حركة المرور "الجيدة" يشبه طلب مكتبة خالية تماماً من الأخطاء المطبعية.

هنا يأتي دور "التعلم غير الخاضع للإشراف" (unsupervised learning). فبدلاً من الحاجة إلى معلم يشير إلى الأشرار، تحاول هذه الأنظمة تعلم شكل السلوك الطبيعي بمفردها وتنبيه أي شيء يبدو غريباً. ومع ذلك، هناك عقبة: ماذا لو كانت المكتبة نفسها ملوثة بالفعل؟ ماذا لو كانت حركة المرور "الطبيعية" التي يدرسها النظام تتضمن سراً بعض الأجهزة المصابة؟ إذا تعلم النظام من هذه البيانات "القذرة"، فقد يبدأ في اعتبار البرامج الضارة سلوكاً طبيعياً، مما يترك المدينة مفتوحة على مصراعيها. الورقة البحثية التي ستطالعها الآن تعالج هذه المشكلة تحديداً: كيف تبني حارس أمن يظل يقظاً حتى عندما تكون بيانات التدريب مسمومة سراً من قبل قلة من الفاعلين السيئين، وذلك باستخدام خدعة ذكية تعتمد على العمل الجماعي وقليل من التحقيق الرياضي.

---

البئر المسمومة وحل العمل الجماعي

في عالم الأمن السيبراني، تخيل أنك تحاول تعليم روبوت كيفية تمييز عملة مزيفة. أنت تعطيه دلواً من العملات ليدرسها، آملاً أن تكون جميعها حقيقية. لكن، دون علمك، تسللت بضع عملات سيئة. إذا درس الروبوت الكثير من هذه العملات المزيفة، فقد يبدأ في التفكير: "أوه، هذا الشكل الغريب هو في الواقع طبيعي!" ويفشل في كشف العملات المزيفة الحقيقية لاحقاً. هذه هي مشكلة "تلوث العينات الشاذة". في العالم الحقيقي، عندما نجمع حركة مرور الشبكة من آلاف أجهزة إنترنت الأشياء لتدريب ذكائنا الاصطناعي الأمني، قد تكون بعض تلك الأجهزة مصابة بالفعل. لا يمكننا بسهولة معرفة أي منها، لذا فإن بيانات التدريب "النظيفة" التي نعتقد أننا نملكها هي في الواقع مزيج من الجيد والسيئ.

يقترح مؤلفا هذه الورقة، شوهي كاميغوتشي وتاكايوكي نيشيو، حلاً يسمى FLANDRE (التعلم الاتحادي المساعد لكشف وإزالة العقد الشاذة). فكرتهم الكبرى هي التوقف عن محاولة خلط كل البيانات في دلو واحد، وبدلاً من ذلك، السما la الأجهزة بتدريب نماذجها الصغيرة الخاصة محلياً، ثم مشاركة "الدروس المستفادة" فقط (التحديثات الرياضية) مع خادم مركزي. هذا النهج يسمى التعلم الاتحادي (Federated Learning).

عادة، يعتقد الناس أن التعلم الاتحادي يتعلق فقط بالخصوصية — أي إبقاء البيانات بعيدة عن الخادم المركزي. لكن المؤلفين وجدا فيه "قوة خارقة سرية". فقد أدركا أنه في فريق مكون من 100 جهاز، إذا كانت نسبة الأجهزة المصابة ضئيلة (مثلاً 10%)، فإن البيانات "السيئة" ستكون أقلية صغيرة. في التعلم الاتحادي القياسي، يقوم الخادم المركزي بحساب متوسط تحديثات الجميع. ولأن الأجهزة المصابة قليلة جداً، فإن دروسها "المسمومة" والغريبة ستغرق وسط مئات الأجهزة "الجيدة". الأمر يشبه محاولة تغيير نكهة قدر ضخم من الحساء بإضافة قطرة واحدة من الصلصة الحارة؛ سيظل الحساء معتدلاً في الغالب. قرر المؤلفون استغلال نقطة الضعف هذه — وهي أن "الأقلية يتم تجاهلها" — وتحويلها إلى نقطة قوة.

لعبة المحقق: العثور على التفاح الفاسد

ومع ذلك، فإن مجرد حساب متوسط التحديثات ليس كافياً إذا كانت الأجهزة السيئة "صاخبة" جداً أو إذا كان التلوث مرتفعاً. لذا، يضيف نظام FLANDRE طبقة دفاع ثانية: آلية التجميع الانتقائي (Selective Aggregation). تخيل الخادم المركزي كمحقق يمسك بخريطة توضح مكان وقوف الجميع.

إليك كيف يعمل المحقق:

1. الإحماء: أولاً، يسمح الخادم للجميع بالتدريب لفترة قصيرة.
2. فحص المسافة: ينظر الخادم إلى مدى تغير نموذج كل جهاز مقارنة بالنموذج "المتوسط" للمجموعة.
3. التجميع (Clustering): باستخدام أداة رياضية تسمى خوارزمية "توقع التوقع والتعظيم" (EM)، يقوم الخادم بتجميع الأجهزة في مجموعتين بناءً على مدى بعد نماذجها عن المركز.
   • المجموعة أ: "الأخيار". نماذجهم قريبة من المتوسط لأنهم جميعاً يتعلمون من حركة مرور طبيعية.
   • المجموعة ب: "الأشرار". نماذجهم ابتعدت كثيراً لأنهم يحاولون التعلم من بيانات مصابة وغريبة.
4. الاستبعاد: يقوم الخادم ببساطة بتجاهل "الأشرار" (المجموعة ب) ويستخدم فقط التحديثات من "الأخيار" (المجموعة أ) لتحديث النموذج العالمي الرئيسي.

الأمر يشبه مدرساً يلاحظ أن بعض الطلاب يحاولون حل مسألة رياضية باستخدام طريقة مختلفة تماماً (وخاطئة). وبدلاً من السماح لهؤلاء الطلاب القلة بإرباك الفصل بأكمله، يطلب منهم المعلم بهدوء الجلوس جانباً وعدم المشاركة في النقاش الجماعي، لضمان أن تكون الإجابة النهائية مبنية فقط على المنطق الصحيح.

ماذا وجدوا في المختبر

اختبر المؤلفون هذه الفكرة على ثلاث مجموعات بيانات شهيرة في الأمن السيبراني: ToN IoT و CSE-CIC-IDS2018 و NF-UQ-NIDS-v2. لقد قاموا بمحاكاة سيناريو حيث كانت نسبة 10% إلى 40% من إجمالي بيانات التدريب في الواقع خبيثة، ومخبأة داخل بيانات بعض الأجهزة المخترقة.

كانت النتائج مبهرة. فعندما قارنوا FLANDRE بطرق أخرى:

• التدريب المركزي القياسي: عندما خلطوا كل البيانات معاً (حتى الأجزاء السيئة) ودربوا نموذجاً واحداً كبيراً، انخفض الأداء بشكل كبير. على سبيل المثال، في مجموعة بيانات IDS2018، انخفضت درجة F1 (وهي مقياس للدقة) إلى 0.590.
• المنافسون من الطراز الرفيع: اختبروا طريقة متطورة تسمى LOE-S، والتي تحاول فصل البيانات الجيدة والسيئة رياضياً. سجلت LOE-S نتيجة 0.586 على نفس مجموعة البيانات، وهي أفضل بقليل جداً من النهج القياسي.
• FLANDRE: سجلت طريقتهم الجديدة 0.823 على IDS2018، و 0.969 على ToN IoT، و 0.838 على NF-UQ-NIDS.

الأهم من ذلك، أن نتائج FLANDRE كانت متطابقة تقريباً مع السيناريو "المثالي" — وهو عالم مثالي تكون فيه بيانات التدريب نظيفة بنسبة 100% منذ البداية. في مجموعة بيانات ToN IoT، كان FLANDRE بعيداً بمقدار 0.004 نقطة فقط عن النتيجة المثالية، بينما كانت الطرق الأخرى متأخرة جداً. وهذا يشير إلى أنه من خلال تصفية العملاء المشبوهين، يمكن لـ FLANDRE أساساً "تطهير" عملية التدريب من السموم.

كما اختبروا كيفية تعامل النظام مع مستويات مختلفة من العدوى. وحتى عندما زادت كمية البيانات السيئة في الشبكة، ظل FLANDRE مستقراً. ومن المثير للاهتمام، وجدوا أنه إذا كانت الأجهزة المصابة تحتوي على كمية كبيرة جداً من البيانات السيئة (مثل أن تكون 80% من ملفاتها المحلية عبارة عن برمجيات ضارة)، فإن النظام لا يزال يعمل بشكل جيد، ولكن إذا كانت العدوى دقيقة جداً، فإن نسخة معينة من طريقتهم (تسمى FLANDRE-R، والتي تستخدم مقياساً مختلفاً) واجهت صعوبة أكبر قليلاً. ومع ذلك، ظل منهج FLANDRE الرئيسي قوياً في جميع الحالات.

الخلاصة

لا تدعي هذه الورقة أنها حلت كل مشاكل الأمن السيبراني، لكنها تقدم طريقة ذكية وعملية للتعامل مع مشكلة حقيقية للغاية: تدريب الذكاء الاصطناعي على بيانات قد تكون ملوثة سراً. من خلال استخدام التعلم الاتحادي ليس فقط للخصوصية، بل لقمع تأثير عدد قليل من الفاعلين السيئين بشكل طبيعي، ومن ثم إضافة خطوة "المحقق" لطرد العناصر الشاذة، ابتكر المؤلفون نظاماً يتعلم كيف يبدو "الطبيعي" حقاً، حتى عندما يكون الفصل الدراسي مليئاً بالمخادعين.

في عمليات المحاكاة التي أجروها، أثبت FLANDRE أنك لست بحاجة لمعرفة أي الأجهزة مصابة بالضبط لحماية الشبكة. أنت فقط بحاجة إلى ترك الأغلبية تصوت، ثم امتلاك الشجاعة لتجاهل الأقلية المزعجة. إنه تذكير بأنه في بعض الأحيان، أفضل طريقة لإيجاد الحقيقة هي التوقف عن الاستماع إلى الأشخاص الذين يحاولون إرباكك.